BioMaster: мультиагентная система для автоматизированного рабочего процесса биоинформатического анализа
BioMaster: Multi-agent system for automated bioinformatics analysis workflow
2026-07-07
SCID: 54.1/d29ga6nz
Discuss with AI
анализ RNA-seqавтоматизация биоинформатических рабочих процессовмультиагентная системагенерация с дополнением поискаанализ одноклеточных данных
Figures from the paper
Abstract (AI)
Актуальность: Стремительное увеличение объёма биологических данных значительно усложнило биоинформатические рабочие процессы, которые часто включают комплексные многоэтапные процедуры. Эти задачи требуют значительных ручных усилий со стороны биоинформатиков, что снижает эффективность и ограничивает масштабируемость. Последние достижения в области агентов на основе больших языковых моделей (LLM) открывают перспективные возможности для упрощения и автоматизации таких рабочих процессов. Однако существующие автоматизированные системы, эффективно справляющиеся с короткими и чётко определёнными задачами, часто испытывают трудности при работе с длительными многоэтапными процессами из-за таких проблем, как распространение ошибок, ограниченная адаптируемость к новым инструментам и неспособность LLM обобщать знания на узкоспециализированные биоинформатические задачи. Для эффективной автоматизации рабочих процессов необходимы надёжная координация задач, динамическое извлечение знаний и механизмы, обеспечивающие выявление и устранение ошибок до того, как они повлияют на последующие процессы. Результаты: Мы представляем BioMaster — мультиагентную платформу, предназначенную для автоматизации и оптимизации сложных биоинформатических рабочих процессов. BioMaster включает специализированных агентов с распределёнными по ролям обязанностями, обеспечивающими точную декомпозицию, выполнение и валидацию задач. Платформа использует генерацию с дополнением извлечёнными данными (Retrieval-Augmented Generation, RAG) для динамического получения предметно-ориентированных знаний, повышая адаптируемость к новым инструментам и узкоспециализированным видам анализа. BioMaster также обеспечивает расширенный контроль валидации входных и выходных данных для поддержания согласованности конвейера и применяет стратегию управления памятью, оптимизированную для обработки длительных рабочих процессов. Эксперименты с различными биоинформатическими задачами, включая RNA-seq, ChIP-seq, анализ отдельных клеток и обработку данных Hi-C, показали, что BioMaster значительно превосходит существующие методы по точности, эффективности и масштабируемости. Устраняя ключевые ограничения автоматизации рабочих процессов, BioMaster предлагает надёжное решение современных задач биоинформатики. Доступ: https://github.com/ai4nucleome/BioMaster. Контакт: yanlinzhang@hkust-gz.edu.cn
Key Findings
1
BioMaster применяет проверку входных и выходных данных и оптимизированное управление памятью для раннего выявления ошибок и надёжной обработки длинных многоэтапных конвейеров.
2
BioMaster — мультиагентная система, которая разлагает сложные биоинформатические процессы на специализированные задачи с распределением ролей, выполнением и проверкой.
3
Эксперименты с RNA-seq, ChIP-seq, одноклеточным анализом и обработкой Hi-C показали, что BioMaster превосходит существующие методы по точности, эффективности и масштабируемости.
4
Система использует генерацию с дополнением извлечёнными данными для динамического получения предметных знаний, улучшая адаптацию к новым инструментам и узкоспециализированным анализам.
5
Система направлена на устранение ключевых ограничений автоматизации рабочих процессов на основе LLM, включая распространение ошибок, ограниченную адаптивность и слабое обобщение на специализированные биоинформатические задачи.
Research Object
сложные рабочие процессы биоинформатического анализа
Research Subject
автоматизированное выполнение и координация рабочих процессов, включая декомпозицию задач, извлечение предметных знаний, валидацию, контроль ошибок и масштабируемость при длительных рабочих процессах
Publication Details
Publication Date
2026-07-07
Journal
Publisher
ISSN
Cited by
34
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai16
SciPy 1.0: фундаментальные алгоритмы для научных вычислений на языке Python2020
Программирование массивов с использованием NumPy2020
Инструментарий анализа генома: фреймворк MapReduce для анализа данных секвенирования ДНК нового поколения2010
phyloseq: пакет R для воспроизводимого интерактивного анализа и визуализации данных о составе микробиома2013
Обзор больших языковых моделей2026
Интегрированная карта генетической вариабельности по данным геномов 1 092 человек2012
Массивно-параллельное цифровое транскриптомное профилирование отдельных клеток2017
Структура популяции и собственный анализ2006
Интеллект, компилируемый через аффордансы: наблюдаемое сопоставление когнитивных импедансов для LLM-интегрированных систем без мета-доступа2020
Платформа Galaxy для доступного, воспроизводимого и совместного анализа биомедицинских данных: обновление 2018 года2018
Затерянные в середине: как языковые модели используют длинные контексты2024
Генеративные агенты: интерактивные симулякры человеческого поведения2023
Формирование хромосомных доменов посредством экструзии петель2016
Oxford Nanopore MinION: внедрение нанопорового секвенирования в геномное сообщество2016
iDEP: интегрированное веб-приложение для анализа дифференциальной экспрессии и сигнальных путей по данным RNA-Seq2018
Расширение возможностей больших языковых моделей с помощью химических инструментов2024