要让所有生物知道：这片虾塘，被你承包了

摘要大语言模型正从被动预测器演进为具备规划、工具调用与多模态推理能力的智能体系统。这一转变对生物学领域尤为关键该领域复杂、含噪且多尺度的数据需要自适应与整合式计算策略。本文首次对横跨基因组学、分子生物学、成像、生物医学分析及自动化生物信息学工作流的大语言模型智能体进行系统性整合综述。分析了50余种新兴系统并将其纳入统一框架该框架刻画了自主决策、外部工具调用、记忆与自我修正等智能体特征。跨领域结果表明大语言模型智能体在实现多步骤分析、关联异构证据、支持探索性科研任务方面展现出早期潜力。同时对比评估揭示了共性挑战包括推理不稳定、生物事实对齐不足、检索偏差以及可重复性与生物安全壁垒。最后本文展望了可信协作型生物智能体的发展机遇涵盖多模态融合、闭环实验设计与稳健评估实践。本综述旨在厘清该领域发展格局并为构建可靠的生物发现智能体系统指明方向。sajibacharjeedipvt.edulqzhangcs.vt.edu#大语言模型 #智能体人工智能 #生物信息学 #基因组学 #蛋白质组学 #药物发现 #多组学 #宏基因组学 #大语言模型智能体 #生物序列分析 #Transformer模型 #生物医学人工智能 #生物学人工智能生物学中的大语言模型与智能体范式支撑生物任务的核心能力图1LLMAgent4Bio概念框架总览总结了生物大语言模型智能体系统的核心组件包括(A) 主要任务类别分析、设计、因果推理、报告(B) 主流智能体架构单智能体、多智能体、检索中心型、大语言模型–机器学习/物理混合系统(C) 生物应用领域(D) 评估维度生物有效性、智能体可靠性、可扩展性、可解释性(E) 通用的「规划–执行–观察–反思」智能体循环(F) 生物智能体常见失效模式(G) 智能体大语言模型执行的核心生物任务(H) 跨基因组学、蛋白质组学、单细胞/空间生物学、药物发现与成像工作流的代表性大语言模型智能体系统分类。横向对比与评估性能基准与系统能力图2生物大语言模型智能体的跨领域能力、任务–领域对齐与评估缺口(A) 跨领域能力雷达图。对7个代表性生物领域的对比显示模型在准确性、规划深度、工具调用可靠性、鲁棒性、创新性与生物事实对齐方面存在显著差异。空间组学与蛋白质组学智能体通常表现出较强的生物对齐能力而药物发现与成像智能体在规划与鲁棒性方面方差更高。(B) 任务需求与领域成熟度热力图。不同领域对工具整合、规划/工作流编排、多智能体协作与生物对齐的依赖程度不同单细胞/空间生物学与药物发现智能体始终需要最高水平的规划与多工具协同。(C) 评估维度与当前缺口。4大核心维度生物有效性、智能体可靠性、可扩展性/效率、安全性/可解释性凸显出现有基准的不足。尽管已有工具准确性与基础对齐的评估指标但真实场景验证、可重复性测试与生物安全感知评估仍较为缺乏。综上这些面板揭示了生物大语言模型智能体领域的异质性进展与持续挑战。智能体类型与生物任务矩阵表1智能体架构与生物任务领域的匹配关系多智能体系统主导探索性、假设驱动型任务如空间生物学与药物设计而单智能体与大语言模型–机器学习混合系统在标准化流程如RNA测序与基因集注释中更为常见。详细总结思维导图mindmap脑图按任务类型参考LLMAgent4Bio: LLM Agents for Biological Intelligence Across Genomics, Proteomics, Spatial Biology, and Biomedicine251216LLMAgent4Bio.pdf注AI辅助创作如有错误欢迎指出。内容仅供参考不构成任何建议。