GenoMAS: Ein Multi-Agenten-Framework für wissenschaftliche Entdeckungen durch code-gesteuerte Genexpressionsanalyse

GenoMAS: A Multi-Agent Framework for Scientific Discovery via Code-Driven Gene Expression Analysis

July 28, 2025

papers.authors: Haoyang Liu, Yijiang Li, Haohan Wang

cs.AI

papers.abstract

Die Genexpressionsanalyse ist der Schlüssel zu vielen biomedizinischen Entdeckungen, doch die Gewinnung von Erkenntnissen aus rohen transkriptomischen Daten bleibt aufgrund der Komplexität mehrerer großer, teilstrukturierter Dateien und des Bedarfs an umfangreichem Fachwissen eine Herausforderung. Aktuelle Automatisierungsansätze sind oft entweder durch unflexible Workflows eingeschränkt, die in Randfällen versagen, oder durch vollständig autonome Agenten, denen die notwendige Präzision für rigorose wissenschaftliche Untersuchungen fehlt. GenoMAS geht einen anderen Weg, indem es ein Team von LLM-basierten Wissenschaftlern präsentiert, das die Zuverlässigkeit strukturierter Workflows mit der Anpassungsfähigkeit autonomer Agenten vereint. GenoMAS orchestriert sechs spezialisierte LLM-Agenten durch typisierte Nachrichtenübermittlungsprotokolle, wobei jeder Agent komplementäre Stärken zu einer gemeinsamen analytischen Leinwand beiträgt. Im Kern von GenoMAS liegt ein geführtes Planungsframework: Programmieragenten entfalten hochrangige Aufgabenrichtlinien in Aktions-Einheiten und entscheiden an jedem Punkt, ob sie voranschreiten, überarbeiten, überspringen oder zurückkehren sollen, wodurch die logische Kohärenz gewahrt bleibt, während sie sich gleichzeitig flexibel den Eigenheiten genomischer Daten anpassen. Auf dem GenoTEX-Benchmark erreicht GenoMAS eine zusammengesetzte Ähnlichkeitskorrelation von 89,13 % für die Datenvorverarbeitung und einen F1-Wert von 60,48 % für die Genidentifikation, womit es den bisherigen Stand der Technik um 10,61 % bzw. 16,85 % übertrifft. Über Metriken hinaus identifiziert GenoMAS biologisch plausible Gen-Phänotyp-Assoziationen, die durch die Literatur bestätigt werden, und berücksichtigt dabei latente Störfaktoren. Der Code ist verfügbar unter https://github.com/Liu-Hy/GenoMAS.

English

Gene expression analysis holds the key to many biomedical discoveries, yet extracting insights from raw transcriptomic data remains formidable due to the complexity of multiple large, semi-structured files and the need for extensive domain expertise. Current automation approaches are often limited by either inflexible workflows that break down in edge cases or by fully autonomous agents that lack the necessary precision for rigorous scientific inquiry. GenoMAS charts a different course by presenting a team of LLM-based scientists that integrates the reliability of structured workflows with the adaptability of autonomous agents. GenoMAS orchestrates six specialized LLM agents through typed message-passing protocols, each contributing complementary strengths to a shared analytic canvas. At the heart of GenoMAS lies a guided-planning framework: programming agents unfold high-level task guidelines into Action Units and, at each juncture, elect to advance, revise, bypass, or backtrack, thereby maintaining logical coherence while bending gracefully to the idiosyncrasies of genomic data. On the GenoTEX benchmark, GenoMAS reaches a Composite Similarity Correlation of 89.13% for data preprocessing and an F_1 of 60.48% for gene identification, surpassing the best prior art by 10.61% and 16.85% respectively. Beyond metrics, GenoMAS surfaces biologically plausible gene-phenotype associations corroborated by the literature, all while adjusting for latent confounders. Code is available at https://github.com/Liu-Hy/GenoMAS.