CASCADE：面向患者数据验证的下游扰动预测的Agentic调控网络框架

CASCADE是一个基于代理框架，用于从预计算的ARACNe调控网络中预测基因突变后的下游转录效应。该工具通过MCP暴露其结果。先前的工作验证了这些工具，通过检查预测基因是否是已知的癌症基因（成员身份）来验证；我们则测试预测方向与现实是否相符，使用焦点基因拷贝数扩增作为相对敲低的剂量替代物，以评估真实TCGA患者肿瘤数据中的实际对比。对于MYC，CASCADE预测的突变靶点在三种癌症类型中（BRCA：90.0%，COAD：72.0%，STAD：85.7%；所有p<0.0013）与实际扩增-非扩增肿瘤表达相匹配，显著高于随机基线，且在PAM50亚型控制和独立队列（METABRIC，87.2%）中均表现出良好的性能。与基于MSigDB基因集基准的比较，CASCADE的准确度并未超过现有公开知识中的MYC或E2F驱动生物学，尽管其基因特异性方向预测明显优于简单的均匀猜测。扩展到15个额外的基因后，验证证明了基因特异性而非通用性：生长调控器大多匹配，而线粒体身份转录因子和一个cyclin-D同源物（CCND2）则始终失败，我们讨论这种模式作为受挫后的后验假设。我们还单独评估了一个基于LLM的代理是否正确将自然语言请求转化为CASCADE的实际MCP工具调用。在35个查询中，记录模型达到71.4%的精确匹配度（85.7%对于更大的模型），而结构化和基因别名错误由规模或服务器侧纠正解决，但两种模型都自信地默认为错误的突变类型，在有争议的问题上，由于触发条件从未发生。