虚拟细胞中的自主机械推理

大语言模型 (LLM) 作为加速科学发现的一种有前途的方法最近受到了广泛关注。然而，它们在生物学等开放式科学领域的应用仍然有限，这主要是由于缺乏事实依据和可操作的解释。为了解决这个问题，我们引入了一种虚拟细胞的结构化解释形式，将生物推理表示为机械动作图，从而实现系统验证和证伪。在此基础上，我们提出了 VCR-Agent，这是一个多代理框架，它将基于生物学的知识检索与基于验证者的过滤方法相结合，以自主生成和验证机械推理。使用这个框架，我们发布了 VC-TRACES 数据集，其中包含源自 Tahoe-100M 图集的经过验证的机制解释。根据经验，我们证明使用这些解释进行训练可以提高事实精度，并为下游基因表达预测提供更有效的监督信号。这些结果强调了虚拟细胞可靠机械推理的重要性，这是通过多智能体和严格验证的协同作用实现的。