BioInsight: 交互式生物医学知识发现的多智能体编排

Hugging Face Daily Papers 论文

摘要

BioInsight 是一个多智能体系统,通过结构化工件和确定性引用规范化来组织疾病特定证据,将静态生物医学报告转化为交互式、以证据为中心的界面。

生物医学研究者越来越多地使用AI生成的的分析和报告来解释蛋白质层面的信号,但静态输出往往不足以支持研究决策,因为用户需要检查证据、评估不确定性、比较机制并完善假设。我们提出了BioInsight,一个多智能体系统,将从静态生物医学报告生成转向交互式、以证据为中心的界面生成。给定疾病名称、蛋白质关联表和可选的队列元数据,BioInsight通过类型化的中间工件组织疾病特异性证据,包括排序的通路、文献证据包、蛋白质层面推理笔记、引用支撑的报告、仪表板模式以及渲染的交互式界面。该系统将证据检索与机制推理分离,通过确定性组件规范化引用,并将报告中使用的相同结构化证据转换为交互式界面。我们在标准化生物医学问答、具有挑战性的蛋白质功能推理以及端到端生物医学证据合成上评估了BioInsight。结果表明BioInsight达到了最佳效果,并提示生物医学AI系统应超越纯文本和静态报告,转向保留来源的交互式证据工件。
查看原文
查看缓存全文

缓存时间: 2026/07/02 03:46

论文页面 - BioInsight:面向交互式生物医学知识发现的多智能体编排系统

来源:https://huggingface.co/papers/2606.20997
发布于6月19日

·

提交者https://huggingface.co/Joysw909

Wang (https://huggingface.co/Joysw909)于7月2日

作者:

,

,

,

,

,

,

,

,

,

摘要

BioInsight 是一个多智能体系统,通过结构化工件和确定性引文规范化,将静态的生物医学报告转化为交互式、以证据为中心的界面。

生物医学研究人员越来越多地使用AI生成的分析和报告来解释蛋白质层面的信号,但静态输出往往不足以支持研究决策——用户需要检查证据、评估不确定性、比较机制并完善假设。我们提出 BioInsight,一个多智能体系统 (https://huggingface.co/papers?q=multi-agent%20system),该系统从静态的生物医学报告生成转向交互式、以证据为中心的界面生成。给定疾病名称、蛋白质关联表 (https://huggingface.co/papers?q=protein%20association%20table) 以及可选的队列元数据,BioInsight 通过类型化的中间工件 (https://huggingface.co/papers?q=typed%20intermediate%20artifacts)(包括排序通路 (https://huggingface.co/papers?q=ranked%20pathways)、文献证据包 (https://huggingface.co/papers?q=literature%20evidence%20packets)、蛋白质层面推理 (https://huggingface.co/papers?q=protein-level%20reasoning) 笔记、引文支撑报告 (https://huggingface.co/papers?q=citation-grounded%20reports)、仪表盘模式 (https://huggingface.co/papers?q=dashboard%20schemas) 以及渲染后的交互式界面 (https://huggingface.co/papers?q=interactive%20interfaces))来组织疾病特异性证据 (https://huggingface.co/papers?q=disease-specific%20evidence)。该系统将证据检索 (https://huggingface.co/papers?q=evidence%20retrieval) 与机制推理 (https://huggingface.co/papers?q=mechanistic%20reasoning) 分解开,通过确定性组件 (https://huggingface.co/papers?q=deterministic%20components) 规范化引文,并将报告中使用的相同结构化证据转换为交互式界面。我们在标准化生物医学问答 (https://huggingface.co/papers?q=biomedical%20QA)、具有挑战性的蛋白质功能推理 (https://huggingface.co/papers?q=protein-function%20reasoning) 以及端到端生物医学证据合成 (https://huggingface.co/papers?q=end-to-end%20biomedical%20evidence%20synthesis) 上对 BioInsight 进行了评估。结果表明,BioInsight 取得了最佳性能,并提示生物医学AI系统应超越纯文本和静态报告,转向保留来源、交互式的证据工件。

查看 arXiv 页面 (https://arxiv.org/abs/2606.20997)查看 PDF (https://arxiv.org/pdf/2606.20997)项目页面 (http://3.148.244.109:5000/)添加至收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.20997)

在您的智能体中获取该论文:

hf papers read 2606\.20997

没有最新CLI?curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2606.20997 即可从此页面链接。

引用此论文的数据集0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2606.20997 即可从此页面链接。

引用此论文的 Spaces0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2606.20997 即可从此页面链接。

包含此论文的收藏集0

没有收藏集包含此论文

将此论文添加至收藏集 (https://huggingface.co/new-collection) 即可从此页面链接。

相似文章

超越基于提示的规划:面向生物医学智能体系统的MCP原生图规划方法

arXiv cs.AI

BioManus 是一个 MCP 原生生物医学智能体系统,它采用基于图脚手架的规划方式,对结构化生物学能力进行调度,而非依赖扁平化的基于提示的工具检索,在生物医学基准测试中实现了更优的上下文效率与执行精度。该系统引入了 BioinfoMCP 编译器,用于标准化异构生物信息学工具,并将其组织为类型化异构 MCP 图,以支持可扩展的推理能力。