Cree un flujo de trabajo de IA con múltiples agentes para modelado de redes biológicas, interacciones de proteínas, metabolismo y simulación de señalización celular

clase CellSignalingSimulationAgent: def run(self, df_signal: pd.DataFrame) -> AgentResult: pico_receptor = float(df_signal[“receptor_active”].max()) pico_quinasa = float(df_signal[“kinase_active”].max()) pico_tf = flotador(df_signal[“tf_active”].max()) t_receptor = float(df_signal.loc[df_signal[“receptor_active”].idxmax(), “tiempo”]) t_kinase = float(df_signal.loc[df_signal[“kinase_active”].idxmax(), “tiempo”]) t_tf = float(df_signal.loc[df_signal[“tf_active”].idxmax(), “tiempo”]) estado_final = df_signal.iloc[-1].to_dict() resumen = { “peak_receptor_activity”: round(peak_receptor, 4), “peak_kinase_activity”: round(peak_kinase, 4), “peak_tf_activity”: round(peak_tf, 4), “time_to_peak_receptor”: round(t_receptor, 4), “time_to_peak_kinase”: round(t_kinase, 4), “time_to_peak_tf”: round(t_tf, 4), “final_state”: {k: round(float(v), 4) for k, v in final_state.items()}, } return AgentResult(name=”CellSignalingSimulationAgent”, resumen=summary) clase PrincipalInvestigatorAgent: def __init__(self, cliente, modelo=OPENAI_MODEL): self.client = cliente self.model = modelo def synthesize(self, resultados: Lista[AgentResult]) -> str: payload = {r.name: r.summary for r in results} Prompt = f””” Usted es un investigador principal en biología de sistemas computacionales. Dados los resultados de cuatro agentes de IA especializados: 1. análisis de redes reguladoras de genes 2. predicción de interacción de proteínas 3. optimización de vías metabólicas 4. simulación de señalización celular Escriba un informe riguroso pero legible con estas secciones: – Resumen ejecutivo – Hallazgos clave por agente – Interpretación biológica entre sistemas – Hipótesis que valen la pena Pruebas en Wet Lab: limitaciones del modelo: próximas extensiones computacionales. Utilice un lenguaje científico conciso. No fabrique conjuntos de datos más allá de lo que se muestra. Cuando sea útil, conecte la regulación, la señalización, el metabolismo y las interacciones de proteínas en una única historia de biología de sistemas: {json.dumps(payload, indent=2)} “”” intente: resp = self.client.chat.completions.create( model=self.model, message).[
{“role”: “user”, “content”: prompt},
]temperatura = 0,4, ) devolver opciones respectivas[0].message.content excepto Excepción como e: devolver f”Falló la síntesis de OpenAI: {e}” genes, W = generate_gene_regulatory_network(n_genes=14, edge_prob=0.20) X_expr = simular_gene_expression(W, n_steps=80, noise=0.08) grn_agent = GeneRegulatoryNetworkAgent() grn_result = grn_agent.run(genes, W, X_expr) proteínas, prot_features, prot_families, prot_localization = generate_protein_features(n_proteins=40, feature_dim=10) ppi_rows = generate_ppi_dataset(proteins, prot_features, prot_families, prot_localization) ppi_agent = ProteinInteractionPredictionAgent() ppi_result = ppi_agent.run(ppi_rows) metabolitos, reacciones = generate_metabolic_network() met_agent = MetabolicOptimizationAgent() met_result, met_trace = met_agent.run(reacciones, presupuesto_de oxígeno=3.5, presupuesto_sustrato=4.2) df_signal = simular_célula_señalización(T=220, dt=0.05, ligand_level=1.2) sig_agent = CellSignalingSimulationAgent() sig_result = sig_agent.run(df_signal) all_results = [grn_result, ppi_result, met_result, sig_result]

para r en all_results: Pretty(r.name, json.dumps(r.summary, indent=2)) fig = plt.figure(figsize=(18, 14)) ax1 = plt.subplot(2, 2, 1) im = ax1.imshow(W, cmap=”coolwarm”, aspecto=”auto”) ax1.set_title(“Matriz de peso regulatorio genético”) ax1.set_xticks(range(len(genes))) ax1.set_yticks(range(len(genes))) ax1.set_xticklabels(genes, rotación=90) ax1.set_yticklabels(genes) plt.colorbar(im, ax=ax1, fracción=0.046, pad=0.04) ax2 = plt.subplot(2, 2, 2) para i en rango(min(6, X_expr.shape[1])): ax2.plot(X_expr[:, i]etiqueta = genes[i]) ax2.set_title(“Dinámica de expresión genética de muestra”) ax2.set_xlabel(“Paso de tiempo”) ax2.set_ylabel(“Expresión”) ax2.legend(loc=”arriba a la derecha”, fontsize=8) ax3 = plt.subplot(2, 2, 3) ax3.plot(df_signal[“time”]señal_df[“receptor_active”]etiqueta=”Receptor”) ax3.plot(df_signal[“time”]señal_df[“kinase_active”]etiqueta=”Kinase”) ax3.plot(df_signal[“time”]señal_df[“tf_active”]etiqueta=”Factor de transcripción”) ax3.plot(df_signal[“time”]señal_df[“phosphatase”]label=”Fosfatasa”) ax3.set_title(“Simulación de señalización celular”) ax3.set_xlabel(“Tiempo”) ax3.set_ylabel(“Actividad”) ax3.legend() ax4 = plt.subplot(2, 2, 4) ax4.plot(met_trace) ax4.set_title(“Seguimiento del objetivo de búsqueda metabólica”) ax4.set_xlabel(“Iteración”) ax4.set_ylabel(“Puntuación objetiva”) plt.tight_layout() plt.show() G_grn = nx.DiGraph() para g en genes: G_grn.add_node(g) para i en rango(len(genes)): para j en rango(len(genes)): si abs(W[i, j]) > 0.4: G_grn.add_edge(genes[i]genes[j]peso=W[i, j]) plt.figure(figsize=(10, 8)) pos = nx.spring_layout(G_grn, seed=42) edge_colors = [“green” if G_grn[u][v][“weight”] > 0 else “rojo” para u, v en G_grn.edges()]nx.draw_networkx(G_grn, pos, with_labels=True, node_size=900, font_size=9, flechas=True, edge_color=edge_colors) plt.title(“Gráfico de red reguladora de genes (verde=activación, rojo=represión)”) plt.axis(“off”) plt.show() top_ppi = ppi_result.summary[“top_predicted_interactions”][:12]

G_ppi = nx.Graph() para la fila en top_ppi: a, b, p = fila[“protein_a”]fila[“protein_b”]fila[“pred_prob”]
G_ppi.add_edge(a, b, peso=p) plt.figure(figsize=(10, 8)) pos = nx.spring_layout(G_ppi, seed=7) anchos = [2 + 4 * G_ppi[u][v][“weight”] para u, v en G_ppi.edges()]nx.draw_networkx(G_ppi, pos, with_labels=True, node_size=1000, font_size=9, width=widths) plt.title(“Subred de interacción de proteínas más prevista”) plt.axis(“off”) plt.show() grn_table = pd.DataFrame(grn_result.summary[“most_dynamic_genes”]) ppi_table = pd.DataFrame(ppi_result.summary[“top_predicted_interactions”]) met_table = pd.DataFrame(met_result.summary[“dominant_reactions”]) sig_table = pd.DataFrame([sig_result.summary]) Pretty(“Genes más dinámicos”, grn_table.to_string(index=False)) Pretty(“Principales PPI pronosticados”, ppi_table.to_string(index=False)) Pretty(“Reacciones metabólicas dominantes”, met_table.to_string(index=False)) pi_agent = PrincipalInvestigatorAgent(cliente=cliente, modelo=OPENAI_MODEL) final_report = pi_agent.synthesize(all_results) Pretty(“INFORME DE BIOLOGÍA DE SISTEMAS OPENAI”, final_report) artefacto = { “grn”: grn_result.summary, “ppi”: ppi_result.summary, “metabolic”: met_result.summary, “signaling”: sig_result.summary, “llm_report”: final_report, } con open(“bio_agents_tutorial_results.json”, “w”) as f: json.dump(artifact, f, indent=2) print(“\nResultados guardados en: bio_agents_tutorial_results.json”)