清华等提出SpaCellAgent：自进化多智能体框架，单细胞轨迹分析提速41%
SpaCellAgent: A Self-Evolving LLM-Based Multi-Agent Framework for Trajectory Analysis
单细胞RNA测序与空间转录组学技术的普及，为人类解析细胞动态发育过程提供了前所未有的显微镜。在这其中，轨迹推断（Trajectory Inference, TI）作为将静态细胞“快照”重构为连续发育路径的核心方法，一直扮演着计算生物学中的关键角色。然而，面对高维度的生物学数据和日益复杂的组织架构，现有的轨迹分析管线正面临着严重的效率瓶颈：研究人员必须在众多异构的计算工具中手动摸索，反复进行启发式的参数调优，这不仅抬高了非计算背景科学家的使用门槛，也严重影响了数据分析的重现性与效率。
ArXiv URL：https://arxiv.org/abs/2607.07467v1
为了打破这一僵局，来自清华大学、北京航空航天大学等机构的研究团队提出了一种基于大语言模型（LLM）的自进化多智能体框架——SpaCellAgent。该框架不再满足于单纯的代码生成，而是构建了一个完整的端到端时空数据分析与生物学叙事生成系统。在涵盖复杂时空发育轨迹、不同测序平台的六个异构数据集评估中，SpaCellAgent 不仅在拓扑保真度上维持了与人类专家高度一致的分析水准，更将整体分析时间大幅缩减了 41.2%。
通过自主完成策略规划、算法编排、试错反思以及知识库进化，SpaCellAgent 展示了如何将自然语言直接转化为可靠的计算生物学洞察。这一工作的出现，标志着生物组学分析正在从“人力密集的工具组合”向“智能体驱动的自主演化”范式转移。
现有轨迹推断面临的僵局与大模型的机遇
理解细胞如何发育、分化以及在疾病中如何演变，是现代生命科学的核心命题。单细胞测序技术揭示了细胞群体内部的异质性，而近年来爆发的空间转录组学则进一步赋予了这些基因表达数据物理位置坐标。为了从这些复杂的数据矩阵中理出头绪，计算生物学界发展出了包括 Monocle、Slingshot、PAGA 和 Diffusion Pseudotime (DPT) 等一系列轨迹推断工具。这些工具分别基于最小生成树、主曲线拟合或扩散映射等不同的数学模型。
问题在于，生物学数据的拓扑结构千变万化，没有任何单一的算法能够统治所有场景。研究人员在处理不同维度和不同类型的数据时，往往需要具备跨平台的软件工程能力，手动挑选合适的算法并进行繁琐的参数调试。随着数据量的激增，这种依赖人工经验的静态分析流程已经成为阻碍生物医学新发现的瓶颈。
与此同时，大语言模型（如 GPT-4、DeepSeek-V3 等）在复杂推理和任务分解上展现出了惊人的潜力。在化学材料或通用软件工程领域，基于多智能体（Multi-agent）的协作框架已经能够自主完成很多实验设计。但生物信息学分析面对的是极度嘈杂、高维且高度专业化的组学数据，简单的文本生成或单步代码生成根本无法覆盖复杂的轨迹推断闭环。现有大模型框架普遍缺乏针对生物学数据特征的动态算法调度能力，也缺乏在长序列分析中进行自我纠错的机制。SpaCellAgent 正是为了填补这一空白而诞生的。
如上图所示，传统的分析工作流是一条需要大量人工干预的非标准化路径，而 SpaCellAgent 则通过大模型驱动的多智能体系统，直接将自然语言查询和原始空间数据转化为最终的生物学见解，彻底替代了原本繁杂的流水线。
SpaCellAgent 的核心机制：多角色协同与双层记忆进化
为了应对复杂的时空分析，SpaCellAgent 摒弃了传统的单线代码生成逻辑，在框架内部构建了一个由多个专业化大模型智能体组成的协作社会。整个系统按照功能划分为规划者（Planner）、执行者（Executor）、评估者（Evaluator）和报告者（Reporter），并在底层部署了一个创新的自我进化模块。
当用户输入一段自然语言的分析需求时，系统会启动以下闭环流程：
规划者（Planner）：将宏大目标拆解为执行骨架
规划者是整个系统的“大脑”。它不仅接收用户的自然语言指令，还会同步读取目标数据集的结构化元数据（包括基因表达计数、稀疏度模式以及空间模态特征）。基于这些信息，规划者会将复杂的谱系重构任务拆解为一系列可执行的节点序列。每个步骤都会被分配一个唯一 ID 和描述性标签，形成一个机器可读的 JSON 计划骨架。这种结构化分解确保了后续执行的连贯性，也为必要时的人工介入提供了清晰的切入点。
执行者（Executor）：动态工具检索与代码生成
拿到执行计划后，执行者智能体开始运作。它包含两个紧密耦合的组件：一个是动态工具编排引擎，负责从庞大的生物信息学工具库中检索出最适合当前数据拓扑特性的算法策略；另一个则是上下文感知代码生成器，负责输出具体的 Python 或 R 脚本。执行者不需要用户预先指定使用 Monocle 还是 PAGA，它能够根据数据的实际表现自主做出决策。
评估者与自我修正（Evaluator & Self-refinement）
这是保障分析可靠性的关键环节。代码生成后，评估者不仅会检查语法错误，更会深入进行生物学合理性验证。对于轨迹推断而言，评估者会专门诊断诸如“不合理的细胞分支”或“伪时间倒置”等生物学逻辑异常。一旦发现问题，评估者会合成具体的修正反馈，交回给执行者进行重写。这种自我完善机制避免了错误在分析管线中级联放大。
双层记忆驱动的自我进化（Self-evolution）
如果说多角色协同确保了单次任务的完成，那么“双层记忆架构”则赋予了 SpaCellAgent 持续成长的能力。
在单次任务中，局部记忆（Local memory）充当临时上下文缓冲区，记录代码草稿、执行轨迹和诊断评估，帮助智能体进行上下文感知的局部调试，防止陷入死循环。
而在任务与任务之间，全局记忆（Global memory）则作为持久化的知识库。它负责收集和固化那些经过验证的成功代码片段和正确的推理模式。当系统面对全新的数据集时，执行者可以从全局记忆中检索出历史相似案例的分析模板。这意味着 SpaCellAgent 能够实现跨任务的经验迁移，系统使用得越多，处理复杂谱系拓扑的能力就越强。
突破效率瓶颈：真实生物学场景的实战验证
为了检验该多智能体框架在真实世界中的表现，研究团队选用了 DeepSeek-V3 作为底层大模型，并在包含复杂发育时序、多样测序平台和空间解析组织架构的 6 个异构数据集上进行了全面评估。指标覆盖了细胞排序相关性、分支分配 F1 值以及全局网络拓扑保真度。
实验结果表明，SpaCellAgent 在自动处理这些复杂数据时，不仅在各项指标上超越了现有的通用基准，更重要的是，它大幅缩短了从原始数据到得出结论的时间周期——相较于传统的专家手动分析，整体效率提升高达 41.2%。
在上图所示的小鼠胚胎背侧中脑发育数据集测试中，SpaCellAgent 自主完成了数据预处理，并通过 UMAP 进行了聚类可视化。令人瞩目的是，智能体主动推断了潜在的发育路径，准确重构了从放射状胶质样（RGL）祖细胞向神经元和胶质细胞分化的分叉轨迹。它还自主识别出随着时间推进，标记物表达从 Sox2 阳性祖细胞向其他特定神经元标志物的转变。后续的通路富集分析进一步证实了其推断结果的生物学高度合理性，与现有经典文献的结论完全一致。
SpaCellAgent 并不只是在已知的公共数据集上表现出色，它在面对未知的私有数据时，同样展现出了提出新颖生物学假说的能力。研究团队将其部署在合作医院提供的脊髓损伤小鼠单细胞私有数据集上。该数据旨在对比高盐饮食与正常盐饮食在损伤后不同时间点对神经恢复的影响。
SpaCellAgent 自主运用伪时间分析解剖了其中的谱系动态（如上图实线拟合趋势所示）。系统整合了基于 RNA 速率的流线与细胞命运概率计算，敏锐地捕捉到了高盐组中出现的分化阻滞现象。它指出，高盐组的神经细胞发育轨迹出现了过早终止，其流线呈现碎片化，表明内源性髓鞘再生受到了严重阻碍。这一由 AI 智能体自主挖掘出的结论，为探究高盐饮食对创伤后神经修复的不利影响提供了极其直接的计算证据，充分证明了其实战应用价值。
为了进一步确认各个模块对系统整体性能的贡献，研究团队还进行了详细的消融实验。
运行效能分析（图7）直观地展示了 SpaCellAgent 的优势。剥离掉经验记忆库（全局记忆）的变体在处理复杂数据时，试错次数明显增加，分析成功率和时间消耗均受到显著影响。这说明，多智能体架构之所以能够超越简单的代码助手，关键在于其将历史成功经验固化为可复用知识的机制。正是凭借“知识增强的后备机制”，系统才能在面对充满噪声的空间转录组学数据时，保持极高的鲁棒性和分析稳定性。
总结与展望
SpaCellAgent 论文为计算生物学领域提供了一个极具启示性的范例。它证明了，大语言模型的能力边界已经可以从简单的文献总结或片段化代码编写，向前推进到深度接管高度复杂的时空组学分析管线。
通过将动态算法编排与多智能体协作、局部自反思及全局自进化相结合，SpaCellAgent 将繁琐的轨迹推断过程转化为自动化、标准化的流程。效率提升 40% 以上仅仅是直接的量化收益，其更深远的影响在于：它极大地降低了前沿空间建模技术的使用门槛，使得缺乏深厚计算背景的医学或生物学研究者也能轻松获取高质量的单细胞谱系洞察。
随着未来该框架进一步整合多模态空间组学数据以及更紧密的基因调控网络分析，这种自进化的 AI 智能体有望成为生命科学实验室中的标准基础设施，推动该领域向规模化、智能化的新纪元迈进。