摘要
来自美国旧金山 FutureHouse、英国牛津大学以及美国福特汉姆大学的联合团队提出了 Robin 生物学多智能体系统。这是首个同时融合科学假设生成与实验数据分析能力、并实现连续闭环工作流的生物医学智能系统。 随着生物检测、扰动实验与计算建模技术不断成熟，生命科学研究的精度与规模正在迅速提升。然而，与高速增长的数据生产能力相比，科研体系在知识整合与科学推理层面的智能化能力却明显滞后。海量有效信息分散在论文、数据库与实验结果之中，依赖人工梳理不仅效率低，也难以跨领域关联已有结论，导致许多已经被验证的发现无法及时转化为新的研究思路或临床方案。 这种「知识碎片化」问题，在「老药新用」领域尤为典型。无论是达拉非尼后来被发现具有耳保护作用，还是氯胺酮拓展出新的治疗价值，都经历了数年乃至数十年的转化滞后，反映出当前科研流程在知识发现与整合上的瓶颈。 近年来，大语言模型（LLM）凭借海量语料训练所形成的检索、归纳与逻辑推理能力，开始在生命科学研究中展现潜力。结合微调、检索增强生成（RAG）以及多智能体协作等技术后，这类模型已经能够在文献分析、药物预测、科学假设生成等单项任务中达到甚至超过人工水平。然而，现有 AI 工具大多仍停留在科研流程的局部环节，难以真正贯通「假设生成—实验设计—数据分析—结果迭代」的完整链条，因此尚不能实现真正意义上的闭环智能科研。 针对这一问题，来自美国旧金山 FutureHouse、英国牛津大学以及美国福特汉姆大学的联合团队提出了 Robin 生物学多智能体系统。这是首个同时融合科学假设生成与实验数据分析能力、并实现连续闭环工作流的生物医学智能系统。 Robin 通过文献检索智能体与数据分析智能体的协同配合，能够半自主完成疾病机制解析、候选药物筛选、实验复盘以及假设迭代。研究团队以干性年龄相关性黄斑变性（dAMD）这一治疗手段匮乏、临床需求迫切的疾病为应用场景，验证了 Robin 在智能化药物筛选中的能力，为人工智能驱动的新药研发与老药新用提供了新的实践范式。 相关研究成果以「A multi-agent system for automating scientific discovery」为题，已发表于 Nature。 研究亮点： * Robin 系统首次将文献假设生成与生物实验数据分析整合为连续闭环工作流…
摘要可能不完整，可查看原文