《Frontiers in Bioinformatics》：BIOGEN: evidence-grounded multi-agent reasoning framework for transcriptomic interpretation in antimicrobial resistance
编辑推荐：
引言(Introduction)：RNA测序(RNA-seq, RNA Sequencing)所得基因簇的生物学功能解读在功能基因组学中仍具挑战，尤其在抗菌耐药(Antimicrobial Resistance, AMR)研究中需机制背景支撑下游假设生成。方法
引言(Introduction)：RNA测序(RNA-seq, RNA Sequencing)所得基因簇的生物学功能解读在功能基因组学中仍具挑战，尤其在抗菌耐药(Antimicrobial Resistance, AMR)研究中需机制背景支撑下游假设生成。方法(Methods)：研究人员提出BIOGEN——一种证据锚定型(evidence-grounded)多智能体(multi-agent)框架，用于RNA-seq转录模块(transcriptional module)的事后(post hoc)解读，整合了生物医学文献检索(biomedical retrieval, 从PubMed和UniProt)、结构化解读(structured interpretation)及多评审验证(multi-critic verification)，将知识组织为具可追溯性的簇级解释并附显式证据报告与置信度分层(confidence tiering)。结果(Results)：在主要鼠伤寒沙门氏菌(Salmonella enterica)数据集上，BIOGEN具强证据锚定性与生物学连贯性，BERTScore达0.689，语义对齐得分(Semantic Alignment Score)为0.715，KEGG功能相似度(KEGG Functional Similarity)为0.342，不可验证标识符率(non-verifiable identifier rate)为0.000，而仅用大语言模型(Large Language Model, LLM)基线为0.100；跨四个额外细菌RNA-seq数据集，BIOGEN在基于标识符准则下保持零未锚定输出；与代表性开源智能体AI基线相比，BIOGEN是唯一在全部五个数据集上持续产生零不可验证标识符输出的框架。讨论(Discussion)：结果表明仅有检索接入不足以确保可靠生物学解读，证据锚定型编排对于透明、具源可追溯性的转录组推理在分布偏移(distribution shift)下至关重要。
BIOGEN论文解读
一、研究背景与立项依据
RNA-seq基因簇（转录模块）的生物学功能解读是转录组学的核心难点。常规流程依赖基因本体(Gene Ontology, GO)过表征分析(Over-representation Analysis, ORA)或基因集富集分析(Gene Set Enrichment Analysis, GSEA)，但当信号弱、弥散或注释资源覆盖不足时往往提供有限洞察，最终仍需人工文献查阅与专家筛选，限制了可扩展性与可重现性。大语言模型(LLM)虽具文本综合潜力，但无外部锚定易出现幻觉(hallucination)、捏造参考文献及缺失可溯源出处。检索增强生成(Retrieval-Augmented Generation, RAG)部分缓解此问题，但缺乏面向转录簇解读的角色专业化证据校验机制。尤其在抗菌耐药(AMR)研究中，鼠伤寒沙门氏菌(Salmonella enterica)等食源性病原菌的转录重编程涉及毒力、耐药及代谢适应，亟需将共表达基因簇系统关联至可验证文献证据。为此，研究人员提出BIOGEN框架，将RNA-seq簇解读形式化为受证据约束的验证感知推理过程。
二、主要关键技术方法
研究人员采用的主要队列包括：主队列为欧洲核苷酸档案(European Nucleotide Archive, ENA)登录号PRJEB67574的58例Salmonella enterica分离株RNA-seq数据；外部验证队列为GEO数据库GSE251671（铜绿假单胞菌Pseudomonas aeruginosa UCBPP-PA14，抗生素扰动）、GSE144604（大肠杆菌Escherichia coli MG1655，抗生素与杀菌剂组合胁迫）、GSE224463（E. coli K-12，多条件胁迫时序）、GSE55197（P. aeruginosa PA14，生物膜及环境生长）。上游对转置表达矩阵做K-means基因水平聚类(k=10)，按簇内方差选代表性基因。BIOGEN核心含三角色智能体：检索智能体(Retriever Agent)向PubMed和UniProt查询获证据集；解读智能体(Interpreter Agent)用本地开源Mistral-7B-Instruct-v0.2（4-bit NF4量化）将证据合成为含功能主题、推定通路、关键基因与证据、参考文献及局限性的结构化簇级文本；评审智能体(Critic Agents)含证据严格评审(Evidence-Strict Critic，基于标识符匹配)、语义评审(Semantic Critic，句向量余弦相似度)与对抗评审(Adversarial Critic，反事实探测)，各出连续分与二元可靠性标志，均值聚合为共识置信分，按全运行共识分分布的33与66百分位划为Suggestive、Moderate confidence、High confidence三级证据层(evidence tier)。评估指标含BERTScore、语义对齐得分(Semantic Alignment Score, SAS)、KEGG功能相似度及基于标识符的不可验证率(非可验证PMID/DOI/UniProt登录号占比)。对照含LLM-only、LLM+Retrieval、SimpleRAG及LangChain ReAct、CrewAI、AutoGen、Smolagents等开源智能体框架。
三、研究结果
3.1 Grounding and reliability on the primary dataset（主数据集上的证据锚定与可靠性）
通过系统消融表明，仅LLM基线不可验证标识符率为0.100；加入检索后降至0.000；再加评审ensemble仍维持0.000且提升表述连贯性。与SimpleRAG及LLM+Retrieval对照相比，完整BIOGEN在保持零不可验证输出的同时获最高KEGG功能相似度(0.342)且与SimpleRAG持平最佳SAS(0.715)。移除单个评审模块不影响零幻觉率但改变BERTScore/SAS，表明评审起分级可靠性过滤而非单纯二元筛除作用。定性对比显示BIOGEN给出显式PMID/UniProt编号、证据层及局限性，无约束LLM仅产出无溯源 plausibly 文本。
3.2 Design sensitivity analyses（设计敏感性分析）
仅变更检索源(PubMed单独/UniProt单独/联合)无评审时生成文本不含标识符致不可验证率为1.000，说明检索提供语境但评审强制可追溯输出。证据层阈值换用p25/p75、p40/p60与默认p33/p66在主力集完全一致(κ=1.000)。证据特异性得分(Evidence Specificity Score, ESP)均值为0.003，99.7%记录ESP=0.000，说明检索多为菌体/通路层面语境，BIOGEN据此明示局限并给保守机理解释。
3.3 Complementarity with KEGG enrichment on the primary dataset（与主数据集KEGG富集互补性）
KEGG ORA仅Cluster 7（细菌分泌系统、双组分系统）与Cluster 8（膜转运、代谢通路）显著(FDR<0.05)，其余8簇无显著项；GO ORA全无显著。BIOGEN平均每簇识别7.4个生物学主题，平均Jaccard指数0.049，70个主题为富集法未获。二者分别捕获预定义通路成员关系与文献支持的调控/胁迫/宿主互作案索，互为补充。
3.4 Generalization beyond the primary dataset（主数据集外泛化能力）
跨五数据集BIOGEN不可验证标识符率恒为0.000。BERTScore介于0.550–0.715，SAS因证据池密度变异较大。证据层分布依各运行百分位得出（如主集7 High/0 Moderate/3 Suggestive；GSE144604为10/0/0），均为数据集内相对排序。与KEGG/ORA及GO/ORA比，BIOGEN主题数大幅高于富集法（外部集部分KEGG为零项），Jaccard低印证互补。
3.5 Biological case studies（生物学案例研究）
案例1：Cluster 7 KEGG阳性，BIOGEN识别SPI-1 III型分泌系统组份并引PMID锚定；案例2：Cluster 5 KEGG阴性（质粒编码基因为主），BIOGEN据检索给出质粒毒力/基因组变异解释并注局限；案例3：低证据Cluster 3得保守解释且明示"无具体通路/功能见诸所供文献"，打低分并报局限——展示稀疏证据下慎言机制主张。
3.6 Comparison with agentic AI frameworks（与智能体AI框架比较）
五数据集下BIOGEN唯一全零不可验证标识符输出，基线框架不可验证率0.1–1.0；通用基线BERTScore/SAS有时更高，说明语义相似度不足以衡量科学溯源性。BIOGEN核心优势为稳定标识符级溯源与结构化置信报告。
四、讨论与结论总结
讨论指出检索是消除不可验证输出的主因，评审ensemble提供可靠性过滤、证据层划级及不确定性明示。BIOGEN与富集分析互不冲突且拓宽弱注释簇机制语境。跨菌属与条件偏移下零未锚定输出稳定，但语义指标受文献密度影响；受限于PubMed/UniProt覆盖度，少见基因仅获广义语境（ESP≈0），未来拟纳入MSigDB等基因特征资源。证据层为数据集内相对秩而非绝对校准概率。框架比较凸显科研发表解读须评估溯源性与可审计性而不仅看文本相似度。限制含指标仅测标识符格式存在而非引文—主张(citation–claim)精确匹配正确性（计划人工审核）、部分外部集缺KEGG/GO注释致指标不全、计算开销略高于单通RAG、固定k=10为简化对照及未做实验验证假设。
结论(Conclusion)：
研究人员提出BIOGEN——一种证据锚定型多智能体框架，用于RNA-seq转录模块的事后生物学解读，将解读形式化为受外部生物医学证据引导及验证感知推理过程，强调源可追溯性、显式证据支持与可重现簇级信号解读。BIOGEN定位为补充而非替代标准转录组流程的解释支持层，常规富集分析找经典通路关联，BIOGEN填补其簇级机制语境空白。五细菌RNA-seq数据集共享流水线配置下，BIOGEN严格标识符准则恒零未锚定输出并在菌属与条件偏移下保持证据锚定解读；与开源智能体AI框架比BIOGEN唯一全数据集零不可验证标识符输出，说明仅有检索接入不足以产生科研发表有用解读，最终输出须可溯至显式支撑证据。证据表明证据锚定型智能体推理可在转录组解读中发挥效用，尤其信号弥散、注释不全及难规模化手动背景化场景。BIOGEN核心价值非替代统计方法，而在提供透明可重现框架将基因簇联结至文献支撑生物学语境。本文发表于《Frontiers in Bioinformatics》。
