我國學者開發“AI數據科學家”，只需一句話指令，自主完成生物醫學數據分析

撰文丨王聰

編輯丨王多魚

排版丨水成文

AI 智能體（AI Agent），作為大語言模型（LLM）的強大應用正在興起，它們能夠自動化完成復雜任務并助力科學數據探索。然而，由于難以處理專業工具和多步驟推理，其在生物醫學數據分析中的應用，仍然受到限制。

2026 年 3 月 30 日，中國科學院計算技術研究所趙屹研究員團隊聯合中國科學院生物物理所陳潤生院士團隊、澳門科技大學張康教授團隊，在 Nature 子刊Nature Biomedical Engineering上發表了題為：Empowering AI data scientists using a multi-agent LLM framework with self-evolving capabilities for autonomous, tool-aware biomedical data analyses 的研究論文。

該研究推出了一個“AI 數據科學家”——BioMedAgent，這是一個具備自我進化能力的多智能體大語言模型框架，它能夠理解自然語言指令，自動調用專業工具，完成從基因組測序到機器學習建模的全流程分析，讓生物醫學研究者擺脫繁瑣的數據分析之苦。

生物醫學研究的“數據困境”

現代生物醫學研究正面臨前所未有的數據爆炸，從電子健康記錄到高分辨率醫學影像，從基因組測序到蛋白質組學，海量數據蘊含著疾病機理、藥物靶點的寶貴線索。

然而，分析這些數據需要跨越生物信息學、人工智能、軟件編程、統計學和數學多個領域的復雜技能。傳統上，生物醫學研究人員需要依賴專業生物信息學家或學習復雜的編程語言，這個過程既耗時又容易出錯。現有的分析平臺（例如 Galaxy、Nextflow 等）雖然簡化了工作流開發，但仍依賴預定義流程，缺乏靈活性，更不支持自然語言交互。

多智能體協作：AI 數據科學家

BioMedAgent的核心創新在于其多智能體架構，系統使用 ChatGPT、DeepSeek、Gemini 等大語言模型生成多個專業智能體，通過規劃、編碼、執行三階段協作完成任務。

例如，當你輸入“分析這份癌癥患者的測序數據，找出致病突變并推薦治療方案”時，系統內部會啟動一場 AI 專家會診。進而規劃智能體理解任務需求，選擇合適工具；編碼智能體生成執行代碼；執行智能體運行分析流程。整個過程完全自動化，無需人工干預。

更關鍵的是，BioMedAgent 集成了 67 種專業生物信息學工具，涵蓋 DNA 分析、RNA 測序、單細胞分析等關鍵領域。

自我進化能力：越用越聰明的 AI

BioMedAgent 最引人注目的特點是其自我進化能力，該系統通過“記憶檢索”算法，記錄成功的工具選擇、工作流和代碼，并在遇到類似任務時智能復用這些經驗。

研究團隊設計了兩種記憶更新策略：持續記憶積累（保留所有成功記錄）和迭代記憶遺忘（選擇性修剪過時記錄）。實驗顯示，后者在長期運行中表現更優。

經過三輪迭代學習，BioMedAgent 在生物醫學數據分析任務上的成功率從 52% 提升到 77%，在組學分析任務中更是達到 94% 的高成功率。

BioMedAgent 就像一個有經驗的科學家團隊，每次成功都會積累經驗，下次遇到類似問題能更快找到解決方案。

超越基準：實際應用的突破

為了全面評估系統性能，研究團隊構建了 BioMed-AQA 基準，包含 327 個涵蓋組學分析、精準醫學、機器學習、統計分析和數據可視化五大類別的任務。

在與主流 AI 系統的對比中，BioMedAgent 表現突出——

• 總體成功率 77%，顯著高于 GPT-4o 的 46%；

• 在需要專業工具的組學分析任務中，成功率高達 94%；

• 即使面對人類專家用不同方式描述同一個任務時，BioMedAgent 仍能準確理解和執行以保持穩定性能；

更令人印象深刻的是，BioMedAgent 成功應用于真實科研場景——

• 跨組學分析：自動完成 RNA 測序與單細胞 RNA 測序數據的聯合分析；

• 機器學習建模：無需人工編程干預，完成從模型構建到評估的全流程；

• 病理圖像分割：通過自動集成分辨率增強與細胞分割算法，提升多類細胞分割精度。

從“工具”到“合作者”的轉變

這項研究的深遠意義在于，它標志著 AI 在生物醫學領域的角色從被動工具向主動合作者的轉變。

論文第一作者、中國科學院計算技術研究所卜德超副研究員指出，BioMedAgent 并非旨在替代科研人員，而是作為面向科研和臨床場景的智能輔助系統，幫助科研人員在面對復雜數據和多步驟分析任務時提升效率、降低技術門檻。

隨著多智能體 AI 系統的發展，生物醫學研究正迎來人機協作的新范式——人類研究者與 AI 深度協作，各自發揮優勢，人類提供創造性思維和領域洞察，AI 處理繁瑣的數據分析和模式識別，從而讓人類研究者能更專注于科學發現本身，而非數據處理等技術細節。

BioMedAgent 也展示了自我進化的多智能體框架在復雜科學任務中的巨大潛力，這一框架不僅適用于生物醫學，還有望擴展到其他需要復雜工具集成和多步推理的科學領域。

當前，AI在生物醫學領域的應用正從單一任務向端到端全流程演進。從文獻檢索、假設生成到實驗設計、數據分析和結果解釋，AI智能體正在重塑整個科研流程。

論文鏈接：

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