单细胞RNA测序（scRNA-seq）技术为生命科学研究带来了革命性突破，通过解析单个细胞的基因表达特征，为疾病机制解析、药物靶点发现和个性化治疗提供了全新视角。然而，面对海量基因数据，如何精准筛选出具有生物学意义的关键标记基因，成为制约技术临床转化的核心瓶颈。特别是在缺乏真实标注的无标签数据中，传统分析方法难以兼顾效率与准确性，导致关键基因识别存在显著偏差。
针对这一挑战，由国内科研机构与新加坡研究团队组成的联合团队，在《IEEE计算生物学与生物信息学汇刊》发表创新研究，提出基于强化学习的知识引导型基因筛选框架RIGPS。该框架通过模拟领域专家分析逻辑，构建了无需标签依赖的智能基因选择机制，为单细胞数据分析提供了全新解决方案。实验表明，该方法在24个跨物种、多组织的公开数据集中均表现出显著优势，其筛选的基因组合在聚类准确性、生物可解释性等核心指标上全面超越现有主流方法。
传统基因选择技术主要依赖降维算法、统计检验和启发式模型三类策略。降维方法虽能压缩数据维度，但易丢失关键生物学信号；统计方法对数据噪声敏感，常出现误筛或漏筛；嵌入式模型则受限于局部优化，难以实现全局最优解。更关键的是，这些方法在无标签场景下缺乏自适应能力，无法有效处理高维基因空间中的冗余信息。研究团队通过系统分析发现，现有方法在细胞类型分辨任务中的平均准确率不足65%，难以满足精准医学需求。
RIGPS框架的创新性体现在三大技术突破：首先构建知识集成初始化机制，通过整合Seurat、geneBasis等传统工具的筛选结果，形成先验知识边界，将搜索空间压缩80%以上；其次开发多智能体协同优化系统，为每个候选基因分配独立智能体，通过共享状态信息和迭代反馈实现全局最优解；最后设计专家行为模拟奖励函数，将生物可分辨性与基因简洁性量化为可计算指标，使模型在无标签条件下仍能准确评估基因组合的生物学价值。该框架通过自编码器压缩状态空间，使计算效率提升3倍，内存占用降低65%。
在跨物种数据验证中，RIGPS展现出卓越的泛化能力。针对人类胰腺数据集，其筛选的基因组合使聚类NMI指数达到0.82，较次优方法提升19%；在小鼠大脑数据中，Silhouette指数突破0.75，创下同类方法新高。特别在肿瘤异质性分析中，该方法识别的标记基因在差异表达分析中的AUC值达0.91，显著优于传统统计方法。值得注意的是，RIGPS仅需传统方法1/5的基因数量即可达到同等性能，有效降低了后续实验成本。
该框架的抗干扰能力同样突出。在模拟批次效应的数据测试中，其基因选择稳定性较现有方法提升40%，在存在30%技术噪声的极端条件下，仍能保持85%以上的关键基因识别准确率。收敛速度分析显示，RIGPS在200次迭代内即可达到稳定解，较遗传算法等启发式方法提速5倍以上。这种高效性源于其创新的奖励机制设计——通过动态平衡生物分辨力与基因简洁性，使模型在探索过程中自动规避局部最优陷阱。
研究团队进一步揭示了RIGPS的生物学解释优势。在Puram头颈癌数据集中，该方法识别的标记基因组合在热图分析中呈现出清晰的细胞亚群特征，其基因功能富集分析显示与肿瘤免疫微环境调控高度相关。细胞类型注释实验表明，经RIGPS预处理的数据集在F1-score指标上达到0.89，较原始数据提升27%，为单细胞数据标准化提供了新范式。
这项突破性成果标志着人工智能与生命科学深度融合的重要进展。通过构建可解释的强化学习模型，研究团队成功破解了无标签单细胞数据分析的难题，为肿瘤早筛、免疫治疗等精准医学应用奠定了技术基础。该框架的开源实现将推动scRNA-seq技术从基础研究向临床转化迈进，其轻量化设计更使其具备在常规计算平台上部署的潜力。
论文通讯作者指出，RIGPS的核心价值在于其知识引导机制与强化学习的有机结合。通过将领域知识转化为可计算的优化目标，模型在保持数据驱动优势的同时，获得了类似专家分析的逻辑推理能力。这种技术路径为复杂生物数据的智能解析提供了新思路，未来可扩展至空间转录组、多组学整合分析等前沿领域。
该研究获得国家自然科学基金、中科院战略性先导科技专项等项目资助。科学数据智能与创新实验室作为主要研发单位，长期致力于科学大数据与人工智能的交叉研究，其开发的多项技术已在气候预测、新材料发现等领域取得应用突破。此次发布的RIGPS框架再次验证了跨学科研究范式的创新潜力，为解决复杂科学问题提供了智能化解决方案。
