NS-Copilot: An LLM-Driven Agent System for Autonomous Neuroscience Analysis

📄 arXiv: 2609.01971v1 📥 PDF

作者: Wuche Liu, Yiran Qiao, Linlin Hou, Rui Yang, Shusen Pu, Song Wang, Jing Ma

分类: cs.CL

发布日期: 2026-09-02

备注: Accepted to Findings of EMNLP 2026. 20 pages, 9 figures, 7 tables

💡 一句话要点

提出NS-Copilot以解决神经科学分析中的跨学科障碍问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 神经科学 大型语言模型 多代理系统 数据分析 自动化工作流程

📋 核心要点

  1. 现有方法在神经科学分析中缺乏领域专业知识，无法有效选择和协调多样的预训练模型。
  2. NS-Copilot通过自然语言接口统一了多种神经科学模态的预训练模型，支持自主分析工作流程。
  3. 在多个神经科学基准测试中，NS-Copilot在主要指标上超越了强基线，显示出其有效性和可扩展性。

📝 摘要（中文）

人工智能正在迅速推动神经科学的发展，但许多实验室由于显著的跨学科障碍未能充分发挥其潜力。尽管生理数据的预训练神经模型进展迅速，但其异构架构和特定模态的限制妨碍了系统集成、选择和评估。我们提出了NS-Copilot，一个基于大型语言模型的多代理系统，能够自主支持神经科学分析的端到端工作流程。该系统通过自然语言接口统一了领域特定的预训练模型，支持EEG和细胞外尖峰数据等关键神经科学模态。NS-Copilot能够在没有数据集特定启发式的情况下，协调具有专业角色的代理进行规划、适应性控制、代码生成和结果综合。我们在阿尔茨海默病、帕金森病和工作记忆尖峰解码等神经科学基准上评估了NS-Copilot，结果显示该系统在主要指标上始终优于强基线，证明了其在有效和可扩展的神经科学分析中的能力。

🔬 方法详解

问题定义：本论文旨在解决神经科学分析中由于跨学科障碍导致的AI潜力未能充分发挥的问题。现有方法在选择和协调多样的预训练模型时缺乏领域专业知识，限制了分析的有效性。

核心思路：NS-Copilot的核心思路是构建一个基于大型语言模型的多代理系统，能够通过自然语言接口统一不同模态的预训练模型，从而支持端到端的分析工作流程。这样的设计使得用户能够以自然语言描述任务，系统则自动协调各个代理进行分析。

技术框架：NS-Copilot的整体架构包括数据输入、任务解析、代理协调和结果输出四个主要模块。首先，系统接收原始数据和任务描述，然后解析任务并分配给不同角色的代理，最后整合各个代理的结果并输出分析结果。

关键创新：NS-Copilot的主要创新在于其能够无缝整合多种神经科学模态的预训练模型，并通过自然语言接口实现用户友好的交互。这与现有方法的本质区别在于，后者通常依赖于特定的数据集和启发式方法。

关键设计：在设计上，NS-Copilot采用了多种预训练模型的集成策略，并通过适应性控制机制优化代理的协作。此外，系统在损失函数和网络结构上进行了针对性调整，以提高分析的准确性和效率。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在针对阿尔茨海默病、帕金森病和工作记忆尖峰解码的8次实验中，NS-Copilot在主要指标上始终超越强基线，显示出其在神经科学分析中的有效性和可扩展性，提升幅度显著。

🎯 应用场景

NS-Copilot在神经科学研究中具有广泛的应用潜力，能够支持疾病诊断、脑电图分析和神经信号解码等任务。其自动化的分析流程不仅提高了研究效率，还降低了对专业知识的依赖，未来可能推动神经科学领域的进一步发展。

📄 摘要（原文）

AI is rapidly advancing neuroscience, yet many laboratories fail to fully unleash its potential due to significant interdisciplinary barriers. While pre-trained neural models for physiological data are progressing quickly, their heterogeneous architectures and modality-specific constraints hinder systematic integration, selection, and evaluation. Despite recent advances in large language model (LLM)-based agent systems for intelligent scientific applications, existing approaches often still lack the domain expertise required to effectively select and coordinate diverse neuroscience pre-trained models and handle unique data types in this domain. We present NS-Copilot, an LLM-driven multi-agent system for neuroscience analysis that autonomously supports end-to-end workflows for diverse professional tasks. It unifies domain-specific pre-trained models and supports key neuroscience modalities, including EEG and extracellular spike data, through a natural-language interface. Given raw data and a task description, NS-Copilot orchestrates agents with specialized roles for planning, adaptive control, code generation, and result synthesis, enabling analysis without dataset-specific heuristics. We evaluate NS-Copilot on neuroscience benchmarks spanning Alzheimer's disease, Parkinson's disease, and working memory spike decoding. Across 8 trials per task, the system consistently outperforms strong baselines on the primary metric, demonstrating the ability of NS-Copilot for effective and scalable neuroscience analysis.