Abstract
药物开发需要跨生物尺度和模式的证据整合，但相关工具是碎片化的。我们介绍虚拟Virtual Biotech，这是一个以药物开发公司为模型的人工智能（AI）agent组织，其agent分布涵盖目标发现、安全性评估、模式选择和临床开发。作者在三个药物开发决策点展示了它的效用。首先，超过37,000个agents对55,984项试验的结果进行了注释，发现针对细胞类型特异性基因的药物进入市场的可能性提高了48%，不良事件减少了32%。其次，它整合了多模式证据，提出了一种治疗肺癌的策略。第三，分析了一项终止性溃疡性结肠炎试验，并推断了失败的潜在机制。这些结果表明，人类引导的多主体系统可以进行透明的多尺度分析，为治疗开发决策提供信息。
Introduction
药物发现是生物医学领域最重要和最具挑战性的工作之一。将一种治疗方法从概念应用到临床，通常需要十多年的发展，耗资数十亿美元。尽管有这些投资，但大约90%进入I期试验的候选药物从未获得批准，失败的最常见原因是有效性和安全性不足。为了减少这种损耗，现代药物发现越来越多地利用来自不同来源的证据来验证靶标，包括但不限于人类遗传学、功能基因组学、单细胞和空间谱、结构生物学、药物化学和临床医学。
组织和科学上的瓶颈限制了这些证据在实践中的正确使用。收集和分析数据的专业知识在学科、格式和生物尺度上是分散的，产生了孤立的工作流程。此外，权衡不同的、有时相互矛盾的证据是困难的，特别是当组织动态或不同的先前信念影响决策时。分散的团队也会以不同的方式记录他们的工作流程，这使得结果难以审核，决策难以重建，此外，最近生物数据规模的爆炸式增长使得跨模式的人工整合更加困难。因此，尽管数据驱动的方法取得了进展，但早期药物开发仍然缓慢，资源密集，并且容易失败
人工智能（AI）agent 被提议加速涉及广泛数据分析的科学任务，因为它们是配备了工具和数据库的语言模型，使它们能够自主执行复杂的多步骤任务。指定角色并提供特定于领域的工具，例如生物信息学软件，可以使agent专门化，以完成一类任务。最近的研究还探讨了多智能体系统，其中多个专门的智能体协作解决复杂的问题。
在这里，我们介绍 Virtual Biotech，这是一个多智能体人工智能研究平台，可以检索，分析和整合多模式证据，以回答早期人类治疗发现中的科学问题。虚拟首席科学官（CSO）协调者将查询分解为可管理的子任务，将其引导给专门的AI科学家agent，并对其结果进行解释。这种结构化的协作鼓励对主要证据进行深入的数据驱动分析，并允许使用统一的推理层对不同来源的证据进行权衡，从而得出细微差别的结论。
Agent 系统已经在化学和人工智能研究自动化等科学领域显示出前景。在生物医学领域，针对特定工作流程的agent方法已经出现，其应用包括基因编辑、空间和单细胞组学、罕见疾病诊断和纳米体设计。尽管如此，这些框架主要集中在生物数据分析上，并且通常由单一代理控制。相比之下，Virtual Biotech是一个多Agent系统，明确设计用于整个人类治疗研发管道的转化推理。通过对大规模和复杂的药物发现数据进行协调分析，该系统可以用整体的、数据驱动的推理来回答科学问题。
Results
Virtual Biotech总览
The Virtual Biotech 模拟了一个跨功能的治疗研究组织。它由四个科学家agent部门组成，解决药物发现管道的关键步骤。每个部门的领域专业科学家agent都有互补的专业知识和领域特定工具，使他们能够查询、分析和整合跨翻译谱的生物医学信息，以对药物发现问题进行循证评估
{fig-alt=“figure1”, fig-align=“center”}