识别癌症驱动基因一直是生物学中最棘手的问题之一。如今，一种名为RegNetAgents的全新框架正将多智能体人工智能应用于这一挑战，实现了过去需要耗费大量人力在不兼容的数据集上进行人工筛选的自动化流程。对于从事癌症基因组学、人工智能和计算生物学交叉研究的研究人员而言，该方法代表着调控候选基因识别和排序方式的重大变革。

要点总结

• RegNetAgents 是一个基于人工智能的多智能体框架，它能够识别异质癌症网络中的调控基因候选者，整合了肿瘤整体数据 (TCGA) 和单细胞数据 (GREmLN)。
• 该框架应用于 11 个乳腺癌和 12 个结直肠癌焦点基因，产生了在统计学上显著富集 OncoKB 注释癌症基因的候选基因（所有 p <0.0001）。
• 富集评分达到 Stouffer Z = 6.69（TCGA，乳腺癌）和 Z = 7.06（GREmLN，结直肠癌），在管家基因或非驱动对照基因集中未检测到富集。
• 该系统以 LangGraph DAG 工作流的形式实现，可通过统一的 Python API 和 MCP 客户端访问——作为预计算网络的下游层运行，而不是网络推理引擎。
• 扩展模块评估致癌潜力、药物可及性、临床相关性和网络脆弱性，以支持假设生成。

为什么跨网络分析会改变局面

癌症基因组学研究长期以来一直面临着数据碎片化的问题。来自TCGA等大型项目的肿瘤群体测序数据虽然能够捕捉到数千名患者的群体水平信号，但却缺乏单细胞测序所提供的细胞分辨率。与此同时，像GREmLN项目构建的单细胞调控网络则提供了群体数据无法复制的精细基因水平信息。过去，研究人员不得不将这两种数据分开处理。

RegNetAgents 直接弥合了这一差距。通过将 TCGA 衍生的肿瘤基因调控网络与 GREmLN 的大规模单细胞调控网络整合，该框架能够同时对两种数据类型进行统一的分析。对于给定的目标基因，系统首先对来自每个网络的调控候选基因进行分类，然后根据证据一致性对其进行排序——标记出候选基因是否同时出现在两个网络中、仅出现在 TCGA 网络中，或仅出现在 GREmLN 网络中。这种跨网络排序正是其强大解读能力的来源。

初步分析的范围涵盖了11 个乳腺癌焦点基因和12 个结直肠癌焦点基因，为两种研究最多的癌症类型提供了一个具体的测试平台。

RegNetAgents 的实际功能

分类、过滤和作用方式分配

该框架的核心在于针对每个目标基因执行三个相互关联的功能。首先，它进行双网络分类——对TCGA和GREmLN数据库中出现的调控关系进行分类。其次，它利用OncoKB注释（癌症基因重要性方面最权威的数据库之一）筛选候选基因，以区分可能与癌症相关的调控因子和背景噪声。第三，它为每个肿瘤来源的调控关系分配作用模式，明确候选基因在该背景下是作为激活因子还是抑制因子发挥作用。

这些步骤共同将原始网络拓扑结构转化为可解释的生物学意义——这在以前需要大量专家时间才能完成。

底层采用多智能体 LangGraph 工作流

RegNetAgents 的技术架构基于LangGraph DAG（有向无环图）工作流，这是一种多智能体设计模式，它通过结构化的、查询驱动的流程来协调各种专用 AI 智能体。该系统可通过统一的 Python API 和模型上下文协议 (MCP) 客户端访问，因此可以方便地部署到现有的计算生物学环境中。

至关重要的是，RegNetAgents 并非网络推断工具。它作为预先计算的调控网络的下游分析层运行，这意味着它解读和分析现有的网络数据，而不是从原始表达数据构建新的网络。这种区别至关重要：它使系统保持专注、计算高效且易于解释——同时将上游网络构建的质量排除在其直接影响范围之外。

性能：强烈的富集信号，清晰的控制结果

乳腺癌和结直肠癌分析的统计结果不容忽视。在TCGA衍生候选基因中，OncoKB注释的癌症基因富集程度分别达到了Stouffer Z评分6.69（乳腺癌，BRCA）和6.95（结直肠癌，COAD） 。GREmLN衍生候选基因也显示出类似的强度： BRCA的Z评分为5.51 ， COAD的Z评分为7.06 ，所有结果的p值均低于0.0001。

这些数据更具说服力的原因在于对照组的表现。当对管家基因和非驱动对照基因集进行同样的富集分析时，并未出现显著的富集现象。这种特异性——癌症基因集中出现信号，而对照组中则无信号——表明该框架并非仅仅识别出广泛的生物学噪声，而是识别出了具有真正肿瘤学意义的候选基因。

扩展的评估层，以获得更深入的洞察

除了候选基因的识别之外，RegNetAgents 中的一个扩展模块还会对每个入围基因进行更深入的评估。该模块评估基因的致癌潜能、成药性、临床相关性和网络脆弱性——这四个维度共同决定了一个调控候选基因是否具有真正的转化价值。一个基因可能在癌症网络中高度富集，但却不具备可行的治疗靶点；该模块能够及早发现并区分这种差异。

识别和结构化评估的结合意味着该框架可以将研究问题从原始网络查询一直推进到生物学上可解释的假设的优先列表——作者称之为端到端解释。

这在更广泛的研究工具箱中处于什么位置？

RegNetAgents 的出现反映了计算肿瘤学领域的一个更广泛的趋势：从生成数据的工具转向解读数据的工具。来自 TCGA、GREmLN 和类似资源的庞大调控网络数据已经远远超过了人工分析能力。旨在跨这些网络运行结构化、可复现查询的多智能体人工智能框架解决了这一真正的瓶颈。

通过围绕 OncoKB 癌症基因过滤构建系统，该框架还将候选输出与已建立的临床注释标准保持一致——这对于需要将计算结果与现有生物学知识联系起来的研究人员来说是一个实际的考虑因素。

这项研究由 Jose Bird 撰写，是其博士论文，于 2026 年 7 月发表。该框架是否能完全扩展到乳腺癌和结直肠癌以外的其他癌症类型，仍然是一个悬而未决的问题——这个问题很可能会决定该方法下一阶段的测试方向。

常问问题

RegNetAgents是什么？

RegNetAgents 是一个基于人工智能的多智能体框架，旨在用于癌症基因组学中的跨网络调控候选基因识别。它将肿瘤调控网络（来自 TCGA）与单细胞调控网络（来自 GREmLN）整合，以识别和排序与癌症生物学相关的基因调控候选基因。

RegNetAgents集成了哪些数据源？

该框架整合了来自 TCGA 项目的肿瘤基因调控网络和来自 GREmLN 项目的大规模单细胞调控网络，从而能够对两种数据模式进行统一分析。

RegNetAgents如何评估候选基因？

对于每个目标基因，该方法执行双网络分类，利用OncoKB癌症基因注释筛选候选基因，并为肿瘤来源的调控关系分配作用模式。然后，根据候选基因在不同网络中的证据一致性对其进行排序——即它们是否同时出现在TCGA和GREmLN数据库中，或者仅出现在其中一个数据库中。

RegNetAgents 还提供哪些其他分析？

扩展模块评估每个候选者的致癌潜力、成药性、临床相关性和网络脆弱性，支持从识别到转化评估的全面生物学解释和假设生成。

本文由人工智能辅助生成，并经编辑团队审核。