> For the complete documentation index, see [llms.txt](https://book.ncrnalab.org/teaching/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://book.ncrnalab.org/teaching/6.ai-agent-for-biomedicine.md).

# 6.AI Agent for Biomedicine

> 过去二十年，AI 主要用于“预测（Prediction）”；未来十年，AI 可能开始参与“发现（Discovery）”。本次大作业希望大家亲身体验这一范式转变。

## AI Agents for Scientific Discovery in Biomedicine

近年来，AI Agent 正在逐步改变科学研究的方式。AI 不再只是一个用于分析数据的工具（tool），而正在成为能够参与知识整合（knowledge integration）、假说生成（hypothesis generation）、实验设计（experimental design）和科学发现（scientific discovery）的研究伙伴。

以下三篇代表性工作展示了 AI Agent 在科学发现中的几个应用范式：

* **Nature (2026)**：*A multi-agent system for automating scientific discovery*
* **Science (2026)**：*Autonomous biomedical research with an artificial intelligence agent*
* **Cell (2026)**：*AI-driven discovery of GPNMB CAR-T cells as a multi-cancer therapy*

这些工作共同提出了一个重要问题：

> AI 是否能够帮助科学家发现新的规律、提出新的假说，甚至推动新的生物医学突破？

本课程大作业希望同学们围绕这一问题开展探索。

***

## 1) 作业形式

同学们可根据自身兴趣和特长，在以下两个方向中任选其一。

***

## 1-a) Track A：构建一个 Biomedical AI Agent

适合具有较强计算机、人工智能、软件工程背景的同学。

### 目标

设计并实现一个面向生物医学研究场景的 AI Agent。Agent 不必追求复杂或通用，而应聚焦于解决某个具体科研问题。

例如：

* **Agentic Bioinformatics Workflow (e.g., cfRNA Analysis Agent,  Single-cell Multi-omics Analysis Agent)**
* Biomedical Knowledge Graph Agent
* Biomarker Discovery Agent
* Drug Repurposing Agent
* Biological Experimental Design Agent
* Clinical Trial Matching Agent

你可以充分利用课程提供的：

* LLM API
* Agent Framework
* GPU 计算资源
* 公共数据库
* 开源工具链

完成一个具有实际科研价值的 Agent 原型（prototype）。

### 提交内容

1. 技术报告（5–10 页），其中重点要包含：
   1. Agent 系统架构图（Architecture）
   2. 一个真实案例展示（Case Study）
2. 演示视频（≤5 分钟）（建议在技术报告的最后放一个演示视频的清华云链接，不建议发原文件）
3. 源代码（Code）（建议在技术报告的最后放一个code 的 github 链接，不建议发原文件）

***

## 1-b) Track B：利用 AI Agent 开展科学发现

适合对生物学问题、科学思维和创新发现更感兴趣的同学。

### 目标

利用现有 AI Agents、LLMs 和相关工具，对一个重要的生物医学问题开展研究，并尝试提出：

* 新的科学假说（Novel Hypotheses）
* 新的作用机制（Mechanistic Insights）
* 潜在治疗策略（Therapeutic Strategies）
* 可验证预测（Testable Predictions）

你可以参考上述 Nature、Cell 和 Science 工作中的研究思路，模拟一个 AI-assisted Discovery 的过程。

研究方向不限，例如：

* **Therapeutic targets discovery for a specific disease**
* **RNA Delivery System**
* **RNA Therapeutics**
* Precision Medicine
* Host-Microbe Interaction
* Drug Repurposing
* ... ...

### 特别说明

本方向不要求进行湿实验（wet-lab experiments）。

但是，你需要尽可能利用现有证据来支持你的发现，例如：

* 文献证据（Literature Evidence）
* 公共数据库分析
* 多组学数据分析
* Pathway Analysis
* AI 辅助推理
* 多来源证据交叉验证

最终成果应尽量接近一份高质量的 Research Proposal。

### 提交内容

科学发现报告（5–10 页），重点包括：

1. AI 工作流程说明（Workflow）
2. 支持假说的证据链（Evidence）
3. 后续验证实验设计（Validation Plan）

***

## 2) 评分标准

| 项目                            | 比例  |
| ----------------------------- | --- |
| 创新性（Originality）              | 30% |
| 科学价值（Scientific Significance） | 25% |
| 技术严谨性（Technical Rigor）        | 20% |
| 证据质量（Quality of Evidence）     | 15% |
| 表达与展示（Presentation）           | 10% |

***

## 3) Bonus

以下情况可获得额外加分：

#### a. Outstanding Discovery

提出一个同时满足以下条件的假说：

* 新颖（Novel）
* 合理（Biologically Plausible）
* 有较强证据支持（Well Supported）

#### b. Open Source Contribution

项目产出可复用的：

* Code
* Dataset
* Workflow
* Agent Framework

#### c. Preliminary Validation

利用公开数据或其它方式进行了初步验证。

***

## 4) 我们最看重什么？

本课程并不是在评比：

> 谁做出了最复杂的 Agent。

而是在探索：

> AI 是否能够真正帮助人类进行科学发现（Scientific Discovery）。

一个简单的 Agent，如果能够帮助发现一个有价值的新规律，往往比一个复杂但没有科学产出的系统更有意义。

因此，我们希望大家关注以下问题：

* AI 能否发现一个被忽视的生物学机制？
* AI 能否提出一个值得验证的新假说？
* AI 能否设计出更好的实验？
* AI 能否帮助科学家看到原本容易忽略的规律？

***

## 5) 最终思考（Final Reflection）

在报告最后，请加一章”**最终思考（Final Reflection）**“， 回答下面这个问题：

> **Without AI, would this discovery have been significantly harder, slower, or less likely to happen?**
>
> 如果没有 AI，你的发现是否会变得显著更困难、更缓慢，甚至根本不太可能发生？

请结合你的项目过程进行分析，这也是本次大作业最希望大家思考的问题：

> AI 的价值不仅在于提高效率（Efficiency），更在于是否能够扩展人类探索未知世界的能力（Expanding the Frontier of Discovery）。