北京大学、宾夕法尼亚大学等多校联手：让AI不再只会"写报告"，而是给生物医学研究者一个真正能用的探索工作台

这项由北京大学、宾夕法尼亚大学、伊利诺伊大学厄巴纳-香槟分校、普渡大学和斯坦福大学联合开展的研究，以预印本形式发布于2026年6月，论文编号为arXiv:2606.20997。感兴趣的读者可通过该编号在arXiv平台查阅完整论文。

**研究概要**

假设你是一位生物医学研究者，手里攥着一份从数百名患者身上测出来的数据表格——表格里密密麻麻地列着几十种蛋白质的名字，以及它们在某种疾病患者身上异常升高或降低的统计数字。你的任务是搞清楚：这些蛋白质到底在疾病中扮演了什么角色？哪几个最值得深挖？背后有没有文献证据？有没有已知药物可以作用于这些靶点？

过去，研究者通常会把这些问题扔给一个AI系统，得到一篇几千字的分析报告。报告读起来似乎头头是道，但问题在于：你根本不知道它是从哪些文献得出的结论，也不知道某个机制链条是"有充分证据"还是"纯属推断"，更无法在读报告的过程中追问"等等，这个蛋白质和那个通路的关系，你是从哪篇论文里找到的？"。换句话说，这篇报告就像一道端上桌的菜，你只能接受它的味道，却看不见厨房里发生了什么，也没法告诉厨师"这道菜的盐放多了"。

正是为了解决这个问题，研究团队开发了一套叫做BioInsight的多智能体系统。它的核心思路不是给你一道端好的菜，而是把整个厨房开放给你——让你看见每一种食材从哪里来、如何被处理、为什么被搭配在一起，甚至在用餐过程中还能随时拉开抽屉，翻出某种香料的原始产地证明。

一、为什么静态报告对生物医学研究者来说还不够用

生物医学研究的决策过程，和我们日常做决定的方式有一个根本区别：它不是"读完报告、相信结论、付诸行动"这样线性的流程，而是一个反复追问、不断验证、边看证据边调整思路的循环过程。

举个具体的例子。一个研究阿尔茨海默症的科学家，拿到一张包含10种血浆蛋白质的表格，每种蛋白质都有统计显著性的关联数值。他需要回答的问题不是"这10种蛋白质重要不重要"，而是"哪3种最值得优先研究？它们是不是在同一条生物通路上互相影响？有没有现成的药物能作用于这些蛋白质？支持这个结论的文献是2015年的老研究还是最近两年的新证据？"

这些问题环环相扣，而且在回答一个问题的过程中，往往会产生新的问题。如果面对的只是一篇静态报告，研究者既无法追溯每一条结论的来源，也无法在界面上直接调整视角、对比不同机制假说，更无法在同一个工作台上完成从"概览全局"到"深挖细节"的无缝切换。

这就是BioInsight要填补的空白：把静态报告生成，升级成以证据为中心的交互式界面生成。

二、BioInsight是怎么工作的——一个分工明确的"研究厨房"

BioInsight的架构可以用一个协作厨房来理解。厨房里有四个岗位，每个岗位只负责自己最擅长的那道工序，并且严格按照规格把"半成品"传递给下一个岗位，而不是把所有东西混在一个大锅里乱炖。

整个流程从一份输入开始：一个疾病名称、一张蛋白质关联表（包含每种蛋白质的风险比、置信区间、P值等统计字段），以及可选的患者队列元数据。系统会产出六类不同的"工件"——排好序的通路表格、文献证据包、蛋白质层面的推理备注、带引文的报告、仪表板架构，以及最终渲染出来的可交互界面。

第一个岗位是规划与检索。这里的"规划智能体"负责把输入的蛋白质集合映射到富集的生物学通路上，使用的工具叫做g:Profiler，这是一个成熟的基因/蛋白质通路富集分析工具。在拿到候选通路列表后，系统会用BioBERT（一种专门针对生物医学文本训练的语言模型）计算通路名称之间的语义相似度，把几乎重复的条目合并掉，避免后续分析被冗余信息淹没。

通路的排序不是单纯按统计显著性来的。系统给每条通路算一个综合得分，权重是：40%来自富集P值（统计上这组蛋白质多大程度上集中在这条通路），60%来自文献相关性（已有多少专门研究这个疾病和这条通路关系的文献）。这样设计的逻辑是：一条通路在统计上显著，不代表它在这个疾病的语境下有实际意义；反过来，文献支持强的通路，即使统计富集稍弱，也更值得关注。

与此同时，"检索智能体"会针对每条候选通路，用疾病名称加通路名称构造检索词，同时向PubMed和Semantic Scholar发起查询，每次最多取50篇（PubMed）和30篇（Semantic Scholar）文献。每篇文献会得到一个综合评分，考虑三个因素：疾病-通路关键词匹配度（权重45%）、BioBERT语义相似度（权重35%）、引用量的对数缩放分（权重20%）。最终得分还会乘以一个期刊权重系数，并被截断到合理范围内，避免某些高影响力期刊的文章占据绝对压倒性的优势。只有综合得分达到0.25及以上的文献才会被保留，每条通路最多保留20篇验证文献。

第二个岗位是推理合成。"推理智能体"拿到的不是原始检索结果，而是已经过滤和排序的证据包，包括通路描述、与该通路相交的蛋白质集合、原始统计数值、验证文献、蛋白质功能注释，以及蛋白质互作网络数据（来自STRING数据库）。

这个智能体的输出也不是自由文本，而是结构化的推理备注，格式像一份固定模板的调查报告：通路解释、疾病相关性、关键蛋白质摘要（每种蛋白质的功能注释、原始统计数值、引文链接）、蛋白质互作模块解释、不确定性声明，以及整体引文列表。

蛋白质互作的处理方式值得单独说说。系统会把与某条通路相交的蛋白质构建成一个无向加权图，边的权重来自STRING数据库的互作置信分。然后找出图中的连通分量（可以理解为"紧密抱团的蛋白质小圈子"），按内部边的权重和规模排序，取前两个最显著的分量进行模块级别的推理。那些游离在外、没有高置信互作伙伴的蛋白质，则单独用功能注释来分析。这个设计的价值在于：它把"有互作证据的协同机制"和"孤立的蛋白质功能线索"区分开来，避免把两种性质不同的证据混为一谈。

第三个岗位是写作。"写作智能体"把推理备注整理成一篇结构完整的科学报告，包含疾病介绍、患者队列与蛋白质摘要、排序后的通路表格、通路级分析、蛋白质级解释、互作摘要与链接、可选的药物或靶点背景，以及引文标识符。每个引文都可以追溯到具体的PMID，确保"这句话是从哪篇文献得出的"这个问题在报告中随时可以回答。

第四个岗位是可视化。"可视化智能体"接收的输入不是报告文本，而是和报告完全相同的结构化证据对象——通路、蛋白质、文献、互作边，以及来自Open Targets和DGIdb的药物关联数据。它把这些对象按照预定义的架构转换成一个仪表板方案，再渲染成可交互的界面。整个过程中，语言模型的作用仅限于把过长的显示文字缩短，不允许生成新的证据节点。这意味着：报告里有什么，仪表板里才能有什么；没有证据支持的条目，不会凭空出现在可视化界面上。

这四个岗位由一个中央调度器（"哈网"，harness）协调，负责验证每个阶段输出的必填字段是否完整，并以类型化工件的形式在智能体之间传递信息，而不是传递非结构化文本。这个设计的好处是：每一个中间产品都有明确的格式规范，任何一个岗位产出异常，都可以在边界处被检测和处理，而不是悄无声息地污染下游结果。

三、系统如何应对"出错"——比生成错误更重要的是诚实面对错误

生物医学AI系统最危险的失败模式，不是"不知道答案"，而是"不知道自己不知道，还煞有介事地给出答案"。BioInsight为此设计了一套明确的降级行为规则。

当通路富集分析返回不了显著通路时，系统会直接报告"输入蛋白质集合无法支持通路级解释"，而不是编造机制。当某条通路在统计上显著但几乎没有文献支持时，系统会保留这条通路在排序表中，但把其叙述性解释标记为"文献支持薄弱"或"探索性"。当某种蛋白质缺少功能注释时，相关解释会被省略或标记为"功能证据不可用"。当STRING数据库找不到互作边时，系统不会做任何基于互作模块的推断，而是回退到单蛋白质功能分析模式。当Open Targets或DGIdb没有某个蛋白质的记录时，系统不会把"缺乏记录"解读为"没有治疗相关性"。

这种诚实地暴露证据不足、而非用流畅文字掩盖的设计，对生物医学决策场景尤为重要。研究者在看到一个被标记为"探索性"的通路时，得到的信息量远大于看到一段听起来头头是道但实际上缺乏支撑的叙述。

四、和其他AI研究工具相比，BioInsight处在一个什么位置

目前市面上的AI研究工具大致可以分成几类，研究团队把它们与BioInsight做了一个清晰的对比定位。

"深度搜索"类工具（DeepSearch风格）的强项是找到具体的、隐藏的事实或实体，输出通常是一个或几个答案，评估标准是精确匹配。它的弱点是深度推理依赖单一模型从头到尾完成，中间证据对用户不透明，多跳链条（比如"这个蛋白质通过这条通路影响了这个细胞过程，而这个细胞过程又和疾病的这个症状相关"这样的推理链）难以检验。

"深度研究"类工具（DeepResearch风格）能生成系统性的长篇报告，可读性比搜索结果强，但报告是静态的，证据链深埋在文本里，用户很难追溯"这个结论从哪来"，更新和修改代价很高。

"广度搜索"类工具（WideSearch风格）擅长系统性地搜集和组织大规模结构化信息，输出是表格，评估标准是覆盖率和召回率。但当信息规模变大时，表格本身会变得难以阅读，也缺乏机制层面的推理。

BioInsight的定位是：在疾病中心化的蛋白质解释这个特定场景下，把检索、推理、报告写作和可视化整合成一个证据可追溯的交互式工作台，输出是带引文的报告加可交互仪表板，评估包含人工评估和定量生物医学推理指标。它的核心挑战不是任何单一环节，而是如何在整个流程中保持证据的连贯性和可检验性。

五、评估设计：三个维度的互补检验

研究团队设计了三层评估体系，分别从不同角度检验BioInsight的能力。

第一层是BioASQ Phase B的标准化生物医学问答测试。BioASQ是一个成熟的生物医学问答基准，包含是/否题、事实题和列表题。这一层测试的问题是：在进入复杂的端到端报告生成之前，系统能不能可靠地从检索材料中识别出正确的生物医学实体、规范化表达，并选出有证据支持的答案？这是后续复杂任务的基础能力检验。

BioInsight在全部五个指标上均达到最佳或并列最佳。最显著的提升出现在需要排序和多答案提取的题型上：在事实题的平均倒数排名（MRR，衡量正确答案是否排在靠前位置的指标）上，BioInsight比最强基线高出1.9个百分点；在列表题的F值（衡量答案集合的查全率和查准率的综合指标）上，高出4.4个百分点。这个结果验证了：系统的证据-实体映射流程在基础任务上是可靠的。

第二层是BioInsight-100蛋白质功能分析挑战集。研究团队从UniProt（蛋白质功能数据库）和STRING（蛋白质互作数据库）的真实数据出发，先用GPT-5.5生成候选问题，再由生物医学领域专家人工筛选，最终形成100道需要跨证据源推理的挑战题，称为BioInsight-100。每道题都需要综合蛋白质功能注释、互作网络、通路背景和疾病机制来给出答案，并对答案的生物医学准确性、证据使用情况、蛋白质功能特异性、通路或互作推理质量和表达清晰度进行0到10分的专家评分。

BioInsight在五个系统中获得最高平均分8.62，而第二名是GPT-5.5，平均分为6.16，第三名Gemma-4-31B为4.09，Qwen3.5-9B为2.76，DR-Tulu-8B为2.07。从分布图来看，BioInsight的得分集中在高分区间，说明它的蛋白质中心推理不仅均值高，而且稳定性也更好。

第三层是端到端生物医学证据综合的报告和仪表板评估。研究团队选取了五种疾病：阿尔茨海默症、抑郁症（MDD）、房颤与心房扑动（AF）、慢性肾脏病（CKD）和类风湿性关节炎（RA）。这五种疾病覆盖了神经退行性、精神科、心脏、代谢肾脏和自身免疫炎症等不同的生物医学决策情景，能够全面检验系统面对不同机制背景时的表现。

参与对比的系统包括：Claude Sonnet 4.6、GPT-5.5加搜索、Gemini Deep Research、Gemma-4-31B加搜索、Qwen3.5-9B加搜索、DR-Tulu-8B、BioInsight完整版，以及去掉了显式搜索与推理分解模块的BioInsight消融版。为了让对比结果不受搜索能力差异的干扰，所有"加搜索"的系统使用的都是BioInsight自己检索到的文献，这样能更纯粹地评估报告生成和推理整合的质量差异。

评估维度分为自动评估和人工评估两部分，各覆盖四到五个维度：覆盖度（是否把所有关键模块都分析到了）、生物医学有效性（生物学陈述是否准确可信）、证据溯源与可追溯性（每个结论能否追溯到具体证据）、优先级排序与研究深度（排序是否有证据支撑且有区分度），以及在人工评估中额外加入的可读性与仪表板可用性。人工评估邀请了四位领域专家，在不知道哪个系统输出哪份报告的情况下打分，输出顺序随机排列以减少位置偏见。

从结果来看，BioInsight在证据溯源和优先级排序这两个维度上优势最为突出，这恰恰是工作流结构决定的能力，而不是单纯由底层语言模型的生物医学知识量决定的。相比之下，生物医学有效性这个维度在最强的几个系统之间差距较小，说明这个维度更多地取决于底层模型本身的知识质量。去掉搜索分解的消融版在覆盖度、有效性、可追溯性和排序上都出现了一致的下降，说明显式搜索对于让推理过程落地、让蛋白质优先级排序更有据可依是必要的。

专家的定性评价进一步揭示了一个有趣的发现：BioInsight是唯一一个能持续性地把疾病关联证据（也就是蛋白质统计数值）与机制解释直接关联起来的系统，而不只是给出一个通用的生物学摘要。这对研究者的意义在于：他们能在报告中看到"这个蛋白质的风险比是多少，文献中哪些研究证实了它在这个疾病中的作用"，而不只是"这个蛋白质在细胞里负责什么功能"。另外，专家们也指出，他们愿意使用清晰组织的Markdown格式报告，仪表板的价值不在于"很好看"，而在于它提供了一条从通路到蛋白质、从蛋白质到文献的可导航路径，让证据检查变得可操作。

六、阿尔茨海默症案例：从10个蛋白质到可探索的证据地图

研究团队以阿尔茨海默症为例，展示了BioInsight的完整运作过程。选择这个疾病的理由是：阿尔茨海默症的蛋白质信号不集中在单一通路上，而是分散在突触功能障碍、脂质代谢、胶质细胞激活、轴突损伤和神经退行性变等多个层面，非常适合测试系统处理多通路、多假说的能力。

输入是疾病名称、患者队列元数据，以及10种统计显著的血浆蛋白质。系统依次完成通路富集候选规划、疾病特异性文献检索、通路-蛋白质-互作-药物证据的整合推理，最后把结构化证据渲染成可交互仪表板。

在最终的证据地图里，APOE蛋白出现在多条通路的交叉点上，连接着脂质受体生物学、囊泡组织、突触过程和轴突相关假说，体现了它在阿尔茨海默症中作为"跨通路驱动因子"的已知地位。GFAP和NEFL为胶质细胞损伤和轴突损伤提供了支持，而SNAP25和SYT1则构成了一个突触前囊泡和化学突触的互作模块。文献支持较弱的蛋白质仍然在界面中可见，但被标注为"探索性"，不会被混入主要机制链条。

这个案例揭示了一个微妙但重要的逻辑：统计上富集的通路，不一定在这个特定疾病的文献背景下有清晰的支撑；而文献支持中等但疾病相关性更明确的通路，对研究者来说可能反而更有价值。BioInsight把这两类信息同时呈现出来，让研究者自己判断，而不是系统替研究者做出这个取舍。

七、这项研究指向什么方向，又有什么局限

研究团队明确指出，BioInsight的设计目标是支持生物医学研究解释和假说生成，不是临床诊断或治疗方案选择，更不是对任何已生成机制的临床验证。最主要的伦理风险是：用户可能把系统自动生成的通路解释、蛋白质注释或药物-靶点关联当作经过验证的生物学机制或治疗结论，而实际上这些都需要独立的生物医学分析和专家审查才能使用。

在技术局限上，检索仍然可能遗漏重要研究，或者选入了主题相关但机制上关联薄弱的文献，蛋白质同义词的歧义、数据库覆盖不完整和噪声输入数据都会影响结果质量。当信息从检索、推理、写作到可视化逐步流转的过程中，也可能发生一定程度的覆盖损失——有些被检索到的证据可能没有出现在最终报告里。研究团队认为这是一个开放问题：更多的检索信息不一定带来更好的报告，如果这些信息无法被有效排序、接地气地呈现，它们反而会成为干扰。

归根结底，BioInsight的价值主张是：把生物医学AI的中间工件从黑盒里取出来，让证据、推理过程和视觉展示紧密绑定，使研究者在探索过程中能够随时验证、随时追问。它的三轮评估结果共同说明，这种以结构化证据工件为核心的哈网设计，确实在事实性问答、跨证据推理和端到端报告综合这三个方向上都带来了可测量的提升。有兴趣深入了解系统设计细节、评估协议或完整实验数据的读者，可以通过arXiv编号2606.20997查阅完整论文。

---

Q&A

Q1：BioInsight和普通AI报告生成工具有什么本质区别？

A：普通AI报告工具通常把检索和推理混在一个模型里完成，最终给出一篇静态文本，用户无法追溯具体结论来自哪篇文献、基于哪个统计数值。BioInsight的不同在于：它把整个流程拆分成规划、检索、推理、写作和可视化五个有明确输出格式的阶段，每个中间结果都以结构化工件的形式保存，最终的交互式仪表板和报告共享完全相同的底层证据对象，让用户能从任何一个结论追溯到对应的蛋白质统计数值、文献引用和互作证据。

Q2：BioInsight在阿尔茨海默症案例中是如何处理多通路复杂场景的？

A：在阿尔茨海默症案例里，系统把10种血浆蛋白质映射到多个候选通路，发现APOE在脂质代谢、囊泡组织、突触过程和轴突相关通路上都有交叉，被识别为跨通路驱动因子。系统同时保留了统计富集强但文献支持弱的通路（标注为探索性），以及文献支持更充分的通路，让研究者自己权衡两类证据，而不是由系统替代这个判断。

Q3：BioInsight-100蛋白质功能分析基准是怎么构建的，为什么要专门建这个测试集？

A：现有的标准化生物医学问答基准（如BioASQ）侧重于从给定文档中抽取精确答案，无法测试需要综合多来源证据（蛋白质功能注释、互作网络、通路背景、疾病机制）并进行推理排序的复杂能力。为此，研究团队从UniProt和STRING数据中出发，先用GPT-5.5生成候选问题，再由生物医学专家人工筛选100道需要跨证据推理的挑战题，形成BioInsight-100，专门用来评估这种更接近真实研究场景的蛋白质功能分析能力。