SpatialAgent，让空间组学进入“自动驾驶“时代！

admin管理员组

文章数量:1440492

SpatialAgent，让空间组学进入“自动驾驶“时代！

2025年4月6日，Genentech公司Aviv Regev团队联合斯坦福大学、哈佛大学、清华大学等全球顶尖机构，在bioRxiv发表重磅研究《SpatialAgent: An autonomous AI agent for spatial biology》。

该研究成功开发了SpatialAgent——一个由大语言模型（LLM）驱动的自主AI系统，能够独立完成空间生物学研究的全流程工作，涵盖实验设计、多模态数据分析乃至数据驱动的科学假设生成。

痛点与突破：空间生物学的智能化转型

空间生物学研究需要处理复杂的高维数据，依赖于分散且需要大量人工干预的计算方法。这些方法不仅效率低下，而且难以适应多样化的数据集和生物背景。SpatialAgent 的出现，就像一位不知疲倦的智能助手，它整合了大型语言模型（LLM）与动态工具执行和适应性推理，能够自主地完成从实验设计到多模态数据分析和假设生成的整个研究流程。

图 1: SpatialAgent 的概述和模块化设计。

核心功能：SpatialAgent 如何大显身手

SpatialAgent 的强大功能源于其三大核心模块：记忆、规划和行动。它通过一个自我治理循环来运作，将 LLM 与外部工具和数据库相结合。

记忆模块：就像人类的大脑一样，记忆模块保存着高层次的目标和可用工具的信息，以及短期步骤和不断变化的上下文，确保任务执行的连贯性。

规划模块：运用连贯的推理和自我反思提示，将复杂任务分解为可管理的步骤。它可以根据预定义的模板或从零开始生成计划，动态适应新信息，如用户修改或工具执行失败。

行动模块：负责执行任务，选择合适的工具，如检索相关单细胞 RNA 测序数据集、在物种间转换基因名称，或通过外部数据库验证配体 - 受体相互作用。它还能使用已建立的库（如 scikit-learn、PyTorch、Scanpy）或在需要时生成和执行自定义代码。

实验验证：SpatialAgent 的卓越表现

SpatialAgent 在多个数据集上进行了测试，涵盖了来自人类大脑、心脏和小鼠结肠炎模型的二百万个细胞。结果令人惊叹：

基因面板设计：SpatialAgent 在设计用于空间分析人类大脑区域的基因面板时，与四种已建立的计算方法和十位人类专家相比，其面板在细胞类型预测准确性和空间坐标预测方面均优于现有计算基线，在某些方法上甚至实现了高达 47.1% 的 AUC 提升（图2，3）。

图 2:SpatialAgent 的基因面板设计。

图 3:SpatialAgent 在基因面板设计中的推理、性能和效率。

细胞和组织注释：在对发育中的人类心脏组织进行多模态细胞和生态位注释时，SpatialAgent 与七位人类科学家相比，其注释质量与作者提供的“真实情况”非常接近，超越了 GPTCellType 和 CellTypist，并且与最佳人类专家的表现大致相当（图4，5）。

图 4:SpatialAgent 的细胞类型和组织生态位注释。

图 5: 使用 SpatialAgent 的多模态单元和生态位注释。

细胞间相互作用分析：在小鼠组织重塑的细胞间相互作用发现中，SpatialAgent 不仅与原始研究的主要发现达成广泛共识，还揭示了额外的见解，如增强的 TGF-

本文标签： SpatialAgent，让空间组学进入“自动驾驶“时代！