BioScientist Agent：用于藥物重定位和作用機制解析的知識圖譜增強型 LLM 生物醫學代理技術報告
一、項目概述
藥物研發是一個周期長、成本高的過程，平均需要超過 10 年時間和 20 億美元才能將一種新藥推向市場，且 90% 以上的候選藥物最終失敗(1)。這種低成功率主要歸因于對疾病機制理解的不足和藥物作用機制的復雜性。為了應對這些挑戰，人工智能技術特別是基于大語言模型 (LLM) 和知識圖譜的方法正在藥物研發領域展現出巨大潛力。
BioScientist Agent 是一個整合十億級事實生物醫學知識圖譜（RTX-KG2）的端到端框架，專為藥物重定位和作用機制解析而設計。該框架結合了變分圖自編碼器 (VGAE)、對抗性 actor-critic 強化學習 (ADAC) 和大語言模型 (LLM) 多代理系統，能夠高效識別潛在的藥物 - 疾病關聯并提供可解釋的機制路徑(2)。與傳統方法相比，BioScientist Agent 不僅提高了預測準確性，還提供了可解釋的生物學機制，為藥物研發提供了新的范式。
本報告詳細介紹 BioScien
)
