我国学者开发“AI数据科学家”,只需一句话指令,自主完成生物医学数据分析

生物医学研究的“数据困境”

　　现代生物医学研究正面临前所未有的数据爆炸，从电子健康记录到高分辨率医学影像，从基因组测序到蛋白质组学，海量数据蕴含着疾病机理、药物靶点的宝贵线索。

　　然而，分析这些数据需要跨越生物信息学、人工智能、软件编程、统计学和数学多个领域的复杂技能。传统上，生物医学研究人员需要依赖专业生物信息学家或学习复杂的编程语言，这个过程既耗时又容易出错。现有的分析平台（例如 Galaxy、Nextflow 等）虽然简化了工作流开发，但仍依赖预定义流程，缺乏灵活性，更不支持自然语言交互。

多智能体协作：AI 数据科学家

　　BioMedAgent 的核心创新在于其多智能体架构，系统使用 ChatGPT、DeepSeek、Gemini 等大语言模型生成多个专业智能体，通过规划、编码、执行三阶段协作完成任务。

　　例如，当你输入“分析这份癌症患者的测序数据，找出致病突变并推荐治疗方案”时，系统内部会启动一场 AI 专家会诊。进而规划智能体理解任务需求，选择合适工具；编码智能体生成执行代码；执行智能体运行分析流程。整个过程完全自动化，无需人工干预。

　　更关键的是，BioMedAgent 集成了 67 种专业生物信息学工具，涵盖 DNA 分析、RNA 测序、单细胞分析等关键领域。

自我进化能力：越用越聪明的 AI

　　BioMedAgent 最引人注目的特点是其自我进化能力，该系统通过“记忆检索”算法，记录成功的工具选择、工作流和代码，并在遇到类似任务时智能复用这些经验。

　　研究团队设计了两种记忆更新策略：持续记忆积累（保留所有成功记录）和迭代记忆遗忘（选择性修剪过时记录）。实验显示，后者在长期运行中表现更优。

　　经过三轮迭代学习，BioMedAgent 在生物医学数据分析任务上的成功率从 52% 提升到 77%，在组学分析任务中更是达到 94% 的高成功率。

　　BioMedAgent 就像一个有经验的科学家团队，每次成功都会积累经验，下次遇到类似问题能更快找到解决方案。

超越基准：实际应用的突破

　　为了全面评估系统性能，研究团队构建了 BioMed-AQA 基准，包含 327 个涵盖组学分析、精准医学、机器学习、统计分析和数据可视化五大类别的任务。

　　在与主流 AI 系统的对比中，BioMedAgent 表现突出——

• 总体成功率 77%，显著高于 GPT-4o 的 46%；
• 在需要专业工具的组学分析任务中，成功率高达 94%；
• 即使面对人类专家用不同方式描述同一个任务时，BioMedAgent 仍能准确理解和执行以保持稳定性能；

　　更令人印象深刻的是，BioMedAgent 成功应用于真实科研场景——

• 跨组学分析：自动完成 RNA 测序与单细胞 RNA 测序数据的联合分析；
• 机器学习建模：无需人工编程干预，完成从模型构建到评估的全流程；
• 病理图像分割：通过自动集成分辨率增强与细胞分割算法，提升多类细胞分割精度。

从“工具”到“合作者”的转变

　　这项研究的深远意义在于，它标志着 AI 在生物医学领域的角色从被动工具向主动合作者的转变。

　　论文第一作者、中国科学院计算技术研究所卜德超副研究员指出，BioMedAgent 并非旨在替代科研人员，而是作为面向科研和临床场景的智能辅助系统，帮助科研人员在面对复杂数据和多步骤分析任务时提升效率、降低技术门槛。

　　随着多智能体 AI 系统的发展，生物医学研究正迎来人机协作的新范式——人类研究者与 AI 深度协作，各自发挥优势，人类提供创造性思维和领域洞察，AI 处理繁琐的数据分析和模式识别，从而让人类研究者能更专注于科学发现本身，而非数据处理等技术细节。

　　BioMedAgent 也展示了自我进化的多智能体框架在复杂科学任务中的巨大潜力，这一框架不仅适用于生物医学，还有望扩展到其他需要复杂工具集成和多步推理的科学领域。

　　当前，AI在生物医学领域的应用正从单一任务向端到端全流程演进。从文献检索、假设生成到实验设计、数据分析和结果解释，AI智能体正在重塑整个科研流程。

https://www.nature.com/articles/s41551-026-01634-6