- 7 次围观
背景：大型语言模型（LLM）智能体正日益自动化生物信息学分析，但现有的大多数生物信息学工具最初都是为人类专家的独立使用而构建的。驱动此类工具的智能体必须依据面向人类编写的文档，对其安装、配置和执行进行推理，因此每得到一个结果往往需要耗费许多轮交互、令牌和工具调用。因此，一种方法以何种方式向智能体暴露，可能与该方法本身同样重要。通过为这些工具设计智能体化接口，智能体可以减少此类开销，并提高由智能体驱动的分析的可靠性。 研究结果：为检验这一设计，我们将广泛使用的、基于深度学习的长读长变异检测工具 Clair3 重新架构为一个客户端—服务器系统，即 Clair3-Connect。客户端执行所有与基因组学相关的处理，并持有可识别数据。服务器仅运行神经网络推理，客户端只向服务器发送特征张量，而样本标识符和基因组上下文信息保留在客户端。客户端暴露出由模式定义、面向智能体的工具，智能体通过单次结构化调用即可调用这些工具。在 APOE 二倍型分型任务中，60 次智能体运行全部正确。该智能体化工具在 3 轮交互中使用了 1.2 万个令牌，比基于 shell 驱动的基线方法（8.1 万至 16.3 万个令牌）少 6.8 至 14 倍；其总耗时约为后者的四分之一，且稳定性显著更高（令牌使用量变异度为 4%，而基线为 35%）。为保持客户端轻量化而去除 pileup 和 phasing 阶段后，在 50× 覆盖度下，SNP F1 相比标准 Clair3 仅下降 0.1 至 0.3 个百分点，而双向 TLS 和 AES-256-GCM 加密仅使端到端运行时间增加了 7.2%。 结论：将一种既有算法重构为由开发者构建、位于安全客户端—服务器边界之后的智能体化工具，相较于第三方封装，更适合 LLM 智能体使用，因为第三方封装无法恢复只有其开发者才了解的默认设置和约定。这种方式能够使其对 LLM 智能体而言更加高效、可靠且更易部署。智能体化接口应当成为生物信息学工具开发中的一级交付成果。
rbluo{at}cs.hku.hk
摘要 信息/历史 指标 补充材料 预览 PDF
摘要
背景：大型语言模型（LLM）智能体正日益自动化生物信息学分析，但现有大多数生物信息学工具最初都是为人类专家独立使用而构建的。驱动此类工具的智能体必须依据面向人类编写的文档，对其安装、配置和执行过程进行推理，因此每获得一个结果往往需要消耗许多轮交互、令牌和工具调用。因此，一种方法以何种方式暴露给智能体，可能与该方法持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 本作品依据 CC-BY 4.0 国际许可协议 提供。
返回顶部 上一篇 下一篇
发布于 2026 年 6 月 28 日。 下载 PDF 补充材料 电子邮件
感谢您有兴趣帮助传播 bioRxiv。
您的电子邮件 * 您的姓名 * 发送至 * 请将多个地址分行输入，或使用逗号分隔。
您将要发送以下内容的电子邮件 客户端—服务器接口实现高效的智能体驱动变异检测
邮件主题 （您的姓名）从 bioRxiv 转发了一页给您
邮件正文 （您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。
您的个人留言
验证码 此问题用于测试您是否为人类访问者，并防止自动垃圾信息提交。
分享
客户端—服务器接口实现高效的智能体驱动变异检测
Xian Yu， Zhenxian Zheng， LEI CHEN， Zilan QIn， Xinyi Guo， Minggao He， Ruibang Luo
bioRxiv 2026.06.25.734665； doi： https://doi.org/10.64898/2026.06.25.734665
分享本文： 复制
引文工具
客户端—服务器接口实现高效的智能体驱动变异检测
Xian Yu， Zhenxian Zheng， LEI CHEN， Zilan QIn， Xinyi Guo， Minggao He， Ruibang Luo
bioRxiv 2026.06.25.734665； doi： https://doi.org/10.64898/2026.06.25.734665
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.25.734665v1?rss=1
🏷️ 变异检测 长读长测序 大语言模型智能体 客户端-服务器架构 Clair3