BioMaster: мультиагентная система для автоматизированного рабочего процесса биоинформатического анализа

BioMaster: Multi-agent system for automated bioinformatics analysis workflow
Yanlin Zhang, Xu Yang, Houcheng Su, Junning Feng, Yawen Lu, Yucheng Xu, Jinming Yang, Haojie Lu, Jixin Yang, Sirui Xie, Weicai Long, Chengrui Wang, Yusen Hou, Tingyu Zhu
2026-07-07

анализ RNA-seqавтоматизация биоинформатических рабочих процессовмультиагентная системагенерация с дополнением поискаанализ одноклеточных данных
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
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.

сложные рабочие процессы биоинформатического анализа

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
Access Type
Author Information
Authors
Yanlin Zhang
Xu Yang
Houcheng Su
Junning Feng
Yawen Lu
Yucheng Xu
Jinming Yang
Haojie Lu
Jixin Yang
Sirui Xie
Weicai Long
Chengrui Wang
Yusen Hou
Tingyu Zhu
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%