論文の概要: SpaCellAgent: A Self-Evolving LLM-Based Multi-Agent Framework for Trajectory Analysis
- arxiv url: http://arxiv.org/abs/2607.07467v1
- Date: Wed, 08 Jul 2026 14:31:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.406657
- Title: SpaCellAgent: A Self-Evolving LLM-Based Multi-Agent Framework for Trajectory Analysis
- Title（参考訳）: SpaCellAgent: 軌道解析のための自己進化型LCMベースのマルチエージェントフレームワーク
- Abstract要約: SpaCellAgentは、トランスクリプトミクス分析のためのエンドツーエンドパラダイムを自動化する自動言語モデルである。
SpaCellAgentは、専門家によるパフォーマンスを維持しながら、分析効率を40%以上改善している。
- 参考スコア（独自算出の注目度）: 40.95932731774983
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatial and Single-cell transcriptomics are transformative in deciphering cellular dynamics. As the fundamental paradigm for reconstructing cell developmental paths, trajectory inference (TI) is critical. However, existing methods require extensive manual intervention and proficiency in heterogeneous tools, posing a significant barrier to efficient TI analysis. To bridge this gap, we propose SpaCellAgent, an autonomous large language model (LLM) multi-agent framework that automates end-to-end spatiotemporal analysis and narrative generation. SpaCellAgent utilizes a multi-agent architecture for strategic workflow planning, a dynamic tool-orchestration engine for adaptive algorithm selection, and a self-evolution module that iteratively refines performance through feedback. We evaluate SpaCellAgent on six heterogeneous datasets encompassing complex temporal developmental trajectories, diverse sequencing platforms, and spatially-resolved tissue architectures. SpaCellAgent consistently demonstrates over 40\% improvement in analytical efficiency while maintaining expert-aligned performance. By converting natural language specifications into optimized analytical workflows and fully automating the pipeline, SpaCellAgent democratizes advanced spatiotemporal modeling and establishes a scalable, agent-driven paradigm for computational biology. The code and materials are available at https://github.com/LittleXH-shw/SpaCellAgent.
- Abstract（参考訳）: 空間的および単細胞転写学は、細胞動態の解読において変換される。
細胞発達経路を再構築するための基本パラダイムとして、軌道推論(TI)が重要である。
しかし、既存の手法では、異種ツールの広範囲な手作業による介入と習熟が必要であり、効率的なTI分析において重要な障壁となる。
このギャップを埋めるために、我々は、エンドツーエンドの時空間分析と物語生成を自動化する、LLM(Autonomous large language model)マルチエージェントフレームワークであるSpaCellAgentを提案する。
SpaCellAgentは、戦略的ワークフロー計画のためのマルチエージェントアーキテクチャ、適応アルゴリズム選択のための動的ツールオーケストレーションエンジン、フィードバックを通じてパフォーマンスを反復的に改善する自己進化モジュールを利用している。
SpaCellAgentは、複雑な時間的発達軌跡、多様なシークエンシングプラットフォーム、空間分解組織構造を含む6つの異種データセットで評価した。
SpaCellAgentは、専門家によるパフォーマンスを維持しながら、分析効率を40%以上改善している。
SpaCellAgentは、自然言語仕様を最適化された分析ワークフローに変換し、パイプラインを完全に自動化することによって、高度な時空間モデリングを民主化し、計算生物学のためのスケーラブルでエージェント駆動のパラダイムを確立する。
コードと資料はhttps://github.com/LittleXH-shw/SpaCellAgent.comで入手できる。
関連論文リスト
- Memory-Augmented LLM-based Multi-Agent System for Automated Feature Generation on Tabular Data [52.80567461420316]
メモリ拡張LPMに基づくマルチエージェントシステム(textbfMALMAS)を提案する。
MALMASは生成プロセスを独立した責任を持つエージェントに分解し、ルータエージェントはイテレーション毎にエージェントの適切なサブセットを起動する。
さらに、手続きメモリ、フィードバックメモリ、概念記憶を含むメモリモジュールを統合し、その後の特徴生成を適応的に導く反復的改善を可能にする。
論文 参考訳（メタデータ） (2026-04-22T07:09:30Z) - ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
6Gネットワークは複雑な層間最適化に依存している。
数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。
我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
論文 参考訳（メタデータ） (2026-01-27T13:43:59Z) - Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。
ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。
我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
論文 参考訳（メタデータ） (2025-10-11T18:11:09Z) - CollaPipe: Adaptive Segment-Optimized Pipeline Parallelism for Collaborative LLM Training in Heterogeneous Edge Networks [57.95170323315603]
CollaPipeは、コラボレーティブパイプライン並列性とフェデレーションアグリゲーションを統合し、自己進化型ネットワークをサポートする分散学習フレームワークである。
CollaPipeでは、エンコーダ部分は可変サイズのセグメントに適応的に分割され、パイプライン並列トレーニングのためにモバイルデバイスにデプロイされ、デコーダは生成タスクを処理するためにエッジサーバにデプロイされる。
トレーニング効率を向上させるために,モデルセグメント,マイクロバッチ,帯域幅,送信電力を適応的に割り当てる共同最適化問題を定式化する。
論文 参考訳（メタデータ） (2025-09-24T07:54:01Z) - HiVA: Self-organized Hierarchical Variable Agent via Goal-driven Semantic-Topological Evolution [13.440964262446558]
HiVA(Hierarchical Variable Agent)は、セマンティック・トポロジカル・エボリューション(STEV)アルゴリズムを用いて、自己組織化グラフとしてエージェントをモデル化する新しいフレームワークである。
対話、コーディング、Longcontext Q&A、数学、エージェントベンチマークの実験では、タスク精度が5～10%向上し、リソース効率が向上した。
論文 参考訳（メタデータ） (2025-08-29T18:51:18Z) - ToolACE-MT: Non-Autoregressive Generation for Agentic Multi-Turn Interaction [84.90394416593624]
大規模言語モデル(LLM)によるエージェント的タスク解決には,多ターン・マルチステップインタラクションが必要である。
既存のシミュレーションベースのデータ生成手法は、複数のエージェント間のコストのかかる自己回帰的相互作用に大きく依存している。
本稿では,高品質なマルチターンエージェント対話を構築するための非自己回帰反復生成フレームワークであるToolACE-MTを提案する。
論文 参考訳（メタデータ） (2025-08-18T07:38:23Z) - CellForge: Agentic Design of Virtual Cell Models [24.938939602572702]
本稿では,提示された生物データセットを仮想セルの最適化された計算モデルに変換するエージェントシステムであるCellForgeを紹介する。
このフレームワークは、タスク分析、メソッド設計、実験実行の3つのコアモジュールを統合している。
単一セル摂動予測におけるCellForgeの機能を示す。
論文 参考訳（メタデータ） (2025-08-04T10:43:31Z) - Agentomics-ML: Autonomous Machine Learning Experimentation Agent for Genomic and Transcriptomic Data [33.7054351451505]
本稿では,完全自律型エージェントベースシステムであるAgenomics-MLを紹介した。
本稿では,Agenomics-MLが既存のエージェントベースの手法よりも,一般化と成功率の両面で優れていることを示す。
論文 参考訳（メタデータ） (2025-06-05T19:44:38Z) - CellAgent: An LLM-driven Multi-Agent Framework for Automated Single-cell Data Analysis [35.61361183175167]
単細胞RNAシークエンシング (scRNA-seq) データ解析は生物学的研究に不可欠である。
しかし、望ましい結果を得るために様々なツールを手動で操作することは、研究者にとって労働集約的である。
本稿では,ScRNA-seqデータ解析タスクの自動処理と実行のためのLLM駆動型マルチエージェントフレームワークであるCellAgentを紹介する。
論文 参考訳（メタデータ） (2024-07-13T09:14:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。