MechPert: 메커니즘 기반 합의를 활용한 예측되지 않은 유전자 변형 예측을 위한 유도 편향

MechPert: Mechanistic Consensus as an Inductive Bias for Unseen Perturbation Prediction

예측되지 않은 유전자 변동에 대한 전사 반응을 예측하는 것은 유전자 조절을 이해하고 대규모 변동 실험의 우선순위를 결정하는 데 필수적입니다. 기존 방법은 정적이고 잠재적으로 불완전한 지식 그래프에 의존하거나, 기능적으로 유사한 유전자에 대해 언어 모델을 활용하여 과학 텍스트에서 나타나는 대칭적인 동시 발생 패턴에 의해 형성된 연관성을 검색합니다. 본 연구에서는 LLM 에이전트가 기능적 유사성에만 의존하는 것이 아니라, 방향성 조절 가설을 생성하도록 장려하는 경량 프레임워크인 MechPert를 소개합니다. 여러 에이전트가 독립적으로 후보 조절자를 제안하고, 각 제안에는 관련 신뢰도 점수가 할당됩니다. 이러한 제안은 오해석된 연관성을 제거하는 합의 메커니즘을 통해 집계되어, 이후 예측을 위한 가중 네트워크를 생성합니다. MechPert는 네 가지 인간 세포주를 대상으로 Perturb-seq 벤치마크에서 평가되었습니다. 데이터가 부족한 환경($N=50$ 개의 관찰된 변동)에서, MechPert는 유사성 기반 기준 모델보다 Pearson 상관 계수를 최대 10.5% 향상시켰습니다. 실험 설계 측면에서, MechPert가 선택한 주요 유전자는 잘 특성화된 세포주에서 기존의 네트워크 중심성 휴리스틱보다 최대 46% 더 우수한 성능을 보였습니다.

Predicting transcriptional responses to unseen genetic perturbations is essential for understanding gene regulation and prioritizing large-scale perturbation experiments. Existing approaches either rely on static, potentially incomplete knowledge graphs, or prompt language models for functionally similar genes, retrieving associations shaped by symmetric co-occurrence in scientific text rather than directed regulatory logic. We introduce MechPert, a lightweight framework that encourages LLM agents to generate directed regulatory hypotheses rather than relying solely on functional similarity. Multiple agents independently propose candidate regulators with associated confidence scores; these are aggregated through a consensus mechanism that filters spurious associations, producing weighted neighborhoods for downstream prediction. We evaluate MechPert on Perturb-seq benchmarks across four human cell lines. For perturbation prediction in low-data regimes ($N=50$ observed perturbations), MechPert improves Pearson correlation by up to 10.5\% over similarity-based baselines. For experimental design, MechPert-selected anchor genes outperform standard network centrality heuristics by up to 46\% in well-characterized cell lines.