Dieser Vortrag präsentiert den konzeptionellen Fahrplan für „Geommancer“, ein agentisches KI-System zur wissenschaftlichen Modellierung, das darauf ausgerichtet ist, aus statischen biologischen Einzelzell- und raumbezogenen Daten dynamische, simulierbare mathematische Modelle zu generieren. Im Gegensatz zu rein textbasierten Large Language Models, die sich auf Text-Matching stützen, entwickelt dieses Framework dynamische Systeme wie Neural ODEs und stochastische Differentialgleichungen (SDEs), um zelluläre Trajektorien, Genregulationsnetzwerke und Pertubationen abzubilden. Es beleuchtet zentrale Bausteine – darunter das räumliche Foundation-Model „Heist“, „MoFlow 2.0“ für optimalen Transport und „Rutini“ für zeitversetzte Genregulationsnetzwerke – sowie deren Anwendung in der Krebsbiologie (PDAC) und zukünftige "Lab-in-the-Loop"-Architekturen.
Wichtigste Punkte & Zeitstempel
0:00 Zielsetzung von Geommancer: Vorstellung eines spezialisierten agentischen KI-Systems für die wissenschaftliche Modellierung, das über textbasierte LLM-Inferenz hinausgeht, um dynamische und simulierbare Modelle biologischer Systeme zu erstellen.
5:30 Inferenz von Dynamiken aus statischen Daten: Da hochdimensionale omische Daten (wie Einzelzell-RNA-Seq) meist nur statische Momentaufnahmen liefern, werden kontinuierliche zelluläre Trajektorien mittels Neural ODEs rekonstruiert.
10:30 Heist (Hierarchischer Graph-Transformer): Ein vortrainiertes Foundation-Model auf Basis von 22,3 Millionen Zellen (unter Nutzung von Murfish und Xenium), das die räumliche Mikroumgebung und Gen-Co-Expressionsnetzwerke über bidirektionales Message Passing verknüpft.
19:00 Extraktion von Datengeometrie: Nutzung von Daten-Diffusionsoperatoren und Markov-Zufallswandern zur Ermittlung mannigfaltigkeits-intrinsischer Entfernungen und zur Aufdeckung von Zellübergängen.
21:30 MoFlow 2.0: Erweiterung des Modells zu neuronalen stochastischen Differentialgleichungen (SDEs), die Drift-, Diffusions- und Proliferationsnetzwerke kombinieren, um dynamischen optimalen Transport sowie Zellteilung und -sterben abzubilden.
27:30 Rutini (Regulatory Temporal Interaction Network): Graph-ODE-Modelle im Genraum mit zielgerichteter zeitversetzter Aufmerksamkeit (Time-Lag Attention) und Hysterese, wobei Granger-Kausalität als Prior dient.
33:30 Anwendung auf Bauchspeicheldrüsenkrebs (PDAC): Validierung des Frameworks in Kooperation mit Yale zur Identifikation von Ursprungszellen in präkanzerösen Läsionen (CCK-Hormonsekretion, Jun-Gen-Regulation).
40:40 Exhaustive Pertubationen: Systematisches Durchtesten von Einzel- und Doppelgen-Pertubationen zur Vorhersage von Kaskadeneffekten bei der neuronalen Stammzell-Differenzierung.
41:00 Multi-Agenten-Orchestrierung: Architektur eines geschlossenen Agentensystems für den automatisierten "Lab-in-the-Loop"-Kreislauf, das Module für Dateningestion, Trajektorieninferenz, Dynamikmodellierung und experimentelles Design koordiniert.
Glossar
Agentische AI (Agentic AI): Autonome künstliche Intelligenzsysteme, die eigenständig Handlungen planen, Werkzeuge verwenden und Aufgaben in iterativen Schleifen ausführen.
Einzelzell-RNA-Sequenzierung (scRNA-Seq): Eine Hochdurchsatz-Technologie zur Messung der Genexpression (RNA-Mengen) in Tausenden einzelner Zellen gleichzeitig.
Räumliche Transkriptomik (Spatial Transcriptomics): Methoden (wie Murfish und Xenium), die die Genexpression von Zellen messen und gleichzeitig deren exakte räumliche Position im Gewebe konservieren.
Neural ODE (Neural Ordinary Differential Equation): Ein Machine-Learning-Ansatz, der neuronale Netze nutzt, um kontinuierliche Ableitungen und dynamische Prozesse über die Zeit zu modellieren.
Optimaler Transport (Optimal Transport): Ein mathematischer Rahmen zur optimalen Umverteilung von Massen (z. B. zellulären Verteilungen) von einem Zustand zum anderen bei minimalem Aufwand.
Graph Neural Network (GNN): Ein neuronales Netzwerk, das direkt auf Graphenstrukturen operiert, um Beziehungen und Interaktionen zwischen verbundenen Knoten (z. B. Genen oder Zellen) zu analysieren.
Neural SDE (Neural Stochastic Differential Equation): Eine Erweiterung von Neural ODEs, die stochastische (zufällige) Rauscheffekte und Diffusion einbezieht, um biologische Verzweigungen und Variabilität naturgetreu abzubilden.
Granger-Kausalität (Granger Causality): Ein statistischer Test, um zu prüfen, ob die Zeitreihe einer Variablen (z. B. Gen A) die zukünftigen Werte einer anderen Variablen (Gen B) vorhersagen kann.
PDAC (Pancreatic Ductal Adenocarcinoma): Ein bösartiger Tumor der exokrinen Bauchspeicheldrüse (Pankreaskarzinom).
Hysterese (Hysteresis): Die Abhängigkeit des aktuellen Zustands eines Systems von seiner vorherigen Belastung oder Historie (ein molekularer Gedächtniseffekt).
Archetypale Analysis: Ein statistisches Verfahren, das Datenpunkte als Kombination von Extremwerten (Archetypen) an den Rändern des Datenraums darstellt, um Heterogenität zu analysieren.