AblateCell: 가상 세포 저장소용 재현 후 제거 에이전트

AblateCell: A Reproduce-then-Ablate Agent for Virtual Cell Repositories

인공지능 기반 가상 세포의 성능 향상을 설명하기 위해서는 체계적인 제거(ablation) 연구가 필수적이지만, 생물학적 저장소의 표준화 부족과 특정 분야의 데이터 및 형식에 대한 의존성으로 인해 이러한 연구가 드물게 수행됩니다. 최근 코딩 에이전트는 아이디어를 구현으로 변환할 수 있지만, 일반적으로 코드를 생성하는 데 그치며, 강력한 기준 성능을 재현하고 어떤 구성 요소가 실제로 중요한지 엄격하게 테스트할 수 있는 검증 기능이 부족합니다. 본 논문에서는 가상 세포 저장소에 대한 재현 후 제거 에이전트인 AblateCell을 소개합니다. AblateCell은 환경 자동 구성, 의존성 및 데이터 문제 해결, 공식 평가 재실행을 통해 보고된 기준 성능을 전체적으로 재현하고, 검증 가능한 결과물을 생성합니다. 이후, AblateCell은 격리된 저장소 변경 사항의 그래프를 생성하고, 성능 영향과 실행 비용 간의 균형을 고려하여 실험을 적응적으로 선택하는 폐쇄 루프 제거를 수행합니다. 세 개의 단일 세포 교란 예측 저장소(CPA, GEARS, BioLORD)에 대해 AblateCell은 88.9%의 전체 워크플로우 성공률(+ 인간 전문가 대비 29.9% 향상)과 93.3%의 정확도(+ 휴리스틱 대비 53.3% 향상)로 실제 중요한 구성 요소를 복구합니다. 이러한 결과는 생물학적 코드 기반에 대한 확장 가능하고 저장소 기반의 검증 및 설명 기능을 가능하게 합니다.

Systematic ablations are essential to attribute performance gains in AI Virtual Cells, yet they are rarely performed because biological repositories are under-standardized and tightly coupled to domain-specific data and formats. While recent coding agents can translate ideas into implementations, they typically stop at producing code and lack a verifier that can reproduce strong baselines and rigorously test which components truly matter. We introduce AblateCell, a reproduce-then-ablate agent for virtual cell repositories that closes this verification gap. AblateCell first reproduces reported baselines end-to-end by auto-configuring environments, resolving dependency and data issues, and rerunning official evaluations while emitting verifiable artifacts. It then conducts closed-loop ablation by generating a graph of isolated repository mutations and adaptively selecting experiments under a reward that trades off performance impact and execution cost. Evaluated on three single-cell perturbation prediction repositories (CPA, GEARS, BioLORD), AblateCell achieves 88.9% (+29.9% to human expert) end-to-end workflow success and 93.3% (+53.3% to heuristic) accuracy in recovering ground-truth critical components. These results enable scalable, repository-grounded verification and attribution directly on biological codebases.