跳转至

CellAgent: LLM-Driven Multi-Agent Framework for Natural Language-Based Single-Cell Analysis

会议: ICLR 2026
OpenReview: https://openreview.net/forum?id=BsA2GNkJhz
代码: 待确认
领域: LLM 多智能体 / AI for Science（单细胞生物信息学）
关键词: 多智能体、scRNA-seq、空间转录组、自反思优化、工具调用

一句话总结

CellAgent 用 Planner-Executor-Evaluator 三级智能体架构，配合专家工具箱 sc-Omni 和自反思优化机制，让研究者只用自然语言就能端到端跑完单细胞 RNA 测序与空间转录组分析，多项下游任务质量与人类专家相当甚至更优。

研究背景与动机

领域现状：单细胞 RNA 测序（scRNA-seq）和空间转录组（ST）已成为分子生物学的核心手段，能以前所未有的精度刻画细胞异质性，但也产生了海量数据，必须依赖复杂的计算工具链才能提取有意义的生物学信息。

现有痛点：现有分析流程（Scanpy、Squidpy、Seurat、scVI 等）虽然成熟，却要求分析者同时具备编程能力和生物学专业知识——既要手动挑选合适工具，又要针对数据特性精调超参数。这种"双重专业门槛"让单细胞分析成本高昂，阻碍了生物机制的发现。

核心矛盾：通用 LLM（GPT-4）和通用智能体框架（AutoGen）缺乏领域知识，难以做出可靠的生物学分析；已有的领域智能体（AutoBA、BioMANIA）则只盯着"任务执行成功率"，没有机制去自动评估结果的生物学相关性，因而无法在异构数据集上自主选算法、调超参。换句话说，"能跑通"不等于"跑得对"。

本文目标：构建一个自然语言驱动、功能集成、能自主优化的分析框架，把高层科学问题翻译成优化后的计算流程，在降低技术门槛的同时保证分析质量。

核心 idea：[分层决策 + 自反思评估] 把分析流程建模成对"流水线空间"的分层决策过程——Planner 做任务分解，Executor 实例化候选流水线，Evaluator 对候选打分并择优；并通过一个专门的 Evaluator 智能体把"生物学相关性评估"显式嵌入自动化工作流，用客观指标替代主观的人工评判。

方法详解

整体框架

CellAgent 是一个模拟"深度思考"工作流的分层多智能体系统，由三个专职智能体协作：高层 Planner 把用户的自然语言请求拆解成有序子任务；Executor 为每个子任务选工具、写代码、跑代码；Evaluator 对产出打分并提出修订意见。整套流程还依赖三个支撑模块——专家工具箱 sc-Omni、双层记忆系统、安全代码沙箱。

flowchart TD
    U[用户自然语言请求 + 单细胞数据] --> P[Planner: 任务分解]
    P --> |子任务 t1..tn| L{逐子任务执行循环}
    L --> TS[Executor·Tool Selector<br/>从 sc-Omni 选工具]
    TS --> CP[Executor·Code Programmer<br/>生成并执行代码]
    CP --> |出错则自纠正| CP
    CP --> |多个候选解| E[Evaluator: 匿名打分择优]
    E --> |需修订则反馈| CP
    E --> |最优解 c̄_i| MEM[(全局记忆: 仅存最终代码)]
    MEM --> L
    L --> |所有子任务完成| R[综合结果返回用户]

关键设计

1. 分层任务规划（Hierarchical Decomposition）：把抽象目标拆成有序流水线。 Planner 是系统的"总架构师"，其系统提示 \(p^p_{sys}\) 被注入了 scRNA-seq/ST 工作流的专家知识，包括标准操作顺序（如质控必须先于归一化）、典型参数范围、以及哪些下游任务需要特定的上游预处理。收到请求后，Planner 先检视数据集摘要 \(\psi(D)\) 来"接地气"，再生成离散有序的子任务序列：

\[t_1, t_2, ..., t_n \leftarrow A^{LLM}_p(p^p_{sys}, u_{task}, u_{req}, u_D, \psi(D))\]

这一步把宽泛目标转化为可管理的步骤链，为后续执行与优化奠定逻辑骨架。关键在于规划不是凭空想象，而是基于具体数据特征做出的——这避免了通用智能体常见的"流程合理但不适配数据"问题。

2. 自反思优化机制（Self-Reflective Optimization）：用客观评估替代人工评判。 每个子任务进入 Executor-Evaluator 协作循环。Executor 由 Tool Selector 和 Code Programmer 两部分组成：前者从工具集 \(T\) 中筛出当前步骤最合适的工具 \(T_{t_i} \leftarrow A^{LLM}_t(p^t_{sys}, u_{req}, T, t_i)\)；后者结合工具文档和记忆模块 \(M\) 生成可执行代码与文字分析 \((c_i, w_i) \leftarrow A^{LLM}_c(p^c_{sys}, u_{task}, u_{req}, u_D, \psi(D), M, t_i, Doc(T_{t_i}))\)，遇到执行错误 \(E(c_i)\) 时自主纠错。真正的创新在 Evaluator：它先对同一任务跑一组成熟算法生成多个候选解 \(\{c^j_i\}\)，再由 GPT-4o 驱动系统性评估——评估标准随任务而变，融合定量指标（如插补的 Accuracy Score、批次校正的 iLISI）、领域知识引导的定性视觉判断（如轨迹连续性、空间域一致性）和异构证据综合（如细胞类型注释），最后择优：

\[\bar{c}_i = A^{LLM}_e(p^e_{sys}, u_{req}, u_D, t_i, \{c^j_i\}), \quad j = 1, 2, ...\]

为防止"自循环偏差"，Evaluator 只能看到匿名化的输出、任务指标和诊断图，看不到 Executor 用的提示词和工具名，从而保证打分客观。这把传统上耗时的人工评估彻底自动化了。

3. 双层记忆控制（Memory Control）：用代码的高信息熵实现低 token 上下文传递。 针对 LLM 无状态的缺陷，CellAgent 设计了双架构记忆。其设计依据是：单细胞分析的子任务大多自包含，只依赖前一步最终验证过的产物，而非中间的试错过程。因此全局记忆只存每步的最终代码 \(M \leftarrow \{\bar{c}_1, \bar{c}_2, ...\}\)——之所以只存代码，是因为在生物信息学里代码具有高信息熵，能以极简形式精确编码复杂的数据变换，从而用最小 token 开销传递完整上下文。与之互补的局部记忆则作为 Executor 在单个子任务内的短期工作区，捕捉实时执行轨迹（含正确与错误代码、报错信息、自纠正迭代），让智能体能从实时错误中学习。

4. sc-Omni 专家工具箱：为 LLM 接地领域能力。 单纯的 LLM 缺乏生物学领域知识，CellAgent 开发了 sc-Omni——一个由专家精选、高性能的工具集，整合了 scRNA-seq 和空间转录组分析所需的核心工具（如细胞类型注释的 Cellmarker/Celltypist、批次校正的 scVI/Harmony、空间插补的 Tangram 等）。Executor 的 Tool Selector 从中检索，配合工具文档生成调用代码，使 LLM 的分析能力真正落到基因组学的领域复杂性上。

实验关键数据

主实验表格（多任务对比，分数越高越好）

任务 指标 CellAgent 最强基线 基线方法
细胞类型注释 Average score 0.85 0.77 scGPT
批次校正 Overall score 0.67 0.66 scVI
轨迹推断 Overall score 0.50 0.47 Slingshot
空间域识别 ARI 0.47 0.47 SCSA/SEDR
空间插补 Accuracy score 0.88 0.75 Tangram

CellAgent 在多个任务上取得 SOTA 或并列最优，尤其在细胞类型注释（0.85 vs 0.77）和空间插补（0.88 vs 0.75）上优势明显。

关键发现

  • 高鲁棒性：在超过 60 个数据集上平均执行成功率超过 96%，证明自纠正与工具选择机制的稳定性。
  • 媲美甚至超越专家：在任务完成度、质量和效率三个维度上，CellAgent 表现与人类专家相当，部分方面甚至超越。
  • 匿名评估去偏有效：Evaluator 只看匿名输出，避免了把自己生成的工具名当线索的"自循环偏差"，保证了择优的客观性。
  • 效率优势：把高层科学问题自动翻译成优化流程，省去了手动选工具、调参的大量人力。

亮点与洞察

  • 把"评估"提升为一等公民：以往的生物信息学智能体只追求"跑通"，CellAgent 第一次把"生物学相关性评估"做成专职 Evaluator 智能体并嵌入主循环，直击"能跑 ≠ 跑对"的痛点。
  • 匿名打分防自循环：让 Evaluator 看不到 Executor 的提示词和工具名，是个小而精妙的去偏设计，值得其他多智能体工作借鉴。
  • "只存代码"的记忆哲学：洞察到代码在生信场景具有高信息熵，用最终代码替代冗长执行轨迹做长期记忆，是个很务实的 token 节省策略。
  • 降低门槛、推动民主化：让不会编程的生物学家也能跑复杂分析，对基因组学科学发现的"民主化"有实际价值。

局限与展望

  • 依赖专家精选工具箱：sc-Omni 的覆盖范围决定了系统能力上限，遇到工具箱外的新方法或新任务时适配性存疑。
  • Evaluator 依赖 GPT-4o：评估质量受底层 LLM 能力和评估指标设计影响，对于缺乏成熟定量指标的任务，定性判断的可靠性还需验证。
  • 成本与可复现性：多智能体多候选解的反复执行带来较高的算力/调用成本，论文未充分讨论端到端开销。
  • 指标边际优势：部分任务（如批次校正 0.67 vs 0.66、空间域识别并列 0.47）相对基线的提升较小，统计显著性有待更多验证。

相关工作与启发

  • 科学领域智能体：ChatMOF（材料）、ChemCrow（化学）展示了 LLM + 专家工具的范式，CellAgent 把这套思路系统化地搬到了单细胞分析。
  • 单细胞计算工具与基础模型：Scanpy、Squidpy、Seurat、scVI 提供了底层算法，scGPT、cellPLM 等基础模型提供了表征，但都需手动搭流水线——CellAgent 把它们封装进可自然语言调用的工具箱。
  • 生物医学智能体：Biomni（通用生物医学）、AutoBA、BioMANIA（单细胞）是最直接的对比对象，CellAgent 的差异化在于显式的质量评估与自反思优化。
  • 启发：把"评估器"做成独立智能体并去偏，是任何需要"自主择优"的多智能体系统的通用范式；"只存关键产物"的记忆设计也对长流程 agent 的上下文管理有借鉴意义。

评分

  • 新颖性: ⭐⭐⭐⭐ 把自反思评估做成专职去偏智能体，针对生信智能体"只求跑通"的痛点提出了清晰的解法，架构组合新颖。
  • 实验充分度: ⭐⭐⭐⭐ 覆盖 5 大下游任务、60+ 数据集，对比基线丰富，但部分任务相对优势较小、端到端成本分析不足。
  • 写作质量: ⭐⭐⭐⭐ 框架图清晰、动机层层递进、公式与模块职责表述明确，可读性强。
  • 价值: ⭐⭐⭐⭐ 显著降低单细胞分析的技术门槛，对生物信息学民主化有实际推动力，并提供了在线平台。

相关论文