近日，澳門科技大學人工智能交叉應用研究院院長張康教授團隊聯合中國科學院計算技術研究所趙屹教授團隊，並與多家科研及臨床機構合作，在國際權威期刊Nature Biomedical Engineering發表研究論文，題為“A multi-agent LLM framework with self-evolving capabilities for autonomous, tool-aware biomedical data analyses”。
該研究提出並系統驗證了一種全新的生物醫學人工智能框架——BioMedAgent。該框架面向生物醫學研究中分析流程複雜、專業門檻較高、自動化程度不足等問題，探索構建能夠自主規劃、調用工具並完成多步驟分析任務的「AI數據科學家」，為生物醫學數據分析提供了新的智能化解決方案。
作為澳科大人工智能交叉應用研究院推進“AI+X”交叉融合佈局的代表性成果之一，該研究體現了人工智能與醫學健康、生命科學、數據科學等方向的深度結合，也展現了研究院圍繞真實複雜問題推動人工智能走向場景應用的探索路徑。
隨著人工智能技術快速發展，其在醫學影像分析、電子健康記錄解析、多組學研究等領域已展現出重要應用潛力。然而，在真實複雜的科研場景中，面對多步驟推理、工具調用、跨模態數據整合等任務，如何使人工智能像具備經驗的研究人員一樣完成從任務理解、分析規劃到執行總結的完整流程，仍然面臨諸多挑戰。
針對上述問題，研究團隊開發了基於多智能體大語言模型的生物醫學數據分析框架 BioMedAgent。該系統通過構建多個協同工作的功能模組，實現任務規劃、代碼生成、工具調用、結果執行與回饋優化等環節的銜接，形成「思考—規劃—執行—反思」的完整分析閉環。與傳統模型相比，BioMedAgent能夠根據自然語言指令自動拆解複雜任務，並調用生物資訊學工具及數據庫接口，組織形成較為完整的數據分析工作流，從而提升複雜科研任務的自動化處理能力。
此外，研究還引入了互動式探索（Interactive Exploration, IE）與記憶檢索（Memory Retrieval, MR）機制，為系統在任務執行過程中的經驗積累與策略優化提供了支援。趙屹教授表示，BioMedAgent並不局限於零散的指令執行或輔助程式設計，而是形成了涵蓋「思考—規劃—執行—反思」的完整分析鏈路。其特點之一在於系統可在任務執行與糾錯過程中結合互動式探索和記憶檢索機制積累經驗，持續優化分析策略與代碼調用方式，從而逐步提升對複雜生物醫學問題的處理能力。
結果顯示，BioMedAgent在該基準測試中取得了良好表現：總體任務成功率達到77%，其中組學分析任務成功率達94%，機器學習任務成功率達90%。與現有主流大語言模型智能體方法相比，BioMedAgent在多個任務類別中均表現出明顯優勢，並在外部獨立基準測試中展現出較好的泛化能力。
除基準測試外，研究團隊還在多個真實科研任務中驗證了 BioMedAgent 的應用潛力。在跨組學研究場景中，系統可依據自然語言指令自動完成 RNA-seq 與單細胞 RNA 測序數據的聯合分析，識別差異基因並解析其細胞來源，所得結果與已有研究結論保持一致。在機器學習建模任務中，BioMedAgent可在無需人工程式設計干預的情況下完成從模型構建、訓練到評估的完整流程，並成功複現已有研究中的關鍵結論。在病理圖像分析任務中，系統通過自動集成解析度增強與細胞分割演算法，進一步提升了多類細胞分割精度，顯示出較強的實際應用價值。
研究團隊負責人表示，BioMedAgent並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，説明研究者在面對複雜數據和多步驟分析任務時提升效率、降低技術門檻。該成果展示了人工智能從單一工具輔助向更高水平自主協同分析邁進的潛力，也為多工具整合、多步驟推理和複雜科研流程自動化提供了新的技術路徑。
張康院長表示，澳科大人工智能交叉應用研究院研將繼續推動人工智能與醫學健康、生命科學、工程技術及數據科學等領域的深度融合，圍繞真實世界中的複雜問題開展聯合攻關，探索更高水平的人機協同科研「自動駕駛」新模式，為生命科學研究、新藥發現和臨床轉化提供有力支撐。
文章連結：https://www.nature.com/articles/s41551-026-01634-6
