一項由耶魯大學主導，聯合賓夕法尼亞大學、慕尼黑亥姆霍茲中心等多家頂尖機構完成的科研突破，近日在生物計算領域引發廣泛關注。研究團隊開發的AI系統CellForge，通過模擬人類科研團隊的協作模式，實現了單細胞擾動建模的自動化，將原本需要數月完成的復雜分析壓縮至數小時內完成。相關成果已發表于arXiv預印本平臺，論文編號為arXiv:2508.02276v1。
傳統生物建模研究依賴跨學科團隊手動設計實驗、處理數據并編寫代碼，過程耗時且對專業知識要求極高。CellForge的創新在于構建了一個由多個AI專家組成的虛擬科研組，涵蓋數據分析、模型設計、生物學驗證、訓練優化及質量監控五大角色。當輸入細胞擾動數據后，這些AI專家會像真實團隊一樣展開多輪討論：數據分析專家先解讀數據特征，模型專家設計算法架構，生物學專家確保方案符合科學原理，而批評家專家則持續質疑并提出改進建議，最終形成經過多輪優化的解決方案。
研究團隊在基因敲除、藥物處理、細胞因子刺激等六類典型擾動場景中驗證了系統性能。測試數據顯示，CellForge設計的模型在預測準確性上全面超越現有方法，部分任務中預測誤差降低40%，相關性提升20%。尤其在處理scATAC-seq等高噪聲數據時，其表現比次優方法高出16倍。更關鍵的是，該系統不僅能生成理論方案，還能自動編寫可執行代碼并完成調試，解決了其他AI助手"紙上談兵"的局限。
系統的工作流程分為三個階段：任務分析階段整合數據特征、問題定義和文獻調研；方法設計階段通過專家討論確定最優技術路線；實驗執行階段則完成代碼生成與性能優化。這種模塊化設計使系統能根據數據類型自動選擇技術組件——對基因表達數據采用Transformer架構捕捉長程依賴，對調控網絡問題集成圖神經網絡建模相互作用，對稀疏數據則選用XGBoost等穩健方法。
經濟性分析顯示，CellForge將單次建模成本從傳統方法的3000-12000美元壓縮至5.18美元，時間消耗從40-80小時專家工作縮短至4-8小時計算。這種效率革命使中小型實驗室也能開展前沿研究，研究團隊比喻其"如同從膠片攝影時代跨入手機攝影時代"。不過系統仍存在41%的執行錯誤率，主要集中于張量操作和數據類型匹配，研究團隊通過中間變量調試機制將修復成功率提升了48%。
在盲測評估中，由五個大型語言模型組成的評審團對各AI系統的研究方案進行評分，CellForge在科學有效性、技術可行性等八個維度均獲最高分（7.27/10），領先第二名5分。更顯著的是，當要求生成可執行代碼時，僅CellForge成功完成任務。這種端到端能力源于其多專家協作架構：數據專家確保理解準確，模型專家設計可行算法，生物學專家保證科學合理，編程專家實現代碼轉化，批評家專家全程質量控制。
技術架構方面，系統采用混合通信協議結合JSON-RPC數據交換與持久性記憶模塊，既實現專家間實時討論，又保存所有決策記錄。知識檢索機制通過交替廣度與深度搜索，從基礎查詢逐步擴展至技術概念全景。每個專家的信心分數動態更新，當信心不足時主動尋求建議，批評家專家則根據討論進展調整質疑重點，形成持續改進的閉環。
盡管系統能生成科學可行的方案，研究團隊強調仍需實驗驗證。目前系統主要優化于單細胞擾動分析，擴展至其他生物學領域尚需進一步開發。不過其開源代碼和詳細文檔已為研究社區提供基礎，這種AI與人類科學家的協作模式，可能重新定義未來科研的工作方式——科學家或將更專注于提出關鍵問題與設計驗證策略，而技術實現則交給高效可靠的AI助手。
