OriGene: A Self-Evolving Virtual Disease Biologist Automating Therapeutic Target Discovery

本文介绍了 OriGene，一种通过集成 600 多种工具、结合知识图谱检索增强生成与自我进化机制来自动发现治疗靶点的虚拟疾病生物学家系统，该系统在基准测试中表现优于人类专家，并成功鉴定出在肝癌和结直肠癌模型中具有显著抗肿瘤活性的新靶点。

要点

这篇论文介绍了一个名为 OriGene 的超级人工智能系统。你可以把它想象成一位**“不知疲倦、自我进化的虚拟疾病生物学家”**。

为了让你更容易理解，我们可以把药物研发的过程比作**“在茫茫大海中寻找一座能拯救生命的宝藏岛”**。

1. 过去的难题：大海捞针，容易迷路

• 现状：以前，寻找治疗癌症等疾病的“靶点”（也就是药物要攻击的特定目标，就像宝藏岛的坐标），主要靠人类科学家。
• 困难：这就像让一个人在没有地图、没有指南针的情况下，在巨大的海洋里找岛。
  • 数据太分散：基因数据在一张纸上，临床记录在另一本账本里，文献资料在图书馆的书架上。它们互不相通。
  • 效率太低：科学家需要花几年时间阅读、猜测、实验，而且经常猜错。
  • 成本太高：每验证一个错误的假设，就要花费数百万美元，就像为了找错岛而烧掉了一艘船的燃料。

2. OriGene 是什么？一位“全能超级侦探”

OriGene 就是为了解决这个问题而生的。它不是那种只会聊天的大模型，而是一个由多个专家组成的“侦探团队”，专门负责在生物医学的海洋里找宝藏。

• 它的装备（600+ 种工具）：
  想象 OriGene 有一个超级工具箱，里面装着 600 多种专业工具。

  • 有的工具像**“显微镜”**，能看基因细节；
  • 有的像**“图书馆”**，能瞬间读完几百万篇论文；
  • 有的像**“雷达”**，能扫描全球的临床试验数据。
    它能同时使用这些工具，把分散的信息拼成一张完整的藏宝图。

• 它的团队（多智能体协作）：
  OriGene 不是一个人在战斗，它内部有五个角色在配合：

  1. 指挥官 (Coordinator)：接到任务后，把大问题拆解成小任务（比如：“先查这个基因在癌症里多不多？”）。
  2. 规划师 (Planning)：决定用哪个工具去查，怎么查。
  3. 推理员 (Reasoning)：把查到的所有线索拼起来，分析逻辑，找出规律。
  4. 批评家 (Critic)：这是最关键的！它会像**“严厉的质检员”**一样，不断挑刺：“这个结论证据够吗？”“有没有矛盾的地方？”“是不是漏掉了什么？”然后要求重新查。
  5. 报告员 (Reporting)：最后把结果整理成一份清晰的报告。

3. 它的超能力：自我进化（越用越聪明）

这是 OriGene 最厉害的地方。普通的 AI 就像一本**“死书”，写完就定型了。但 OriGene 像是一个“活生生的人”，它会“自我进化”**：

• 即时反思（Level 1）：在解决一个问题时，如果它发现走错了路，它会立刻停下来，自我批评，换条路再试，直到找到正确答案。这就像你做题时，做错了马上改，越做越顺。
• 经验积累（Level 2）：每次它成功解决了一个难题，它会把这次成功的“思考过程”记录下来，变成一个新的**“解题模板”**。下次遇到类似的问题，它就直接调用这个更聪明的模板。
  • 比喻：就像一位厨师，每做出一道好菜，就记录下一份更完美的食谱。做得越多，他的菜谱库就越丰富，厨艺就越高超，甚至能发明新菜。

4. 实战成果：它真的找到了“宝藏”

为了证明它不是只会纸上谈兵，研究人员让它去挑战两个真实的癌症难题：

• 肝细胞癌（肝癌）：
  OriGene 在海量数据中锁定了一个以前被忽视的基因叫 GPR160。
  • 结果：人类科学家后来在实验室验证，发现抑制这个基因确实能杀死肝癌细胞，还能激活免疫系统去攻击肿瘤。
• 结直肠癌（肠癌）：
  它锁定了另一个基因 ARG2。
  • 结果：不仅验证了它有效，OriGene 还像个**“自动化工厂”**，自己设计、优化了针对这个基因的肽类药物，并在实验室里证明这些药对癌细胞很有效。

5. 总结：为什么这很重要？

这就好比以前我们找药是靠**“盲人摸象”，现在 OriGene 给了我们一副“透视眼”和“自动驾驶仪”**。

• 更快：它能在几天内完成人类科学家几年才能做完的筛选工作。
• 更准：它不会像人一样因为疲劳或偏见而忽略线索，它能同时处理成千上万条数据。
• 更省钱：它能在昂贵的实验室实验之前，先在虚拟世界里把大部分错误排除掉。

一句话总结：
OriGene 是一个**“会学习、会反思、拥有超级工具箱的虚拟科学家”**。它正在把药物研发从“靠运气和直觉的慢工出细活”，变成“靠数据和逻辑的精准快车道”，有望让未来的新药研发更快、更便宜，让病人更早用上救命药。

技术摘要

这篇论文介绍了一个名为 OriGene 的自进化多智能体系统，该系统充当“虚拟疾病生物学家”，旨在大规模、系统地识别具有原创性和机制基础的药物治疗靶点。以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

• 药物研发瓶颈：尽管技术进步显著，但超过 90% 的药物候选物在临床开发中失败。主要原因往往不是化合物本身的问题，而是初始假设错误（如靶点的生物学角色、疾病相关性或可成药性判断失误）。
• 数据碎片化：关键模态（基因组学、转录组学、蛋白质组学、临床记录等）的数据和分析工具通常孤立运行，缺乏跨模态推理和机制整合的框架。
• 现有 AI 的局限性：虽然大语言模型（LLM）和智能体框架在科学推理方面取得进展，但它们并非专为药物靶点发现设计，缺乏将分子机制与疾病病理、药理学及竞争格局深度结合的结构化推理能力。
• 缺乏基准：目前缺乏针对靶点发现任务的标准基准，难以系统评估 AI 系统的性能。

2. 方法论 (Methodology)

OriGene 是一个集成了超过 600 种专业工具和 18 个 curated 生物医学数据库的自进化多智能体系统。

• 核心架构 (多智能体协作)：

  • Coordinator Agent (协调员)：将复杂的生物问题分解为结构化的子问题，遵循领域特定的“思维模板”（Thinking Templates）。
  • Planning Agent (规划员)：结合自适应工具选择系统，动态决定调用哪些数据库或计算工具来解决子问题。
  • Reasoning Agent (推理员)：综合多模态输出，识别基因、疾病、分子和通路之间的关系及矛盾，压缩信息。
  • Critic Agent (批评员)：进行严格的差距分析，评估解决方案的完整性和科学严谨性，提供反馈以驱动迭代优化。
  • Reporting Agent (报告员)：生成结构化的科学报告。
  • 记忆库 (Memory Bank)：集中存储原始数据和处理后的证据，支持透明度和知识管理。

• 工具集成与检索 (Tool-RAG)：

  • 利用 模型上下文协议 (MCP) 集成 600+ 工具。
  • 采用基于知识图谱的 Tool-RAG 策略：构建包含 23 种生物实体类的知识图谱，通过两阶段检索（通用选择器 + 专家选择器）从 600+ 工具中精准匹配最合适的工具，避免上下文过载。

• 自进化机制 (Self-Evolving)：

  • Level 1 (单次查询内)：通过测试时扩展（Test-time scaling），在单次任务中通过“分解 - 工具调用 - 反思 - 重规划”的迭代循环，利用更多计算资源提升回答质量。
  • Level 2 (系统级能力)：从高质量的成功解决轨迹中提取新的“思维模板”，更新模板库。这是一个无监督的自我学习过程，使系统能随着经验积累不断进化，无需重新训练基础模型。

• 基准测试 (TRQA)：

  • 构建了 TRQA (Target Research Question-Answering) 基准，包含 1,921 个专家级问答对。
  • TRQA-lit：基于文献（1,280 题），涵盖基础生物学、疾病生物学、临床医学和药理学。
  • TRQA-db：基于数据库（641 题），涵盖药物研发管线和临床试验的竞争格局。

3. 主要贡献 (Key Contributions)

1. 首个自进化虚拟疾病生物学家：提出了一种能够自主整合多模态数据、进行跨尺度推理并随时间自我进化的 AI 系统架构。
2. 大规模工具集成与动态调度：成功将 600+ 专业生物医学工具整合到统一框架中，并通过知识图谱引导的 RAG 实现动态、上下文感知的工具调用。
3. TRQA 基准：建立了首个针对药物靶点发现领域的专用基准，填补了该领域缺乏标准化评估工具的空白。
4. 实验验证的新靶点：成功发现并实验验证了两个此前未被充分探索的靶点（GPR160 和 ARG2），证明了 AI 驱动发现的临床转化潜力。

4. 关键结果 (Results)

• 基准测试表现：

  • 在 TRQA 基准上，OriGene 在准确率、召回率和鲁棒性方面一致优于人类专家（即使专家可以使用 Google 搜索）、领先的通用 LLM（如 GPT-4o, DeepSeek-R1）以及现有的生物医学专用智能体（如 TxAgent, Biomni）。
  • 在 GPQA、DbQA 和 LitQA 等公开基准上也取得了顶尖成绩，特别是在结构化数据推理和文献理解方面优势明显。
  • 证明了测试时扩展的有效性：增加计算迭代次数可显著提升准确率（例如在 LitQA 上从 62.81% 提升至 78.39%）。
  • 证明了工具集成的关键性：当工具访问受限（仅 20%）时，性能显著下降，凸显了专用工具对解决复杂生物问题的重要性。

• 实验验证案例：

  • 肝细胞癌 (HCC) 靶点 GPR160：
    • OriGene 从 125 个候选者中筛选出 GPR160，发现其在 HCC 肿瘤中高表达且与无复发生存期（RFS）呈负相关。
    • 实验验证：GPR160 抑制剂在 Huh-7 和 HepG2 细胞系中表现出强效细胞毒性（IC50 = 0.235 µmol/L）。
    • 在患者来源的类器官（PDO）和肿瘤片段（PDTF）中，抑制剂不仅杀伤肿瘤细胞，还显著促进了 CD4+ 和 CD8+ T 细胞的激活与浸润。
    • 在人源化小鼠模型中，抑制剂显著抑制了肿瘤生长并增加了 T 细胞浸润。
  • 结直肠癌 (CRC) 靶点 ARG2：
    • OriGene 从 86 个候选者中锁定 ARG2，验证其在 CRC 中的过表达。
    • 实验验证：ARG2 抑制剂在 HCT116 细胞和 4 种患者来源的转移性结直肠癌类器官中显示出显著的剂量依赖性抑制作用。
    • Vibe Biology 闭环优化：OriGene 进一步指导了针对 ARG2 的肽类抑制剂设计。通过"AI 设计 - 湿实验验证 - 反馈优化”的闭环，在 5 轮迭代中成功优化出 3 种高活性肽（#88, #91, #97），并在类器官中验证了其强效抗肿瘤活性。

5. 意义与影响 (Significance)

• 加速药物发现：OriGene 展示了 AI 如何自动化并加速从假设生成到实验验证的关键阶段，有望大幅降低早期药物开发的成本和失败率。
• 新范式：提出了一种“自进化虚拟生物学家”的新范式，能够处理异构数据、保持证据溯源，并在无人干预的情况下迭代优化推理过程。
• 临床转化潜力：通过成功发现并验证 GPR160 和 ARG2 作为新的治疗靶点，证明了该系统不仅能处理理论知识，还能产出具有临床相关性的可执行假设。
• 可扩展性：该系统架构具有高度的可扩展性，随着数据源和工具库的丰富，其能力将持续进化，为精准医疗和端到端药物发现提供基础 AI 平台。

综上所述，OriGene 代表了 AI 在生物医学领域从“辅助工具”向“自主发现者”转变的重要一步，通过多智能体协作、深度工具集成和自进化机制，解决了传统药物靶点发现中的碎片化和低效问题。