中国博后Cell发文，论述“AI科学家”推动生物医学发现

人工智能（AI）领域的的长期愿景是开发出能够做出重大科学发现、自主学习和自主获取知识的AI系统。

虽然“AI科学家”（AI scientist）这一概念还只是一种理想化的愿景，但基于智能体（agent）的AI技术的发展，为开发能够进行对话、具备反思学习和推理能力的AI智能体（AI Agent）铺平了道路，这些AI智能体能够协调大型语言模型（LLM）、机器学习（ML）工具、实验平台，甚至是它们的组合。

近日，哈佛大学医学院 Marinka Zitnik实验室（高尚华博士为第一作者）在 Cell 期刊发表了题为：Empowering biomedical discovery with AI agents 的文章，系统介绍了利用AI智能体（AI agent）推动生物医学发现。

该文章提出了这样一个观点——“AI科学家”可以被由人类、大语言模型、机器学习模型及其他工具（例如实验平台）组成的复合AI系统所支持的AI智能体（AI agent）所实现。

我们将“AI科学家”设想为具备批判性学习和推理能力的系统，它们能够通过协作智能体整合AI模型和生物医学工具，并与实验平台相结合，从而为生物医学研究提供助力。

生物医学AI智能体不是将人类排除在发现过程之外，而是将人类的创造力和专业知识与AI分析大量数据、探索假设空间和执行重复性任务的能力相结合。AI智能体将能够熟练完成各种任务，规划发现工作流程并进行自我评估，以识别并解决其知识中的差距。这些智能体使用大语言模型（LLM）和生成式模型来实现结构化记忆以进行持续学习，并使用机器学习工具将科学知识、生物学原理和理论融入其中。AI智能体可以影响从虚拟细胞模拟、可编程的表型控制到细胞回路设计以及开发新疗法等各个领域。

第一作者高尚华博士，高尚华于南开大学获得博士学位，现在哈佛大学医学院从事博士后研究工作

生物学的复杂性要求灵活地将复杂的问题分解为可执行的任务。AI智能体可以将问题分解为可管理的子任务，然后由具有特定功能的AI智能体解决目标问题和整合科学知识。在不久的将来，AI智能体可以通过使工作流程更快、更资源高效的方式加速发现过程。

利用AI智能体推动生物医学研究

数据驱动模型的不断发展和应用

生物医学领域中AI智能体——从基于LLM的AI智能体到集成了AI模型、工具和物理设备的多重智能体系统

AI智能体的自主性等级

AI智能体在遗传学、细胞生物学和化学生物学中的自主性等级的案例

机器学习的核心术语

AI智能体中的关键模块：感知、交互、推理和记忆模块

生物医学AI智能体的组件

AI智能体在生物医学发现中的挑战

AI智能体可以提高常规任务的效率，使重复过程自动化，并分析大型数据集，以在规模和精度上超越当前的人类驱动工作。这种自动化允许进行连续的、高通量的研究，而人类研究人员不可能以相同的规模或速度单独进行研究。

展望未来，在获得时间和空间尺度的实验测量数据之前，AI智能体可以通过跨时间和空间尺度进行预测，从而提供超出传统机器学习所能达到的洞察力。最终，AI智能体可能有助于揭示生物系统中新的行为模式。