RegNetAgents：癌症基因组学中跨网络监管驱动因素识别的多代理框架

我们推出了 RegNetAgents，这是一种面向人工智能的多代理框架，用于跨异构基因调控网络进行结构化、查询驱动的调控候选者识别。该系统通过将 TCGA 衍生的癌症网络与 GREmLN 项目的大规模单细胞调控网络相集成，能够对大块肿瘤和单细胞衍生的 ARACNe 网络进行统一分析。对于给定的焦点基因，该框架执行双网络分类、使用 OncoKB 注释的癌症基因过滤以及肿瘤衍生调控关系的作用模式 (MoA) 分配。根据跨网络的证据一致性对候选者进行排名（两者、仅 TCGA、仅 GREmLN）。该系统作为多代理 LangGraph DAG 工作流程实现，可通过统一的 Python API 和模型上下文协议 (MCP) 客户端进行访问，作为预先计算的监管网络上的下游分析层而不是网络推理方法运行。 RegNetAgents 在 11 个乳腺癌 (BRCA) 和 12 个结直肠癌 (COAD) 焦点基因中识别出显着富集 OncoKB 注释的癌症基因的候选调节因子。 TCGA 衍生的候选者显示出很强的富集（BRCA 的 Stouffer Z = 6.69，COAD 的 6.95），而 GREmLN 衍生的候选者也表现出显着的富集（BRCA 的 Z = 5.51，COAD 的 7.06；所有 p < 0.0001）。在管家或非驱动控制基因组中没有观察到富集，支持信号特异性。扩展模块能够对致癌潜力、成药性、临床相关性和网络脆弱性进行结构化评估，支持从候选识别到生物学假设生成的端到端解释。 RegNetAgents 建立了一个可解释的人工智能框架，用于癌症基因组学中的跨网络监管候选者识别。