传统生物基因数据处理繁杂且成本高，生物基因数据分析师通常需要做重复而低效的数据处理与核查工作。因此，美国伊利诺伊大学香槟分校（简称“UIUC”）信息学院助理教授汪浩瀚带领团队设计了 GenoTEX 数据集以及 GenoAgent 数据处理 Agent 进行重复工作替代。在这篇文章中，我们将与汪老师一同探讨他的生物基因 Agent 的新纪元。Enjoy 《GenoTEX: A Benchmark for Evaluating LLM-Based Exploration of Gene Expression Data in Alignment with Bioinformaticians》
绿洲：请帮我们介绍一下您的教育背景以及研究方向？
汪教授：我从 2012 年本科学计算机专业毕业后，刚好看到吴恩达的机器学习课程，于是继续决定学习机器学习和人工智能。因此来到卡耐基梅隆大学跟着 Eric Xing 学习机器学习方向的博士，目前已在 UIUC 担任助理教授大概两年。研究方向主要是两大块，一块是计算生物（Computational Biology），利用 AI 理解生物世界的运行规律，另一块是可信机器学习（Trustworthy Machine Learning），目的是让 AI 能够真正落地，而不仅局限于 Agent 应用于某些数据集评测的效果。这两个 topic 看似不相关，其实联系非常紧密。计算生物通过 AI 理解到的世界只有确保这些 AI 能够真正落地才有意义，否则的话就只是在某个数据集上面收集到的一些肤浅的知识。
到现在我们发现大模型已经如此成熟了，我们思考能不能让大模型去扮演人的角色，去替代我过去比较熟悉的基因表达的工作，所以我们做了这个取代基因数据处理工作的 Agent，因此有了 GenoAgent。从这个任务开始也是因为这个任务相对比较简单，而且我们比较熟悉 AI 以及生物基因表达两块交叉内容，于是有了这个研究的开端。
绿洲：请帮我们解释一下 GenoTEX 以及 GenoAgent 的架构？
汪教授：我们希望 GenoTEX 模拟一个非常完整的数据分析过程数据集，上世纪 90 年代左右，大家刚刚开始用统计的方法分析基因表达数据，并应用在了乳腺癌领域，之后又根据这套方法设计了一套产品，每年的盈利可能在数百万美元。我们当时就在想，如果在乳腺癌上能成功，那是不是也能很好地应用在别的数据集上，并且可以用 Agent 来自动化整个数据处理过程。因此我们开始从多个实验室自己上传的基因数据中发现数据，并对有噪音的数据集进行了质量筛选，同时对不同组（Batch）的数据合并在一起造成的批次效应（Batch Effect）开始进行处理。我们当时做了 700 多组的数据处理，最后用 GenoTex 这个标准检查我们做的 Agent 是否靠谱。
针对 GenoAgent，当时我们设计了几个角色，一个是项目主管 Agent，它负责任务的识别与分发，还有代码 Agent，主要负责写代码来预处理数据，去除噪音并进行归一化，随后将数据传递给分析 Agent，利用不同统计的方法试图找到哪些数据是和疾病相关的。另外我们有专用领域知识专家 Agent，专门负责回答两个代码 Agent 的生物问题。最后我们设置了一个检查 Agent 核查结果，给代码 Agent 一些反馈进行修改。
绿洲：GenoAgent 的研究之后，您对 Agent 应用于不同学科有什么新的理解？
汪教授：首先 GenoAgent 给我们提供的是一套复杂信息、数据处理的框架，我们对于大模型能够赋予数据工程师，在非结构化数据上的处理能力有更深的认识。这不再仅仅是深度学习阶段能够提供给我们的简单数据处理与标注，而是能够实现与物理世界实时交互的更准确的方法过程，这是具有革命性的，也是我们在试图去解决除了基因表达以外更多领域问题的初衷。
未来我们希望把深度学习和大模型能力持续结合升级，用更广泛领域的数据计算损失函数（Loss Function），训练出 Agent 更好的性能。现在我们能看到的做药物发现的 Agent，同样是基于语言（Text-Based），甚至是在化学和材料领域，很多我身边的团队都在积极尝试推进，持续不断用更干净的数据激发出模型在这方面的预测能力。
如果非要说未来有什么大标志性事件能证明 AI for Science 时间点的到来，我认为大概是某一个成熟大规模制药公司利用大模型能力快速加快医药研发过程，或者某一天人类通过 Agent 发现癌症或艾滋病等大众熟悉疾病的治疗药物。到那个落地的阶段，我觉得才是大模型时代 AI for Science 的“AlphaGo”时刻，我们还有挺长的路要走。
绿洲：下一步您准备做些什么？
汪教授：下一步有两个方向需要去进行迭代，第一从 Agent 研究的角度，我们希望引入更强大的工具和方法，让 Agent 更好地解决任务，帮助整个 Agent 框架进行进步。另一方面，从生物角度，我们希望集成更多的统计方法去完成更复杂的任务，替代基因数据分析人员更多方面的工作。
我认为生物和医疗应该区别对待，很多时候生物研究的最终产出结果是新知识，比如哪个基因和哪个疾病更相关，最终服务的是其他生物学家；而医疗更多产出的是治疗方案，最终服务于病人。因此我们认为在生物和基因领域更有可能提供端到端的解决或分析方案，而医疗领域在一定阶段 Copilot 是更可能的。
绿洲：您觉得大模型的出现对过去深度学习时期的 AI for Science 有什么改变？
汪教授：我觉得大模型的出现在 AI for Science 领域是有产生突变效果的潜质的，但很多从业者还没意识到。大模型的出现在技术层面使得端到端的科学家变得可能，这种端到端的科学家需要能处理非常不友好或不干净的数据，最终让技术人员发现一些有趣的假设，完成生物学家验证的完整阶段，这是深度学习不可能给我们的可能性。当然我们也不只在研究大模型在生物信息领域的赋能，对于金融、化学和材料领域我们也在探索阶段。
绿洲：当 Agent 替代掉一大部分生物基因数据处理的重复工作之后，我们会突破其他哪些领域的研究？
汪教授：首先生物基因处理的基础工作对于实验室而言是很大一部分开支，每一个实验室都需要雇佣研究员，每年专门来重复性地做数据处理工作。他们的工资近 5-7 万美元/年，每个学校都有很多实验室需要进行这么多的数据处理工作，再加上全美的学校数量庞大，整体需要替代的动力是很大的。
我们下一步想突破的领域，其实取决于我们想要做多大，也取决于大模型能给我们多少基础能力提升。大模型真正的创造力还很有限，所谓的模型创新能力本质上还是非常模式化的，也许需要等到像当年深度学习领域一样，架构尝试得足够多了，且有足够的计算资源，我们会尝试更加深度的 AI for Science 甚至更直接的 Agent 替代人类分析的产品，为整个人类服务，到那时候就可能是化学、医学、材料、生物等众多领域的大变革
