知识卡片：生物学在环：CRISPR 筛选中的摊销自适应命中发现

英文标题： Biology-in-the-loop: Amortized Adaptive Hit Discovery in CRISPR Screens

一句话结论

该 arXiv 预印本提出 AssayBench-Loop 大规模 CRISPR 自适应命中发现基准，并给出结合 AssayFormer 与 LLM 生物先验的 AssayLoop 顺序实验设计框架；摘要称其在时间留出筛选上以约 5% 候选库检测量实现 5.67 倍随机富集、回收 27.7% 命中，并优于若干基线。完整正文、统计细节与同行评审结论待核实。

事件概述或研究问题

许多生物发现任务需要在预算约束下顺序选择实验。CRISPR 筛选是典型场景：穷举测试扰动通常不可行，需要在多轮实验中优先选择候选扰动。材料指出，现有自适应命中发现基准在规模和多样性上仍有限。该研究的问题可概括为：能否利用历史 CRISPR 筛选学习“下一步测什么”的采集策略，并结合 LLM 提供的生物先验，提高自适应命中发现效率。

方法/产品要点

• AssayBench-Loop：大规模自适应命中发现基准，包含 1,389 个 CRISPR 筛选，覆盖五个表型类别；材料未列出五个类别的具体名称，待核实。
• AssayLoop：顺序实验设计框架，将 AssayFormer 与 LLM 衍生的生物先验结合，通过 adaptive handoff 进行衔接。
• AssayFormer：基于 transformer 的摊销式采集策略，跨历史筛选训练，并根据实验反馈自适应调整。
• 实验数据与先验结合：已完成实验被视为训练数据，用于学习累积证据如何指导下一轮测试；LLM 提供广泛生物知识以初始化或引导搜索。
• AssayLLM：通过任务特定后训练，将同一原则直接扩展到 LLM。

主要结果或产业意义

• 在时间留出筛选上，AssayLoop 相对随机选择达到 5.67 倍富集；在检测约 5% 候选库后回收 27.7% 命中。
• 摘要称其优于现有自适应设计方法、独立 LLM，以及单独使用 AssayFormer。
• 性能随历史训练数据增加而提升，并可迁移到训练中排除的表型类别。
• 产业意义（推断，待核实）：若结果可复现，这类方法可能降低 CRISPR 筛选所需实验轮次或成本，提升预算约束下的 hit discovery 效率。但是否经过真实湿实验闭环验证、计算与实验成本收益如何，材料不足以确认。

为什么重要

该工作把“命中发现”从一次性预测推进到实验在环的顺序决策：历史实验不只用于验证，而是成为学习采集策略的训练资源；LLM 则提供广谱生物先验，弥补小规模实验反馈的冷启动问题。与已有相关卡片相比，本条不重复 CausalArena 的因果发现基准评测、VLA 忠实性讨论或图稀疏采样规划，而是补充生物实验闭环中的自适应实验设计脉络；增量信息在于 AssayBench-Loop 的规模、AssayFormer 的摊销采集策略，以及 LLM 先验与学习策略的 adaptive handoff。

局限与不确定性

• 本卡片仅依据 arXiv 摘要与元数据整理，未获取完整正文；实验细节、统计显著性、基线设置、数据泄漏控制、评估指标定义均待核实。
• AssayBench-Loop 的构建方式、质控标准、五个表型类别、候选库与“命中”定义待核实。
• adaptive handoff、AssayLLM 后训练细节、模型规模与计算成本待核实。
• 5.67 倍富集和 27.7% 命中回收的置信区间、重复次数、数据划分方式待核实。
• 摘要提到时间留出与跨表型迁移，但真实实验噪声、批次效应、成本异构等约束下的表现待核实。
• 代码、数据是否开放，是否已通过同行评审，待核实。

可用于图书/PPT/简报的角度

• 从“预测命中”到“决定下一步测什么”：实验在环的主动学习与顺序决策。
• 历史实验作为训练数据：摊销式采集策略如何跨筛选迁移。
• LLM 先验 + 学习策略：adaptive handoff 的混合范式。
• 基准规模化：1,389 个 CRISPR 筛选、五类表型。
• 预算受限生物发现的 KPI：约 5% 检测量下的富集倍数与命中回收率。
• 与因果发现、长时域规划、具身推理等基础模型评估脉络对照。

原始材料

• 英文标题： Biology-in-the-loop: Amortized Adaptive Hit Discovery in CRISPR Screens
• 英文关键词： CRISPR screens; adaptive hit discovery; sequential experimental design; amortized acquisition policy; AssayBench-Loop; AssayLoop; AssayFormer; AssayLLM; large language models; biology-in-the-loop. 来源材料未单独列出作者原始关键词，以上为据标题、摘要和分类整理，待核实。
• arXiv ID： 2609.11877v1
• 作者： Carl Edwards, Edward De Brouwer, Xiner Li, Namkyeong Lee, Ehsan Hajiramezanali, Anne Biton, Sara Mostafavi, Gabriele Scalia
• 发布/更新： 2026-09-10T17:45:18Z
• 主分类/分类： q-bio.QM；q-bio.QM, cs.AI, cs.CL, q-bio.GN
• 摘要 URL： https://arxiv.org/abs/2609.11877v1
• PDF URL： https://arxiv.org/pdf/2609.11877v1
• 说明： 本卡片仅依据上述来源的标题、摘要与元数据生成；无法从材料确认的内容已标注“待核实”。