过去一年， A gent 在生物医学领域完成了一次重要的概念验证。大量的agent工作证明通用型 agent 可以跨遗传学、微生物学、药理学等多个领域自主完成研究任务。这些工作共同回答了一个基础问题：AI智能体能不能做真实场景下的多组学药物治疗研究？答案是越来越明确的“ 能” 。这个领域正在经历一个从“ AI 辅助单个分析步骤” 到“ 多 AI 智能体执行端到端研究计划” 的范式跃迁。
但当智能体的分析结果要真正支撑治疗决策时：如推荐一个靶点进入临床前开发、判断一对基因是否构成合成致死关系、预测一名患者是否会对免疫治疗响应。“ 能做” 就远远不够了。关键问题在于AI agent 做出来的每一步分析，可信吗？可追溯吗？在证据冲突时， 智能体 怎么决策？在证据不足时， 智能体 会不会说 " 我不确定 " ？
近日， 哈佛医学院的隋芃玮/高尚华/MarinkaZitnik团队 在bioRxiv上发表了文章Medea: An omics AI agent for therapeutic discovery，发布了MEDEA，是这类问题最系统的一次回应： 一个会自我验证、会在证据不足时主动"闭嘴"的组学AI智能体(agent) 。


MEDEA 是一个面向治疗发现的组学 AI agent ，接受自然语言描述的研究目标，使用 20 个专业工具（包括 PINNACLE 、 TranscriptFormer 、 COMPASS 等 foundation model ）执行多步分析， 在每一步都内嵌了验证机制 。 MEDEA在三个开放式治疗发现任务上跑了5,679次完整组学分析，覆盖精准靶点发现（2,400次， 涵盖 5种疾病，29个 细胞类型 ）、合成致死推理（2,385次，7个癌细胞系）、以及患者级别的免疫治疗响应预测（894次，298名膀胱癌患者） 。
关键区别在这里：大部分现有 agent 要么在中间步骤产生幻觉，要么依赖固定模板无法跨 context 适配。 MEDEA 的做法不同：它在执行前验证工具与数据的兼容性，执行后审计输出与计划的一致性，对文献做相关性筛选而非直接聚合，在多源证据冲突时做结构化调和，在证据不足时选择弃权寻求帮助而非猜测 。


1. 精准靶点发现：细胞类型差一级，靶点就可能全错。分析“跑通了”不等于分析“做对了”
2,400 次分析，覆盖 5 种疾病（类风湿关节炎、 1 型糖尿病、干燥综合征、肝母细胞瘤、滤泡性淋巴瘤）和 29 种细胞类型。 MEDEA 比单独用大模型的准确率最高提升 45.9% 。
大模型在长链条分析中，LLM会悄悄模糊细胞类型 —— 比如把用户指定的 "naïve CD4+ αβ T 细胞 " 简化为 "CD4+ T 细胞 " 。但在类风湿关节炎中，这两种细胞的致病作用完全不同。 MEDEA 的 Context Verification 会每一步检查分析是否仍对齐用户指定的细胞背景。仅此一项，就在髓样树突细胞上让准确率提升 28.9% 。
消融实验揭示了一个结构性矛盾： LLM 单独使用时几乎不从不放弃回答（ 1.8% ），但错误率平均 69.2% ； Literature-only 配置 77.6% 的分析选择放弃回答 — — 因为细胞类型特异的文献实在太 少 。 完整 MEDEA 做到了 把多条证据通路串起来做交叉验证，达到最高准确率和最低失败率 。
2. 合成致死推理： 在大模型答错的地方“纠错”
2,385 次分析，覆盖 7 个癌细胞系。 MEDEA 比自己LLM backbone最高提升 21.7% （ MCF7 ） 。
值得注意的数字： MEDEA 在至少 323 个 LLM 答错的 case 中给出了正确判断，在 175 个 LLM 选择放弃回答的 case 中也给出了正确答案。同时，在 141 个 LLM 犯错的 case 中， MEDEA 选择了放弃回答而不是跟着错。 它整合了 DepMap 基因共依赖分数与通路富集分析，对基因对联合抑制是否会选择性杀死癌细胞，做出有据可查的判断 。
3. 免疫治疗响应预测：当证据打架时，AI 如何决策 ？
894 次患者级别分析，基于 IMvigor210 膀胱癌队列（298 名患者）。MEDEA 比大模型最高提升 23.9% 。在最困难的亚组（高 TMB、非炎症型微环境）中，MEDEA 修正了底层机器学习模型 50.9% 的误分类 。
一个有说明力的 case ：一名 TMB 19.0 的男性患者， GPT-4o 和 Claude 3.7 Sonnet 都预测 " 响应 "—— 高 TMB 通常意味着好的免疫治疗效果。但 MEDEA 的 Analysis 模块调用 COMPASS 模型分析肿瘤转录组后发现 T 细胞耗竭严重（ score 0.5067 ）、 B cell 浸润极低（ 0.0260 ），同时 LiteratureReasoning agent 检索到的文献恰恰支持“ 高 TMB→ 好响应” 。 两条证据直接矛盾。 MultiRoundDiscussion 调和后判定微环境功能障碍信号优先于 TMB 统计关联，预测“ 不响应” 。
患者的实际结局：疾病进展（progressive disease）。整个决策过程可追溯 。
4.验证机制往往比底层模型能力更重要
消融实验表明： MEDEA 的性能提升并非来自更强的底层大模型。无论用 GPT-4o 还是 Claude 3.7 Sonnet 做 backbone，去掉验证模块后性能都显著下降。这说明， 当前组学 agent 的瓶颈可能不在推理能力，而在过程可靠性 。
也正是因为框架机制，Medea会根据疾病 上下文 决定调用哪个最适配的工具 -- 类风湿关节炎用 PINNACLE，肝母细胞瘤用 TranscriptFormer。随着单细胞基础模型不断成熟，这种在异构模型空间中做 tool selection 的能力会越来越重要 。
透明的输出形态。 MEDEA 返回的不是一个标签，而是一份可审计的分析报告——研究计划、每步工具调用与输出、文献检索与相关性评分、证据调和的 reasoning trace。对于需要向团队解释“为什么推荐这个靶点”的场景，这种可追溯性是必需的 。
全部开源。 代码、 benchmark 、 20 个工具的配置均已发布。模块化设计支持选择性集成 。
如果从这篇论文里只带走一个 insight ，大概是这个：在药物发现中，一个自信的错误答案，远比一句诚实的“我不确定”代价更高。
MEDEA 在证据不足时选择不回答（ calibrated abstention ）可能是整篇工作中最被低估、却最有实际价值的能力。
https://www.biorxiv.org/content/10.64898/2026.01.16.v1
https://medea.openscientist.ai
https://github.com/mims-harvard/Medea
制版人： 十一
学术合作组织
（*排名不分先后）


战略合作伙伴
（*排名不分先后）


转载须知

【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。
BioArt
Med
Plants
人才招聘
近期直播推荐