通过多尺度人工智能群体自主计算优先识别结直肠癌脆弱性

自动化科学发现的加速，从根本上受制于大型语言模型（LLM）的语义推理与哺乳动物生物学复杂、非线性现实之间的认识论鸿沟。尽管近期多智能体框架已实现自主假设生成和体外实验分析，但它们往往缺乏多尺度临床转化所需的严格统计约束。此外，尽管算法化临床数字孪生能够成功预测生物状态，但其通常依赖不透明的潜在空间，以牺牲机制可解释性为代价换取预测准确性。在此，我们提出多尺度自主发现引擎（Octopus），这是一种神经符号框架，将一个完全本地化、保护隐私的多智能体群体与正则化的预测性算法环境相结合。该系统并不止步于孤立的细胞测定，而是能够针对体外CRISPR依赖性数据（CCLE）自主优先排序治疗假设，利用XGBoost SHAP向量追踪特征归因级联，并以正交方式将新出现的脆弱性从计算机模拟环境中转译出来，以预测体内哺乳动物肿瘤轨迹（PDX）和人类总生存期（Marisa）。在对结直肠癌转录组进行的完全无监督扫描中，该流程自主地将胰岛素样生长因子2（IGF2）优先识别为5-氟尿嘧啶耐药性的一个显著候选脆弱点。经过严格的Benjamini-Hochberg假发现率校正后，该发现仍保持显著性（q = 0.0292，Log-Rank p = 0.0007），并在一个独立小鼠队列中成功预测了显著的体内肿瘤体积缩小（混合效应线性混合模型，p = 0.0373）。通过将智能体式假设生成与具有统计边界约束的临床生存分析相衔接，该框架为生物医学发现的自动化计算优先级排序建立了一种可验证、可本地部署的范式。

自动化科学发现的加速从根本上受制于大型语言模型（LLMs）的语义推理与哺乳动物生物学复杂、非线性现实之间的认知鸿沟。尽管近期的多智能体框架已经实现了自主假设生成和

作者声明不存在竞争性利益。

感谢您有意帮助传播 bioRxiv。

注意：请求提供您的电子邮箱地址仅用于将您识别为该文章的发送者。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.05.736565v1?rss=1

🏷️ 结直肠癌 多智能体人工智能 CRISPR依赖性筛选 5-氟尿嘧啶耐药 IGF2 临床生存分析