Revisiting Gene Ontology Knowledge Discovery with Hierarchical Feature Selection and Virtual Study Group of AI Agents

📄 arXiv: 2603.20132v1 📥 PDF

作者: Cen Wan, Alex A. Freitas

分类: cs.LG

发布日期: 2026-03-20

💡 一句话要点

提出基于Agentic AI的虚拟研究小组，用于基因本体知识发现，并结合分层特征选择。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: Agentic AI 基因本体 知识发现 分层特征选择 衰老生物学

📋 核心要点

  1. 大型语言模型在多项任务中取得成功，但传统科学发现流程仍有局限性。
  2. 提出基于Agentic AI的虚拟研究小组，利用分层特征选择提取衰老相关基因本体知识。
  3. 实验验证了该框架在不同模式生物上的有效性，并证实AI Agent生成的主张与现有文献一致。

📝 摘要（中文）

本文提出了一种基于Agentic AI的、面向知识发现的虚拟研究小组，旨在提取有意义的、与衰老相关的生物学知识。该方法考虑了通过分层特征选择方法选出的高度与衰老相关的基因本体（Gene Ontology, GO）术语。通过研究四种不同模式生物的衰老相关GO术语，评估了所提出的Agentic AI框架的性能，并通过回顾现有研究文章验证了生物学发现。研究发现，AI Agent生成的大部分科学主张都能得到现有文献的支持，并且虚拟研究小组的内部机制在所设计的基于Agentic AI的知识发现框架中也发挥着重要作用。

🔬 方法详解

问题定义：现有方法在利用基因本体（GO）进行知识发现时，可能难以有效处理高维数据和复杂的生物学关系，导致提取的知识不够精确或具有误导性。此外，传统方法可能缺乏自动化和智能化的能力，需要大量的人工干预和领域知识。

核心思路：本文的核心思路是利用Agentic AI技术，构建一个虚拟研究小组，模拟人类科学家的研究过程。该小组通过分层特征选择方法，筛选出与衰老高度相关的GO术语，并利用AI Agent进行知识提取和验证。这种方法旨在提高知识发现的效率和准确性，并减少人工干预。

技术框架：该框架包含以下主要模块：1) 数据预处理：收集和整理不同模式生物的基因本体数据。2) 分层特征选择：利用分层特征选择方法，筛选出与衰老高度相关的GO术语。3) Agentic AI虚拟研究小组：构建一个由多个AI Agent组成的虚拟研究小组，每个Agent负责不同的任务，如知识提取、验证和整合。4) 知识验证：通过回顾现有研究文章，验证AI Agent生成的科学主张。

关键创新：该方法的主要创新点在于将Agentic AI技术应用于基因本体知识发现，并结合分层特征选择方法，提高了知识提取的效率和准确性。此外，虚拟研究小组的内部机制，如Agent之间的协作和知识共享，也对知识发现过程起到了重要作用。

关键设计：分层特征选择方法的具体实现细节（例如，使用的特征选择算法、层次结构的设计等）以及Agentic AI虚拟研究小组中Agent的具体角色和交互方式（例如，Agent之间的通信协议、知识共享机制等）是关键设计。此外，用于验证AI Agent生成的主张的文献回顾方法也需要精心设计，以确保验证的可靠性和有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法能够有效地提取与衰老相关的基因本体知识，并且AI Agent生成的大部分科学主张都能得到现有文献的支持。这表明该方法具有较高的准确性和可靠性。虽然论文中没有给出具体的性能数据和对比基线，但强调了虚拟研究小组内部机制的重要性。

🎯 应用场景

该研究成果可应用于衰老生物学、药物研发等领域。通过自动化的知识发现，可以加速对衰老机制的理解，并为开发延缓衰老、治疗衰老相关疾病的药物提供新的思路。此外，该方法还可以推广到其他生物学领域，用于发现新的基因功能和生物学通路。

📄 摘要（原文）

Large language models have achieved great success in multiple challenging tasks, and their capacity can be further boosted by the emerging agentic AI techniques. This new computing paradigm has already started revolutionising the traditional scientific discovery pipelines. In this work, we propose a novel agentic AI-based knowledge discovery-oriented virtual study group that aims to extract meaningful ageing-related biological knowledge considering highly ageing-related Gene Ontology terms that are selected by hierarchical feature selection methods. We investigate the performance of the proposed agentic AI framework by considering four different model organisms' ageing-related Gene Ontology terms and validate the biological findings by reviewing existing research articles. It is found that the majority of the AI agent-generated scientific claims can be supported by existing literatures and the proposed internal mechanisms of the virtual study group also play an important role in the designed agentic AI-based knowledge discovery framework.