RegNetAgents：用于癌症基因组学中跨网络调控驱动因子识别的多智能体框架

RegNetAgents 是一个面向 AI 的多智能体框架，用于在异构基因调控网络中结构化且基于查询的调控候选因子识别。该系统整合了来自 TCGA 的癌症网络和 GREmLN 项目的单细胞调控网络，实现了肿瘤块体和单细胞 ARACNe 网络的统一分析。针对特定基因，框架执行双网络分类、OncoKB 注释的癌症基因筛选及肿瘤衍生调控关系的作用模式分配。候选因子根据跨网络证据一致性进行排序。系统以多智能体 LangGraph DAG 工作流形式实现，通过 Python API 和 Model Context Protocol (MCP) 客户端访问，作为预计算调控网络上的下游分析层，而非网络推断工具。在十一种乳腺癌和十二种结直肠癌焦点基因分析中，RegNetAgents 识别的候选调控因子显著富集 OncoKB 注释的癌症基因，验证了其信号特异性。扩展模块支持肿瘤潜力、药物可及性、临床相关性和网络脆弱性的结构化评估，助力从候选识别到生物学假设生成的端到端解释。

AI Signal Takeaway

这条研究论文信号说明，来自 arXiv cs.AI 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。

打开来源

发生了什么

arXiv cs.AI 发布了这条关于研究论文的更新：RegNetAgents 是一个面向 AI 的多智能体框架，用于在异构基因调控网络中结构化且基于查询的调控候选因子识别。该系统整合了来自 TCGA 的癌症网络和 GREmLN 项目的单细胞调控网络，实现了肿瘤块体和单细胞 ARACNe 网络的统一分析。针对特定基因，框架执行双网络分类、OncoKB 注释的癌症基因筛选及肿瘤衍生调控关系的作用模式分配。候选因子根据跨网络证据一致性进行排序。系统以多智能体 LangGraph DAG 工作流形式实现，通过 Python API 和 Model Context Protocol (MCP) 客户端访问，作为预计算调控网络上的下游分析层，而非网络推断工具。在十一种乳腺癌和十二种结直肠癌焦点基因分析中，RegNetAgents 识别的候选调控因子显著富集 OncoKB 注释的癌症基因，验证了其信号特异性。扩展模块支持肿瘤潜力、药物可及性、临床相关性和网络脆弱性的结构化评估，助力从候选识别到生物学假设生成的端到端解释。

为什么重要

RegNetAgents 为癌症基因组学中复杂的调控网络分析提供了创新且可解释的多智能体 AI 框架，能够整合多源异构数据，精准识别癌症驱动调控因子，促进癌症机制研究和临床转化。

谁应该关注

研究员、模型团队和技术战略负责人应该重点关注这条信号，尤其是正在跟踪 research、papers、agents 的团队。

下一步看什么

接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。

相关信号

[ 2026年7月18日 ]

研究论文

arXiv cs.AI/2026年7月18日

用于自主无人机群搜救的智能三级学习架构

本文提出了一种新颖的三级层次学习架构，适用于执行搜救任务的自主无人机群。该架构结合了三种不同的学习机制，分别对应生物学中的反射、技能和推理层次，包含Hebbian神经可塑性、多智能体强化学习结合图神经网络与行为树，以及基于BDI推理和数字孪生的模型无关元学习。架构通过22个建筑契约保障安全性、预算正确性、最优性、活性等六类形式保证，并引入群体元认知，实现群体自我监控和策略切换。理论分析表明，该架构克服了现有层次强化学习方法的五个根本限制。

研究论文

arXiv cs.AI/2026年7月18日

HG-RAG：用于结构化知识图谱的层级引导检索增强生成

本文提出了HG-RAG，一种基于层级知识图谱图遍历的检索增强生成框架。该方法通过解析查询中的命名实体锚点，向上扩展至父节点，横向扩展至关联邻居节点，并在需要时向下扩展至子节点，从而为语言模型提供结构化上下文。实验证明，HG-RAG在处理层级、关系和多跳推理任务时，性能优于传统的扁平文档检索方法，同时有效减少了生成中的幻觉并保持上下文连贯性。

研究论文

arXiv cs.AI/2026年7月18日

基于交互作用的模型解释（IMEX）

在预测建模中，解释模型为何给出特定预测结果变得越来越重要。IMEX方法是一种可解释预测建模方向，旨在识别对目标预测贡献最大的变量及其交互作用，支持高阶交互分析。IMEX包含静态相关力（PCS）和交互相关力（PCI）两项指标，分别衡量单变量贡献和变量间非加性效应。本文通过与INVASE对比，在三个人工数据集上验证了PCS，表明IMEX能够在非线性、条件及多重共线性关系下准确恢复特征结构。