Nat. Mach. Intell. | 深度知识图谱驱动的生物医学证据探索与综合

DRUGONE

与通用人工智能体相比，深度研究智能体能够进行更长链条的推理和更深入的文献探索，以研究复杂问题。研究人员提出 DeepEvidence，这是一个面向异质生物医学知识源的深度研究智能体，用于证据探索与综合。DeepEvidence 通过协调多智能体协作，将广度优先研究和深度优先研究结合起来，从多个生物医学知识库和文献中搜索、探索并聚合证据。它还会逐步构建由关键实体和观察结果组成的证据图谱，用于透明追踪、归因和验证研究过程。DeepEvidence 在四个开放基准上显著优于通用人工智能体。研究人员进一步建立了覆盖生物医学发现主要阶段的七类任务，包括药物发现、临床前实验、临床试验开发和循证医学。结果显示，DeepEvidence 在系统性证据探索和综合方面取得明显提升，提示深度研究智能体有望加速生物医学发现和转化研究。

文献和知识库是生物医学发现的基础，广泛用于文献挖掘、化学品和药物注释、基因和蛋白质表征、通路分析以及疾病—表型理解。PubTator、PKG、KEGG、Gene Ontology、OpenTargets 和 BioThings 等资源提供了丰富互补的生物医学实体、关系和注释信息，支撑现代科研工作流。然而，这些资源结构差异明显、持续更新，而且彼此之间并不总能无缝对齐，因此综合利用它们进行跨资源推理仍然困难。

人工智能体已经被用于系统综述、基因组学研究、空间生物学和生物标志物发现，也逐渐发展为能够与科学知识源和计算工具交互的“AI 科学家”。与此同时，深度研究智能体被提出用于自主搜索、推理和综合证据。但通用深度研究智能体主要面向非结构化网页文本，而生物医学研究中的关键证据分散在文献、结构化数据库、本体和知识图谱中。如何跨越这些异质知识源，发现细微关系并形成系统化证据综合，是生物医学深度研究的核心挑战。

研究人员提出 DeepEvidence，专门用于异质生物医学知识源上的深度研究。与通用深度研究系统不同，DeepEvidence 使用生物医学专用工具定位和链接不同知识库及文献中的实体，并通过广度优先研究和深度优先研究两种互补策略进行系统探索。系统还维护一个内部证据图谱记忆，在研究过程中持续更新关键实体、关系和观察结果，为发现过程提供结构化、可追踪和可验证的记录。

方法

DeepEvidence 是一个多智能体框架，由一个编排智能体负责规划任务，并将子任务分配给专门的研究智能体。系统包含两类研究智能体：广度优先研究智能体用于快速查询多个图谱和知识库中的一跳邻域，例如识别与疾病相关的药物或基因；深度优先研究智能体则基于广度搜索发现的关键实体，开展更深入的多跳探索，例如追踪文献引用关系并构建系统综述所需的证据图谱。DeepEvidence 还配备执行沙箱，使智能体能够编写并运行代码，大规模调用知识库接口、保存结构化结果并进行后续提取和分析。系统首先由编排智能体确定研究计划，选择广度优先和深度优先策略的顺序与组合；随后各研究智能体查询知识源、分析结果并更新证据图谱；最后由编排智能体聚合各智能体发现，形成最终结论。

图1｜DeepEvidence 系统概览与基准性能。

结果

DeepEvidence 在生物医学研究基准上表现突出

研究人员首先在四个开放生物医学基准上评估 DeepEvidence，包括 HLE-Medicine、LabBench-LitQA2、SuperGPQA-Medicine-Hard 和 TrialPanorama-EvidenceQA。这些任务要求模型具备一般生物医学知识、多跳推理和基于证据的研究能力。所有智能体系统使用相同底层语言模型，以突出 DeepEvidence 框架本身的贡献。

结果显示，DeepEvidence 在四个基准上均取得最佳表现。在 HLE-Medicine 上，DeepEvidence 达到 40.0%，明显高于 Biomni、ToolUniverse 以及通用大模型。在 LabBench-LitQA2 上，DeepEvidence 达到 64.7%，超过 Biomni 和 ToolUniverse。在强调困难机制推理的 SuperGPQA-Medicine-Hard 上，DeepEvidence 达到 47.1%。在基于真实临床试验证据的 TrialPanorama-EvidenceQA 上，DeepEvidence 达到 96.0%。这些结果说明，深度知识图谱研究能够提升生物医学多跳推理和证据综合能力。与仅进行浅层检索的通用智能体相比，DeepEvidence 通过持续更新的证据图谱引导广度—深度协同探索，从而实现更深入、更有针对性、更可靠的知识图谱研究。

药物发现与临床前研究

研究人员进一步评估 DeepEvidence 在药物发现和临床前研究中的能力。药物发现阶段主要关注可操作生物靶点识别，临床前研究阶段则关注作用机制阐释以及实验模型中的靶向生物学反应。

在靶点识别任务中，智能体需要根据给定疾病背景、靶点用途和方法类别，迭代搜索、聚合并评估证据，最终确定有充分依据的治疗或诊断靶点。DeepEvidence 的准确率为 68%，高于 Biomni 的 56%、ToolUniverse 的 40% 和通用大模型的 42%。研究人员观察到，基线方法常因工具池过大和检索噪声而难以选择合适工具，也容易在冲突证据和混杂语境中出现聚合错误。DeepEvidence 则通过更聚焦、更结构化的探索，提高了异质证据综合质量。

研究人员还设计了包含冲突证据的二分类靶点验证挑战，包括证据等级冲突、证据噪声和语境适用性冲突。DeepEvidence 在这些任务中表现最强，说明它能更好地区分不同证据来源的语境并避免错误混合。开放式靶点优先级任务中，DeepEvidence 在机制特异性、系统层面推理、证据意识、靶点优先级和治疗策略等多个维度优于 Biomni，整体评分也更高。

图2｜靶点识别实验结果。

在临床前机制推理任务中，DeepEvidence 被用于作用机制和通路推理，以及体内代谢通量反应预测。作用机制和通路推理要求智能体解释信号通路串扰、药物机制、生物标志物以及组学数据与表型结果之间的关系。DeepEvidence 准确率为 72%，高于 Biomni 和 ToolUniverse 的 44%，也高于通用大模型的 52%。这表明 DeepEvidence 更能将异质实验结果整合为连贯、符合生物学逻辑的机制解释。

在体内代谢通量反应预测任务中，智能体需要判断哪些肿瘤队列或生物标志物最可能在酶抑制后出现强烈的靶向代谢抑制。DeepEvidence 准确率为 80%，高于 Biomni 的 68%、通用大模型的 60% 和 ToolUniverse 的 52%。开放式转化验证任务中，DeepEvidence 在六个评价维度上优于 Biomni，整体评分也更高，说明其更适合综合临床前机制、体外证据和体内证据，评估候选药物是否值得推进至临床试验。

图3｜机制推理任务实验结果。

临床试验开发

临床试验开发要求根据疾病、药物机制、既往证据和安全性信息做出关键设计决策。研究人员设计了三个任务：样本量估计、给药方案设计和替代终点发现。

在样本量估计任务中，智能体需要根据统计假设、治疗组定义和类似研究证据推断所需受试者数量。DeepEvidence 准确率为 68%，明显高于 Biomni 的 20%、ToolUniverse 的 32% 和通用大模型的 24%。其优势来自对相似临床试验设计和样本量模式的系统性检索与总结，而基线方法常常直接推断或仅进行浅层搜索。

在给药方案设计任务中，智能体需要选择合适的药物组合策略，包括起始剂量、剂量递增方式、剂量限制性毒性定义、治疗周期、安全监测和主要目标。DeepEvidence 准确率为 52%，高于 Biomni 的 36%、ToolUniverse 的 28% 和通用大模型的 20%。分析显示，DeepEvidence 更常检索药品说明书、监管资料和相关文献，从而形成更完整的历史剂量和毒性证据视图。

在替代终点发现任务中，智能体需要基于治疗机制和疾病生物学背景，对候选替代终点进行合理性排序。DeepEvidence 在平均精确率、召回率和 F1 分数上均最高，分别为 73.2%、75.0% 和 73.3%。这说明它能更好地区分药物靶点、通路和生物标志物之间的上下游关系，从而做出更具机制基础的替代终点选择。

图4｜临床试验开发任务实验结果。

循证医学

循证医学强调以高质量临床证据指导医疗决策。随着新随机对照试验不断发表，既有系统综述可能过时，因此需要识别新的相关临床试验以更新证据。研究人员构建了证据缺口发现任务：智能体接收系统综述的研究问题、目标和纳入标准，并需要找出原综述未纳入但应被补充的新临床试验。

DeepEvidence 的证据缺口检出率为 90.0%，明显高于 Biomni 的 50.0%、ToolUniverse 的 15.0% 和通用大模型的 10.0%。在前 30 个候选试验中的召回率方面，DeepEvidence 达到 44.14%，也高于 Biomni 的 30.17%、ToolUniverse 的 5.06% 和通用大模型的 2.67%。这说明 DeepEvidence 更擅长发现证据缺口，并能覆盖更多相关研究。其优势来自对系统综述、随机对照试验和引用网络的深度研究，并结合疾病和药物知识图谱增强文献检索和研究筛选。

研究人员还评估了证据图谱质量。人工审查显示，证据图谱具有较高结构保真度，来源有效性为 100%，实体与关系规范化准确率为 99.7%，重复率较低。文本观察与引用来源的一致性整体为 93.3%，多数错误来自对文献表述的细微解释，而非实体链接错误。

消融实验显示，直接向模型暴露大量工具并不理想，容易造成工具混淆；加入代码执行可明显缓解这一问题。多智能体分解本身也不必然带来提升，只有设计专门的广度优先和深度优先研究策略后，性能才明显改善。二者结合时效果最好，说明广度探索和深度追踪具有互补价值。

图5｜循证医学任务实验结果。

讨论

DeepEvidence 是一个面向生物医学文献和知识库的深度研究系统，用于综合调查、证据综合和发现。这里的“深度知识图谱研究”并不意味着所有信息源都是显式知识图谱，也不意味着 DeepEvidence 是传统 GraphRAG 方法。许多生物医学资源具有图结构，但 PubMed 和 ClinicalTrials.gov 等重要来源是半结构化或非结构化的。传统图检索和图学习方法通常需要先将异质数据预处理成统一知识图谱，而在生物医学环境中，这一步由于知识源碎片化、异质性强且持续变化而非常困难。

因此，DeepEvidence 更准确地说是一个受图探索启发的深度研究智能体系统。它让大语言模型驱动的智能体通过广度优先和深度优先研究策略迭代扩展和精炼证据，同时逐步构建证据图谱，用于组织发现、记录来源并支持跨异质知识源推理。

生物医学深度研究存在三个关键挑战。第一，它需要长链条规划和多步推理，不能在探索过程中丢失中间发现。第二，它必须处理语境特异性，并协调不同来源之间的冲突证据。第三，研究过程必须透明，便于研究人员验证中间证据和结论。DeepEvidence 的设计正是围绕这些挑战展开：通过编排智能体监控整体进度，通过专门子智能体执行定向探索，通过底层大语言模型解释语境依赖证据，并通过显式证据图谱保留来源和推理轨迹。

该系统仍有局限。虽然 DeepEvidence 已整合多类生物医学实体和领域知识源，但覆盖仍不完整，当前基准也只代表生物医学研究任务的一部分。系统目前较依赖 KEGG、Gene Ontology 等模式稳定、接口质量较高的知识库；未来还需要适应专有或内部知识源，这些来源可能存在缺失值、结构不一致或接口不完整。另一个局限是处理冲突证据时仍主要依赖底层大语言模型的参数化推理能力，尚缺乏显式概率建模或不确定性感知机制。未来可引入概率推理框架或校准置信度建模，以提升在高冲突证据场景中的稳健性。最后，目前 DeepEvidence 主要使用广度优先和深度优先两种研究策略，它们虽优于通用智能体，但未必是最优策略。系统尚未在许多任务上达到专家水平，未来提升将依赖更强的语言模型，以及能让智能体自我发现更优研究策略的方法。

整理 | DrugOne团队

参考资料

Wang, Z., Chen, Z., Yang, Z. et al. Empowering biomedical evidence exploration and synthesis with deep knowledge graph research. Nat Mach Intell (2026).

https://doi.org/10.1038/s42256-026-01266-0

内容为【DrugOne】公众号原创｜转载请注明来源