6.AI Agent for Biomedicine
Last updated
Was this helpful?
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。
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。
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。
适合具有较强计算机、人工智能、软件工程背景的同学。
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）。
技术报告（5–10 页），其中重点要包含：
Agent 系统架构图（Architecture）
一个真实案例展示（Case Study）
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）
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）
适合对生物学问题、科学思维和创新发现更感兴趣的同学。
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
... ...
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。
科学发现报告（5–10 页），重点包括：
AI 工作流程说明（Workflow）
支持假说的证据链（Evidence）
后续验证实验设计（Validation Plan）
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%
以下情况可获得额外加分：
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）
项目产出可复用的：
Code
Dataset
Workflow
Agent Framework
利用公开数据或其它方式进行了初步验证。
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？
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）。
Last updated
Was this helpful?
Was this helpful?