Giving Simulated Cells a Voice: Evolving Prompt-to-Intervention Models for Cellular Control

引导生物系统达到预期状态（例如形态发生结果）仍然是一个具有深远医学和合成生物学意义的基本挑战。尽管大型语言模型（LLMs）已经实现了自然语言作为人工智能系统中可解释控制的接口，但它们作为引导生物或细胞动态的中介的应用仍 largely 未被探索。 在本研究中，我们提出了一种功能管道，能够将自然语言提示转化为能够指导模拟细胞群体的空间向量场。我们的方法结合了大型语言模型与可进化的神经控制器（Prompt-to-Intervention，简称 P2I），通过进化策略优化，生成诸如聚集或分散等行为，这些行为发生在模拟的二维环境中。 我们证明了即使在词汇受限和细胞模型简化的条件下，进化后的 P2I 网络仍能成功地使细胞动态与用户以普通语言表达的目标对齐。本研究提供了一个完整的闭环：从语言输入到模拟的类生物电干预，再到行为输出，为未来能够实现自然语言驱动的细胞控制的系统奠定了基础。

该论文试图解决如何通过自然语言指导生物系统（如细胞集体）实现特定形态学状态的问题。这是一个新兴领域的问题，尤其是在结合大型语言模型（LLMs）和生物动力学控制方面。

论文提出了一种名为Prompt-to-Intervention (P2I) 的方法，将自然语言提示转化为空间向量场，以引导模拟的细胞集体行为。这种方法结合了大型语言模型和可进化神经控制器，并通过进化策略优化，使系统能够根据用户的语言描述生成所需的行为（如聚类或分散）。相比现有研究，这种跨领域结合（语言模型与生物动力学）是一种创新尝试。

论文展示了即使在简化细胞模型和受限词汇的情况下，P2I 网络仍能成功实现用户定义的目标。实验设计包括在2D环境中测试不同语言指令对细胞动态的影响。虽然具体代码是否开源未明确提及，但论文提供了一个从语言输入到行为输出的完整闭环流程，为未来的研究奠定了基础。值得深入研究的方向包括扩展到更复杂的细胞模型、更高维度的环境以及实际生物系统的应用。

近期相关研究包括：1) 使用深度学习预测基因表达模式（例如 'Deep Learning for Spatial Transcriptomics'）；2) 通过强化学习优化合成生物学中的路径设计（如 'Reinforcement Learning for Synthetic Biology Design'）；3) 结合自然语言处理与生物信息学（如 'Natural Language Processing for Bioinformatics: A Review'）。此外，还有关于生物动力学建模的研究，例如 'Evolutionary Strategies for Morphogenetic Pattern Formation'。