夜雨聆风
01｜一句话读懂这篇论文
作者提出了一个名为 BioMedAgent 的多智能体大语言模型框架。它的目标不是简单回答问题，而是像一名“AI 数据科学家”一样，能够根据自然语言指令，自动规划分析流程、调用生物信息学工具、编写和执行代码，并在完成任务后总结结果。
更重要的是，BioMedAgent 具备一种“自进化”能力：它会把成功的工具选择、工作流和代码经验记录下来，在遇到类似问题时重新调用，从而逐步提升后续任务的完成能力。
02｜为什么需要 BioMedAgent？
✦ 生物医学数据正在爆炸式增长
作者首先指出，现代生物医学研究已经进入大规模数据驱动阶段。研究人员面对的不再只是单一实验结果，而是大量复杂数据，包括：
基因组数据 转录组数据 单细胞 RNA 测序数据 医学影像数据 电子病历数据 多组学联合数据 临床预测和统计分析数据
这些数据能够帮助研究人员发现疾病机制、寻找生物标志物、预测治疗反应，甚至辅助临床决策。
✦ 传统分析流程门槛很高
虽然已经有很多成熟的生物信息学工具，例如用于序列比对、突变检测、单细胞分析、差异表达分析、可视化和机器学习建模的工具，但这些工具通常存在几个问题：
1. 工具种类多，学习成本高
一个完整分析流程可能需要组合多个工具，例如 BWA、GATK、Samtools、DESeq2、Seurat 等。非计算背景的研究者很难快速掌握。
2. 流程复杂，步骤容易出错
从原始数据到最终结论，中间往往需要经历质控、比对、过滤、统计检验、模型训练、可视化等多个步骤。
3. 现有平台灵活性不足
Galaxy、Nextflow、DNAnexus 等平台可以帮助用户搭建工作流，但很多流程仍然依赖预定义模板，面对开放式科研问题时不够灵活。
4. 普通 LLM Agent 还不够“懂工具”
普通大模型虽然能写代码、解释概念，但在真实生物医学数据分析中，经常难以正确调用专业工具，也难以把多个工具稳定串成完整流程。
03｜作者提出的核心解决方案：BioMedAgent
✦ BioMedAgent 是什么？
BioMedAgent 是一个面向生物医学数据分析的 自进化多智能体框架。
它可以接收自然语言问题，例如：
“请根据这些 FASTQ 文件识别致病突变。”“请分析肿瘤样本和正常样本之间的差异表达基因。”“请构建一个模型预测患者发生静脉血栓栓塞的风险。”
然后系统会自动完成：
① 理解用户需求② 规划分析步骤③ 选择合适工具④ 编写代码⑤ 执行分析⑥ 判断是否成功⑦ 保存成功经验⑧ 输出总结报告
这使 BioMedAgent 不只是一个问答工具，而更接近一个能够执行真实科研任务的自动化数据分析系统。
04｜BioMedAgent 的系统架构
✦ 三个核心阶段：规划、编码、执行
作者将 BioMedAgent 的工作流程设计为三个主要阶段：
① Planning：规划阶段
在规划阶段，多个智能体会共同理解用户输入的自然语言需求，并判断任务属于哪类分析。例如：
是 DNA-seq 分析，还是 RNA-seq 分析？ 是单细胞分析，还是机器学习建模？ 是统计检验，还是数据可视化？ 需要哪些输入文件？ 应该调用哪些工具？ 最终应该生成什么结果？
这一阶段的目标是形成一个可执行的分析路线。
② Coding：编码阶段
在编码阶段，系统会根据规划结果生成实际可运行的代码。代码可以调用：
本地安装的生物信息学工具 Python / R 包 Web API 自定义生成的分析脚本
如果已有工具可以完成任务，BioMedAgent 会优先调用本地工具；如果没有现成工具，系统可以生成自定义代码补足分析步骤。
③ Execution：执行阶段
在执行阶段，系统会运行代码、调用工具并生成结果。如果执行失败，智能体会根据错误信息重新调整规划或代码，继续尝试。
这也是 BioMedAgent 与普通“只生成代码”的大模型系统的重要区别：它不仅生成方案，还会真实执行、反馈、修正和总结。
05｜系统中的关键智能体
BioMedAgent 并不是由单个大模型直接完成所有工作，而是由多个具有不同职责的智能体协作完成。
✦ Requirement Analyst：需求分析者
负责理解用户输入的自然语言任务，把模糊的科研需求转化为更明确的分析目标。
例如，用户只说“分析肿瘤测序数据并推荐治疗方案”，该智能体需要判断这可能涉及：
肿瘤样本与正常样本比对 体细胞突变检测 突变注释 药物或治疗建议
✦ Tool Manager：工具管理者
这是 BioMedAgent 的关键设计之一。Tool Manager 负责维护本地工具和 Web API，并让系统知道：
每个工具能做什么 输入文件是什么格式 输出结果是什么 工具依赖哪些环境 应该怎样调用工具
作者强调，专业生物信息学工具往往不能靠大模型“凭空重写”。因此，BioMedAgent 的策略不是让大模型重新发明工具，而是让它学会使用已有工具。
✦ Planner：流程规划者
Planner 会把分析目标拆解成多个步骤。例如，在致病突变分析中，流程可能包括：
将测序 reads 比对到参考基因组 对 BAM 文件进行排序和去重复 进行碱基质量校正 调用突变 注释突变 判断致病性 生成总结报告
✦ Programmer：程序员
Programmer 负责把规划步骤转化为代码，包括 Python、R 或命令行脚本。
✦ Executor：执行者
Executor 负责真正运行代码、检查结果，并把执行反馈传回系统。如果某一步失败，系统会重新进行交互式探索和修正。
06｜三个关键机制：LTU、IE、MR
这篇论文最重要的技术亮点，可以概括为三个缩写：
LTU：Local Tool Usage，本地工具使用IE：Interactive Exploration，交互式探索MR：Memory Retrieval，记忆检索
① LTU：让大模型真正会用专业工具
作者在 BioMedAgent 中集成了 67 个专业生物信息学工具，主要覆盖组学分析、精准医学分析和机器学习任务。
这些工具显著提高了系统表现。特别是在组学分析、精准医学和机器学习任务中，使用本地工具后，成功率明显提升。
作者还区分了两种能力：
在成功任务中，单独使用 LTU 的比例为 46.25%，单独使用 CTC 的比例为 28.85%，两者结合使用的比例为 24.90%。
这说明，BioMedAgent 的能力不是单纯来自大模型写代码，而是来自“已有专业工具 + 自定义代码 + 多智能体协作”的组合。
② IE：通过多智能体协作提高成功率
IE 指的是 Interactive Exploration，交互式探索。
作者将这个机制设计成一种类似“团队讨论和反复尝试”的过程。当系统遇到复杂任务时，不是一次性给出固定答案，而是在规划和编码阶段不断探索不同解决方案。
实验结果显示：
不使用 IE 时，BioMedAgent 成功率为 28% 使用 IE 后，成功率提升到 52% 探索次数从 916 次 增加到 2696 次 约 60.8% 原本失败的任务，在 IE 帮助下转为成功
也就是说，IE 的价值在于：它让系统拥有更多尝试机会，从而提高复杂任务的解决概率。
③ MR：让系统从过去经验中进化
MR 指的是 Memory Retrieval，记忆检索。
BioMedAgent 会把成功完成的任务记录为记忆，包括：
使用过的工具 成功的工作流 可复用的代码 分析目标与任务类型
当系统遇到新问题时，会通过语义相似度检索最相关的历史经验，并将这些经验用于新任务。
作者设计了两种记忆更新策略：
实验显示，IMF 收敛更快、稳定性更好，并且需要更少的中间记忆记录，因此更适合长期运行的系统。
通过三轮记忆学习，BioMedAgent 的整体成功率从 52% 提升到 77%。
07｜BioMed-AQA：作者构建的新基准
✦ 为什么需要新基准？
作者指出，评估生物医学 AI Agent 很困难，因为真实数据分析任务往往没有唯一答案。同一个问题可能有多种合理工作流，不同软件也可能产生格式不同但科学上等价的结果。
因此，作者构建了一个新的评估基准：
BioMed-AQA
✦ BioMed-AQA 包含什么？
BioMed-AQA 包含 327 个生物医学数据分析问题，覆盖五大类别：
这些问题进一步覆盖 17 种任务类型，包括 DNA、RNA、单细胞、分类、回归、聚类、深度学习、统计检验、可视化、生存分析等。
✦ 问题类型：Clear-step 与 Open-step
作者还将任务分成两种自然语言形式：
Clear-step 问题
用户明确指定分析步骤和工具。例如：
使用 BWA 比对测序数据，使用 GATK Mutect2 调用突变，使用 vcf2maf 注释突变，并根据基因组变异推荐治疗。
Open-step 问题
用户只描述目标，不指定工具和步骤。例如：
对癌症患者测序数据进行突变分析，并推荐治疗方案。
这个设计用于测试 BioMedAgent 是否能从模糊目标中自动规划分析流程。
实验结果显示，BioMedAgent 在 clear-step 和 open-step 问题上的表现没有显著差异，说明它具备较强的自主规划能力。
✦ 数据来源
BioMed-AQA 的数据来自三类来源：
这使得该基准既包含可控的模拟任务，也包含更接近真实科研场景的数据任务。
✦ 评估方式：Win score
作者采用 Win score 来评估任务完成度。
一个任务会被拆成多个关键里程碑。如果系统完成所有里程碑，Win score 为 1，表示成功；如果只完成部分步骤，则得到部分分数。
例如，一个任务有 4 个关键步骤，系统只完成 1 个，则 Win score 为 0.25。
作者还开发了自动评分智能体，其评分结果与人工评价的一致性达到 92.3%，AUC 为 0.926。
此外，作者还构建了一个 BioMed-AQA-MCQ 子集，包含 172 道选择题，用于更自动化和客观的评估。
08｜整体表现：BioMedAgent 明显优于多个基线
在 BioMed-AQA 上，BioMedAgent 的整体成功率达到 77%。
不同任务类别表现如下：
这说明 BioMedAgent 不只适用于某一种任务，而是可以覆盖较广泛的生物医学数据分析场景。
✦ 与其他 LLM Agent 的比较
作者将 BioMedAgent 与多个基线进行了比较，包括 ChatGPT、GPT Assistants、GPT Function Call 等。
主要结果包括：
GPT Assistants 成功率为 39% GPT Function Call 成功率为 33% ChatGPT-4o 成功率为 46% BioMedAgent 最终成功率为 77% 使用 DeepSeek v3 作为底层模型时，成功率为 77% 使用 Qwen3 作为底层模型时，成功率为 75% 在 MCQ 子集上的准确率为 76%
尤其值得注意的是，BioMedAgent 的可分析范围达到 100%，而在线 ChatGPT-4o 和 GPT Assistants 的可分析范围分别为 68% 和 65%。
09｜面对不同表达方式，BioMedAgent 仍然稳健
真实用户不会总是用标准格式提问。因此，作者让三位医学专家对原始问题进行自然语言改写，再测试 BioMedAgent 的表现。
结果显示：
这说明 BioMedAgent 对自然语言表达变化具有较强鲁棒性。
10｜外部验证：BioMedAgent 在 BixBench 上也表现稳定
为了验证系统不是只适应作者自己构建的 BioMed-AQA，作者还在外部基准 BixBench 上进行测试。
BixBench 包含 50 多个真实分析场景和 296 个问题，是用于评估生物信息学 Agent 的外部基准。
在不依赖领域专用工具、主要依靠自定义代码生成的情况下，BioMedAgent 仍然取得了优于 BixBench 原始基线 Agent 的结果：
这说明 BioMedAgent 具有一定跨基准泛化能力。
11｜与其他多组学 AI Agent 的比较
作者还将 BioMedAgent 与多个已有多组学 AI Agent 进行系统比较，包括 BioChatter、AutoBA、BIA、BioMaster、OLAF、ChatGPT ADA、GenoTEX、CellAgent、CASSIA 等。
比较维度包括：
是否支持规划 是否支持编码 是否支持执行 是否支持自然语言指令 支持哪些任务类型 是否支持本地工具调用 是否支持自定义工具代码 是否为多智能体系统 是否具备自进化能力 是否有大规模基准 评估方式是否自动化
作者认为，BioMedAgent 的优势在于：
① 任务覆盖更广
不仅支持组学分析，还支持精准医学、机器学习、统计分析和可视化。
② 工具使用更灵活
既能调用本地工具，也能生成自定义工具代码。
③ 具备自进化机制
可以通过 MR 记忆检索持续复用成功经验。
④ 评估体系更系统
BioMed-AQA 包含开放问题和 MCQ 子集，并结合人工评分与自动评分。
12｜真实应用一：非小细胞肺癌跨组学分析
作者使用 BioMedAgent 完成了一个复杂的跨组学问题：
非小细胞肺癌中高度差异表达基因主要来源于哪些细胞类型？
这个问题需要整合：
bulk RNA-seq 数据 单细胞 RNA-seq 数据 差异表达分析 单细胞聚类 marker 基因识别 跨组学交集分析和可视化
BioMedAgent 根据三条自然语言指令，自动完成了大规模分析流程。
✦ 主要结果
作者使用了：
67 个 NSCLC bulk RNA-seq 样本 34 个肿瘤样本 33 个癌旁正常样本 22 个 scRNA-seq 矩阵文件
BioMedAgent 识别出：
- 1831 个差异表达基因
其中 1309 个上调 - 522 个下调
与 GEO2R 在线工具识别结果有 78% 覆盖一致性 识别出 8 种细胞类型 发现 ABCC3、SERINC2、SEZ6L2 主要在上皮细胞中过表达
这表明 BioMedAgent 能够把 bulk 层面的差异基因结果进一步映射到单细胞层面的细胞来源解释中。
13｜真实应用二：ctDNA 与癌症相关静脉血栓风险预测
第二个应用场景是机器学习建模。
作者让 BioMedAgent 复现一项关于 循环肿瘤 DNA 与癌症相关静脉血栓栓塞风险预测 的研究。
任务目标是评估 ctDNA 是否与 VTE 风险相关，并构建随机生存森林模型进行预测。
✦ BioMedAgent 自动完成的步骤
BioMedAgent 根据自然语言指令自动完成：
数据读取 模型构建 随机生存森林训练 验证集预测 c-index 性能评估 多模型比较 结论总结
✦ 主要结果
三个模型表现如下：
结果显示，基于液体活检变量的模型明显优于传统 Khorana score 模型。
作者据此说明，BioMedAgent 可以帮助生物医学研究者用自然语言启动复杂机器学习建模流程，降低从临床问题到计算建模之间的技术门槛。
14｜真实应用三：病理图像细胞分割与分类
第三个应用场景是病理图像分析。
病理图像中的细胞分割和分类对于病灶识别、肿瘤微环境分析和预后评估都很重要。但低分辨率图像会影响分割准确性。
作者将分辨率增强工具 MiHATP v.1.0 集成进 BioMedAgent 的本地工具空间，让系统自动规划：
数据划分 图像分辨率增强 细胞分割 细胞分类 Dice 指标评估
✦ 主要结果
与 baseline 相比，BioMedAgent 在多个细胞类型上提升了 Dice 分数，包括：
inflammatory cells epithelial cells spindle-shaped cells other cells
整体 Dice 绝对提升为 +0.86%，同时关闭了 29.9% 的剩余性能差距。
这说明 BioMedAgent 不仅适用于表格型和组学数据，也可以扩展到医学图像任务。
15｜这篇论文的核心贡献总结
✦ 贡献一：提出 BioMedAgent 框架
作者提出了一个面向生物医学数据分析的多智能体系统，使 LLM 不再只是生成文本，而是能够规划、编码、执行和总结数据分析任务。
✦ 贡献二：引入工具感知能力
BioMedAgent 通过 Tool Manager 学习和调用专业生物信息学工具，实现了对复杂工具链的自动组合。
✦ 贡献三：设计 IE 交互式探索机制
IE 机制显著提升了复杂任务中的规划和代码修正能力，使系统能够通过多轮探索提高成功率。
✦ 贡献四：设计 MR 自进化记忆机制
MR 机制让 BioMedAgent 能够复用过去成功经验，并通过 CMA 和 IMF 等策略持续优化自身表现。
✦ 贡献五：构建 BioMed-AQA 基准
BioMed-AQA 提供了 327 个开放式生物医学数据分析任务，以及 172 个 MCQ 子集，为评估生物医学 AI Agent 提供了系统基准。
✦ 贡献六：展示多个真实科研应用
作者通过跨组学分析、机器学习建模和病理图像分割三个案例，展示了 BioMedAgent 在真实生物医学研究中的潜力。
更多内容可以参考论文原文.