PrimeGen：基于大语言模型的多智能体系统加速引物设计——靶向测序领域的技术突破

一、研究团队与发表信息
本项研究由来自MGI Tech（中国深圳）、中国科学院大学、香港MGI研发中心αLab AI部门、BGI（华大基因）等机构的Yi Wang、Yuejie Hou、Lin Yang等20余位研究者共同完成，通讯作者为Meng Yang和Nattiya Hirankarn。研究成果于2025年6月9日在线发表于Nature Biomedical Engineering期刊（DOI: 10.1038/s41551-025-01455-z）。

二、学术背景与研究目标
靶向新一代测序（Targeted Next-Generation Sequencing, tNGS）通过多重PCR（Multiplex PCR）富集目标基因区域，在病原体检测、遗传病筛查和癌症突变分析等领域具有高灵敏度和成本效益优势。然而，传统引物设计工具难以应对高度多重化（highly multiplexed）的引物面板（primer panel）设计挑战，尤其是引物二聚体（primer dimer）形成和扩增均一性（amplification uniformity）问题。

研究团队提出PrimeGen——一个基于大语言模型（Large Language Model, LLM）的多智能体协同系统，旨在解决以下核心问题：
1. 自动化引物设计流程中的复杂任务分解与执行；
2. 通过LLM协调的智能体（agent）实现靶标检索、引物优化、实验协议生成和异常检测；
3. 提升高通量引物面板的性能（如覆盖度、二聚体抑制）。

三、研究流程与方法
1. 系统架构与智能体分工
PrimeGen以GPT-4o为核心控制器，协调四个专用智能体：
- 搜索智能体（Search Agent）：从OMIM、NCBI等数据库检索目标基因或病原体序列，支持5类应用场景（如全基因组测序tiling PCR、癌症相关基因分析）。
- 引物智能体（Primer Agent）：采用“候选滚雪球（candidate rollout）”策略，在40 bp滑动窗口内生成引物候选，通过损失函数（含二聚体率和BLAST评分）优化面板。创新性引入LLM作为优化器（LLM optimizer），在78重引物面板设计中性能优于传统遗传算法（GA）。
- 协议智能体（Protocol Agent）：基于检索增强生成（Retrieval-Augmented Generation, RAG）技术，将实验步骤转换为可执行的液体处理机器人脚本（Python API）。
- 实验智能体（Experiment Agent）：集成视觉语言模型（Vision Language Model, VLM），通过三摄像头系统实时检测实验异常（如移液器吸头损坏、磁珠混合不均）。

2. 关键实验验证
研究通过四类tNGS文库构建验证PrimeGen性能：
- SARS-CoV-2基因组测序：设计131重引物面板，覆盖度达98.7%（100拷贝/μL），优于传统ARTIC v5.3.2方案（91.2%）。
- 遗传病扩展携带者筛查（ECS）：针对35个严重遗传病基因设计955重面板，扩增均一性达87.17%（0.1×覆盖率），二聚体率仅1.77%。
- 结核分枝杆菌（MTB）耐药突变检测：两轮优化后，目标区域覆盖度达88.8%，特异性reads占比显著高于阴性对照（p<0.01）。
- 蛋白质工程质粒测序：针对4种酶（如荧光素酶Luc）设计面板，第二轮优化后靶标覆盖度提升至100%。

3. 技术创新点
- LLM驱动的面板优化：通过“面板历史向量（panel history vector）”记录迭代优化路径，LLM在78重面板任务中损失函数下降速度优于Adalead算法。
- 视觉异常检测系统：基于Qwen2-VL模型的双阶段微调（labware识别→异常检测），平均准确率达87%。
- 可调协议模块（APB）：28个代码块支持灵活组合，适配不同NGS建库流程。

四、研究结果与逻辑链条
1. 引物设计效率：PrimeGen在12重和78重面板优化中，LLM优化器分别于40轮和750轮后收敛，损失函数值低于传统方法（图2e）。
2. 实验性能验证：ECS面板中，ABCD1基因因同源序列导致映射靶标率（MTR）降至55.4%，但通过全面板重设计（whole-panel redesign）排除低效扩增区域后显著改善。
3. 自动化流程整合：协议智能体成功将17种NGS建库协议转换为机器人脚本，参数计算错误率低于开源模型Qwen-72B（图4e）。

五、结论与价值
PrimeGen首次实现了从靶标检索到实验执行的闭环自动化，其科学价值体现在：
1. 方法学创新：LLM与实验机器人的协同框架为生物医学自动化实验室（self-driving lab）提供了新范式。
2. 应用潜力：支持病原体监测、遗传病筛查等场景的高通量引物设计，单次可处理多达955重扩增子。
3. 可扩展性：APB模块和VLM系统可适配其他分子生物学流程（如CRISPR文库构建）。

六、研究亮点
- 多智能体协同：通过GPT-4o协调的智能体分工，解决了传统工具“单任务导向”的局限性。
- 动态优化能力：LLM根据实验反馈迭代调整引物面板，突破“amplicon whack-a-mole”问题。
- 开源共享：代码以GPLv3许可发布于GitHub（https://github.com/melobio/primegen），推动领域发展。

七、其他价值
研究团队披露使用GPT-4o辅助论文润色，体现了AI在科研写作中的辅助作用。此外，PrimeGen的微生物参考数据库（含5,495种细菌基因组）为后续研究提供了资源支持。