在21世纪，人工智能技术在生物医学研究中的应用日益广泛，其核心潜力在于处理和分析大规模复杂数据集、提出新科学假设以及加速发现过程。随着机器学习和深度学习技术的飞速发展，AI系统正从简单的辅助工具转变为能够自主学习和推理的智能代理。

AI代理（AI agents）通过整合大型语言模型、机器学习工具、实验平台以及人类专家知识，形成复合型AI系统，能够在生物学的复杂问题中灵活分解任务，并进行高效解决。

生物医学研究的愿景是开发能够自主进行重大科学发现、学习并自主获取知识的AI系统，而基于代理的AI的最新进展为实现这一愿景提供了可能，使得AI代理能够通过怀疑性学习和推理，增强研究工作流程，提高效率和精度，甚至在实验测量之前进行跨时间和空间尺度的预测，为生物医学领域带来前所未有的机遇【1】。

2024年10月31日，Marinka Zitnik 等研究人员在国际顶尖学术期刊 Cell 上发表题为 Empowering biomedical discovery with AI agents 的文章【2】。

研究结果表明，AI代理能够结合人类创造力和专业知识与AI分析大数据、导航假设空间和执行重复任务的能力，从而在生物医学研究中发挥重要作用。

主要研究内容和结果

任务规划与执行：

AI代理能够自主规划和执行复杂的生物医学研究流程。例如，在一项关于药物抵抗机制的研究中，AI代理通过分析大量的基因组数据，成功识别了与药物抵抗性相关的特定基因变异，这一过程涉及到了对数以千计的样本进行高通量分析。

数据驱动的模型：

利用大型语言模型和生成模型，AI代理能够持续学习并整合新的科学知识。在一项实验中，AI代理通过阅读最新的科学文献，成功预测了一种新药对特定疾病模型的潜在疗效，这一预测后来在实验室中得到了验证。

跨领域影响：

AI代理在虚拟细胞模拟方面展现出了显著的能力。在一个案例中，AI代理通过模拟细胞内部的信号传导路径，预测了基因编辑对细胞行为的影响，这有助于理解细胞机制并生成可测试的假设。

自动化和高吞吐量研究：

在一项涉及大规模基因组关联研究（GWAS）的实验中，AI代理能够自动化地处理和分析成千上万的遗传变异，识别与疾病相关的单核苷酸多态性（SNPs），这一过程的效率远远超过了传统的人工分析方法。

预测和创新：

AI代理能够进行跨时间和空间尺度的预测。在一个实验中，AI代理通过分析多模态数据（包括基因表达数据、蛋白质互作网络和临床结果），成功预测了一种新药在不同患者群体中的疗效差异，这一预测帮助研究人员优化了药物剂量和治疗方案。

多代理系统：

在一个多代理系统的研究案例中，不同的AI代理被分配了不同的任务，如数据分析、实验设计和结果解释。这些代理通过协同工作，成功完成了一个复杂的生物学问题的研究，从假设的生成到实验的执行，再到结果的分析和解释。

自主性水平：

文章提出了AI代理的自主性水平分类，并以实验数据支持不同水平的能力。例如，在一个关于基因编辑的实验中，一个被分类为Level 2的AI代理能够独立设计实验来测试一个科学假设，而不需要人类研究者的直接干预。

综上所述，研究结果强调了AI代理在生物医学研究中的重要作用，它们不仅能够提高研究效率，还能够推动科学发现的边界，为未来的生物医学研究提供了新的方向和工具。

🔺 AI代理增强生物医学研究

🔺 生物医学AI代理的组成部分

编者按：

临床意义和科研启示：

AI代理能够通过分析大规模的生物医学数据，加速新疗法的发现和药物的开发，从而提高临床治疗的效率和效果。

同时，AI代理在临床决策支持系统中的应用，能够辅助医生进行更精准的诊断和个性化治疗计划的制定。

科研方面，

本文强调了跨学科合作的重要性，鼓励生物医学研究者与AI专家联手，共同开发能够自主学习和推理的AI代理，以解决复杂的科学问题。

此外，研究还提示了在AI代理的设计和应用中需要考虑的伦理和安全问题，以及对高质量、多模态生物医学数据集的需求，这些数据集对于训练和优化AI代理的性能至关重要。

原文链接：

【1】Boiko, D. A., MacKnight, R., Kline, B., & Gomes, G. (2023). Autonomous chemical research with large language models. Nature, 624(7992), 570–578. https://doi.org/10.1038/s41586-023-06792-0.

【2】DOI: 10.1016/j.cell.2024.09.022