论文页面 - 迈向虚拟细胞中的自主机制推理

来源：https://huggingface.co/papers/2604.11661

摘要

大型语言模型通过多智能体框架得到增强，该框架利用结构化形式化方法和经过验证的数据集，生成并验证机制性解释，从而推动生物学研究。

大型语言模型（https://huggingface.co/papers?q=Large%20language%20models）（LLMs）近期作为加速科学发现的有前景方法而备受关注。然而，它们在生物学等开放式科学领域的应用仍受到限制，主要原因是缺乏事实依据充分且可操作的解释。为解决此问题，我们引入了一种针对虚拟细胞（https://huggingface.co/papers?q=virtual%20cells）的结构化解释形式化方法，将生物推理表示为机制性动作图（https://huggingface.co/papers?q=mechanistic%20action%20graphs），从而实现系统性的验证与证伪。在此基础上，我们提出了VCR-Agent，这是一个多智能体框架（https://huggingface.co/papers?q=multi-agent%20framework），将基于生物学知识的检索（https://huggingface.co/papers?q=biologically%20grounded%20knowledge%20retrieval）与基于验证器的过滤（https://huggingface.co/papers?q=verifier-based%20filtering）方法相结合，自主生成并验证机制性推理（https://huggingface.co/papers?q=mechanistic%20reasoning）。利用该框架，我们发布了VC-TRACES数据集（https://huggingface.co/papers?q=VC-TRACES%20dataset），该数据集包含从Tahoe-100M图谱（https://huggingface.co/papers?q=Tahoe-100M%20atlas）中提取的经过验证的机制性解释。实验表明，使用这些解释进行训练可提高事实准确性，并为下游基因表达预测（https://huggingface.co/papers?q=gene%20expression%20prediction）提供更有效的监督信号。这些结果强调了可靠机制性推理（https://huggingface.co/papers?q=mechanistic%20reasoning）对虚拟细胞（https://huggingface.co/papers?q=virtual%20cells）的重要性，这通过多智能体与严格验证的协同作用得以实现。

查看arXiv页面（https://arxiv.org/abs/2604.11661）查看PDF（https://arxiv.org/pdf/2604.11661）项目页面（https://valencelabs.substack.com/p/towards-reasoning-in-virtual-cells）GitHub4（https://github.com/valence-labs/VCR-Agent）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2604.11661）

在你的智能体中获取此论文：

hf papers read 2604\.11661

没有最新的CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

在模型README.md中引用 arxiv.org/abs/2604.11661 即可在此页面链接它。

引用此论文的数据集0

没有数据集链接此论文

在数据集README.md中引用 arxiv.org/abs/2604.11661 即可在此页面链接它。

引用此论文的Space0

没有Space链接此论文

在Space README.md中引用 arxiv.org/abs/2604.11661 即可在此页面链接它。

包含此论文的收藏集0

没有包含此论文的收藏集

将此论文添加到收藏集（https://huggingface.co/new-collection）即可在此页面链接它。