Агенты на основе больших языковых моделей для биологического интеллекта в геномике, протеомике, пространственной биологии и биомедицине
Large language model agents for biological intelligence across genomics, proteomics, spatial biology, and biomedicine
2026-03-01
SCID: 54.1/egbe6xaq
Discuss with AI
автоматизированные биоинформатические рабочие процессыбиологический интеллектзамкнутый цикл экспериментального проектированияагенты больших языковых моделеймультимодальное рассуждение
Figures from the paper
Abstract (AI)
Большие языковые модели (БЯМ) эволюционируют от пассивных предикторов к агентным системам, способным к планированию, использованию инструментов и мультимодальному рассуждению. Этот переход особенно важен для биологии, где сложные, зашумлённые и многомасштабные данные требуют адаптивных и интегративных вычислительных стратегий. В настоящем обзоре впервые представлена систематическая синтезация агентов на основе БЯМ в области геномики, молекулярной биологии, визуализации, биомедицинского анализа и автоматизированных биоинформатических рабочих процессов. Мы анализируем более 60 формирующихся систем и объединяем их в рамках единой концептуальной схемы, характеризующей такие агентные свойства, как автономное принятие решений, вызов внешних инструментов, память и самокоррекция. В различных областях агентные БЯМ демонстрируют перспективность для многоэтапного анализа, связывания разнородных свидетельств и поддержки исследовательских задач поискового характера. Вместе с тем наш сравнительный анализ выявляет устойчивые проблемы, включая нестабильность рассуждений, ограниченную биологическую обоснованность, несогласованность поиска и извлечения информации, а также препятствия для воспроизводимости и биобезопасности. В заключение мы обозначаем перспективы создания надёжных и кооперативных биологических агентов, включая мультимодальную интеграцию, замкнутое проектирование экспериментов и применение устойчивых практик оценки. Этот обзор призван прояснить формирующийся ландшафт и наметить путь к надёжным агентным системам для биологических открытий.
Key Findings
1
В различных биологических областях агентные LLM демонстрируют ранний потенциал для многоэтапного анализа, интеграции неоднородных свидетельств и исследовательских задач.
2
Сравнительная оценка выявляет повторяющиеся ограничения: нестабильность рассуждений, слабую биологическую обоснованность, несоответствие извлечённой информации запросу, а также препятствия для воспроизводимости и биобезопасности.
3
Предложена единая схема классификации агентных возможностей, включая автономное принятие решений, использование внешних инструментов, память и самокоррекцию.
4
Ключевыми направлениями развития надёжных биологических агентов названы мультимодальная интеграция, замкнутый цикл планирования экспериментов и строгие практики оценки.
5
В обзоре систематически обобщаются более 60 агентных систем на базе LLM, охватывающих геномику, молекулярную биологию, визуализацию, биомедицинский анализ и биоинформатические рабочие процессы.
Research Object
Агенты на основе больших языковых моделей, применяемые в биологических исследованиях в области геномики, протеомики, пространственной биологии, визуализации, молекулярной биологии, биомедицины и рабочих процессов биоинформатики
Research Subject
Их агентные возможности, применения, сравнительная эффективность и проблемы при автономном многоэтапном биологическом анализе и научных открытиях
Publication Details
Publication Date
2026-03-01
Journal
Publisher
ISSN
Cited by
13
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest