研究者らは最近、異種遺伝子制御ネットワークから潜在的な制御ドライバーを同定するためのAIベースのマルチエージェントフレームワーク「RegNetAgents」を提案した。本フレームワークは、TCGA（The Cancer Genome Atlas）からのバルク腫瘍データとGREmLNプロジェクトからの単一細胞データを統合し、ARACNeネットワーク構造の統一解析を実現する。
RegNetAgentsのワークフローは以下の通りである：与えられた焦点遺伝子について、二重ネットワーク分類（TCGAとGREmLNの両方を考慮）、OncoKBアノテーションを用いた癌遺伝子フィルタリング、腫瘍由来の制御関係に対する作用機序（MoA）の割り当てを行う。候補制御因子はネットワーク間の証拠の一貫性に基づいてランク付けされ、「両方のネットワークで支持」、「TCGAのみで支持」、「GREmLNのみで支持」の三つに分類される。本フレームワークは、マルチエージェントのLangGraph DAGワークフローとして実装され、統一Python APIおよびModel Context Protocol（MCP）クライアントを介してアクセス可能であり、ネットワーク推論手法ではなく、事前計算された制御ネットワークに対する下流分析層として動作する。
実験では、11個の乳がん（BRCA）および12個の大腸がん（COAD）焦点遺伝子を用いてRegNetAgentsを評価した。その結果、TCGAネットワークから同定された候補制御因子はOncoKB注釈付き癌遺伝子に有意に濃縮され（BRCAでStouffer Z=6.69、COADでZ=6.95、p<0.0001）、GREmLNネットワークからの候補も有意な濃縮を示した（BRCAでZ=5.51、COADでZ=7.06、p<0.0001）。対照的に、ハウスキーピング遺伝子および非ドライバー対照遺伝子セットでは濃縮は観察されず、信号の特異性が支持された。
RegNetAgentsはさらに、候補制御因子の発癌能、薬剤可能性、臨床的関連性、ネットワーク脆弱性を構造的に評価する拡張モジュールを備えており、候補同定から生物学的仮説生成までのエンドツーエンドの解釈を支援する。本フレームワークは、癌ゲノミクスにおけるネットワーク横断的制御候補同定のための解釈可能なAIアプローチを確立するものである。