BioXArena基准测试：评估LLM智能体在生物医学多模态任务中的能力

1. 项目概述当大模型智能体“闯入”生物医学多模态战场最近无论是学术圈还是工业界关于“LLM Agents”大语言模型智能体的讨论都异常火热。从 Lilian Weng 那篇著名的综述到各种开源框架的涌现大家似乎都看到了让大模型从“聊天工具”进化为“自主执行复杂任务智能体”的无限潜力。然而这股热潮在真正硬核的领域——比如生物医学机器学习——面前却显得有些“雷声大雨点小”。我们看到了很多在通用领域如网页浏览、代码生成的智能体基准测试但一旦涉及到需要深度领域知识、处理多模态数据如医学影像、基因组序列、临床文本的复杂生物医学任务时这些智能体的表现究竟如何它们是真的能成为科研助手还是仅仅停留在概念演示阶段这正是BioXArena这个项目试图回答的核心问题。它不是一个具体的工具或软件而是一个基准测试框架。简单来说它的目标是为“LLM智能体在生物医学多模态机器学习任务上的能力”设立一个统一的“考场”和“评分标准”。想象一下你开发了一个号称能读懂论文、分析医学图像、甚至设计实验流程的AI智能体你怎么向别人证明它真的有用BioXArena 就是提供这样一套标准化的考题和评分体系让不同团队开发的智能体能在同一个起跑线上公平竞技。这个项目的出现背后是几个强烈的现实需求。首先生物医学研究正日益依赖多模态数据的融合分析单一的数据源如仅看影像或仅看基因已经无法满足精准医疗的需求。其次虽然预训练的大模型尤其是多模态大模型能力越来越强但如何将它们有效地组织起来像人类研究员一样进行多步骤、有逻辑的推理和操作仍然是一个巨大的挑战。BioXArena 正是瞄准了这个交叉点它要衡量的不是模型本身的静态知识而是智能体在动态、复杂的任务环境中调用工具、整合信息、做出决策的综合能力。对于生物信息学研究员、医学AI开发者甚至是临床科研工作者来说理解并关注 BioXArena 这类基准测试都至关重要。它不仅能帮你客观评估现有工具链的智能化水平更能指引未来技术发展的方向——我们到底需要什么样的AI助手是更强大的单模型还是更精巧的智能体协作框架接下来我将深入拆解这个基准测试的设计思路、核心任务以及我们如何从中汲取经验构建更实用的生物医学AI智能体。2. 核心任务与评估维度设计解析一个优秀的基准测试其价值首先体现在任务设计上。BioXArena 的核心在于构建一系列能够真实反映生物医学研究复杂性的多模态任务。这些任务绝不是简单的问答或分类而是模拟了从数据获取、处理、分析到结果解读的全链条科研工作流。2.1 多模态任务类型拆解BioXArena 的任务库很可能涵盖以下几个关键类型每一类都对应着生物医学机器学习中的经典挑战1. 跨模态检索与关联分析这是生物医学中的常见需求。例如给定一张组织病理学切片图像如乳腺癌的HE染色切片智能体需要能够从海量文献数据库中检索出描述类似形态特征或分子机制的文本段落论文摘要、方法描述。反过来给定一段关于“EGFR基因突变与肺癌靶向治疗耐药性”的文本描述智能体可能需要找出相关的基因表达谱数据或药物敏感性实验图表。这类任务评估的是智能体对图像、文本、表格数据深层语义的理解和关联能力。2. 多模态数据联合推理与假设生成这是更高级的任务。例如向智能体提供1一组患者的CT影像图像模态2对应的临床诊断报告和实验室指标文本/表格模态3部分患者的基因组变异列表序列/表格模态。任务可能是“请分析影像特征‘毛玻璃结节’与基因突变‘KRAS G12C’以及临床指标‘肿瘤标志物CEA升高’之间的潜在关联并提出一个可验证的生物学假设。” 这要求智能体不仅能分别理解各模态信息还能进行交叉推理模仿科研人员的思维过程。3. 实验流程设计与代码生成给定一个生物医学问题如“开发一个模型从皮肤镜图像中区分黑色素瘤和良性痣”智能体需要规划完整的机器学习流水线。这包括数据预处理步骤图像标准化、增强、模型架构选择CNN、Vision Transformer、训练策略损失函数、优化器、评估指标灵敏度、特异性、AUC等并生成可执行的Python代码如使用PyTorch或TensorFlow。这考验智能体的领域知识结构化程度和将知识转化为可操作方案的能力。4. 科学文献解读与知识图谱构建提供一篇最新的生物医学预印本论文PDF格式要求智能体提取核心贡献、方法概要、关键实验结果可能包含图表并将这些信息结构化例如填充到一个知识图谱模板中链接到已有的实体如基因、疾病、药物。这模拟了科研人员快速阅读和归纳文献的场景。2.2 智能体能力评估维度仅仅有任务还不够如何评分是关键。BioXArena 的评估体系一定是多维度的超越简单的“准确率”。我认为它会包含以下几个核心维度1. 任务完成度与准确性这是基础维度。对于有标准答案的任务如分类、检索采用精确率、召回率、F1分数等指标。对于生成式任务如假设生成、代码生成则需要更复杂的评估代码执行成功率生成的代码能否无错误运行并产生合理输出假设合理性通过领域专家评分或与已知知识库的一致性来评估。事实正确性生成的内容如文献摘要是否歪曲了原文事实2. 工具使用效率与合理性智能体的核心是使用工具。评估点包括工具选择精准度在需要时是否调用了正确的工具如该用BLAST进行序列比对时没有错误地调用图像分割工具调用链长度与效率是否用最少的工具调用步骤解决了问题是否存在冗余或循环调用参数传递正确性调用工具时输入的参数格式和内容是否正确3. 多模态信息融合能力这是区分普通智能体和高级智能体的关键。评估可能通过“消融实验”式的方法进行分别提供完整多模态数据和缺失某一模态的数据观察智能体性能的下降程度。性能下降越小说明智能体对其他模态信息的利用和补偿能力越强而非仅仅依赖最强信号。4. 推理过程的可解释性与鲁棒性要求智能体不仅给出答案还要提供“思维链”或决策依据。评估者可以检查其推理步骤是否符合逻辑是否基于提供的证据。同时可以通过在输入中引入轻微的噪声或对抗性样本如模糊的图像、包含矛盾信息的文本测试智能体决策的鲁棒性。注意在设计或使用这类基准时一个巨大的挑战是评估的自动化程度。对于代码生成、假设合理性等任务完全自动化评估非常困难通常需要“人类在环路”进行部分评估。因此一个实用的基准框架必须设计清晰、可操作的人工评估指南和接口。3. 智能体架构设计与关键技术选型要在 BioXArena 这样的基准测试中取得好成绩或者说要构建一个真正能处理生物医学多模态任务的实用智能体其底层架构设计至关重要。这不仅仅是选择一个强大的基础大模型LLM/VLM更关乎如何围绕它构建一个高效、可靠且领域适配的“操作系统”。3.1 核心架构模式规划-执行-反思循环目前主流的智能体架构都遵循某种形式的“规划-执行-反思”Planning-Execution-Reflection循环在生物医学场景下这个循环需要被赋予更强的领域约束。1. 规划器领域知识引导的任务分解规划器的核心是将一个复杂的用户查询如“帮我分析这组单细胞RNA测序数据找出新的细胞亚型”分解成一系列可执行的具体步骤。在通用领域这可能依赖于LLM的常识。但在生物医学领域我们需要给规划器“装上导航”。关键技术提示工程与检索增强生成。规划器的提示词Prompt中必须嵌入领域特定的任务分解模板和约束条件。例如一个生物信息学分析流程通常遵循“质控 - 标准化 - 降维 - 聚类 - 标记基因识别 - 功能富集分析”的固定范式。规划器应优先从这些固定范式中匹配而不是完全自由发挥。同时通过RAG技术实时检索生物医学知识库如NCBI指南、分析工具文档来确保分解步骤的合理性和时效性。工具选择策略规划器需要维护一个丰富的“工具库”目录。这个目录不应仅仅是工具名称列表而应包含每个工具的详细元数据输入/输出格式、适用的数据类型如“适用于RNA-seq计数矩阵”、计算复杂度、常见使用场景等。规划器根据当前子任务的需求和这些元数据进行匹配和选择。2. 执行器安全可靠的工具调用执行器负责具体运行规划器选择的工具。在生物医学场景下“安全可靠”是第一要务。环境隔离智能体调用的工具特别是那些运行生物信息学软件如GATK、CellRanger或执行代码的必须在安全的沙箱环境中运行。绝对不能允许智能体直接操作宿主机的文件系统或执行任意命令。Docker容器是最佳选择每个工具调用都在一个干净的、预先配置好的容器中执行执行完毕后容器销毁。数据流管理多模态任务涉及多种数据格式.fastq, .dicom, .csv, .png。执行器需要负责在不同工具间正确传递和转换数据。例如上一个工具输出的基因列表文本需要被正确格式化为下一个富集分析工具所需的输入文件。这需要一套严格定义的数据模式和适配器。错误处理与重试工具执行可能因各种原因失败内存不足、输入格式不匹配、网络超时。执行器需要有完善的错误捕获机制并将结构化的错误信息反馈给反思模块而不是直接抛给用户或导致整个流程崩溃。3. 反思器基于领域规则的自我修正反思器是智能体从错误中学习、优化后续决策的关键。在生物医学领域反思可以基于两种信息工具执行反馈如上一步聚类分析的结果“轮廓系数”过低反思器应能判断这可能意味着参数设置不当或数据需要进一步预处理从而触发重新规划调整聚类算法或参数。领域规则校验这是生物医学智能体的特色。反思器可以集成一些简单的领域规则进行快速校验。例如如果智能体生成假设称“某个基因在癌症中表达下调”反思器可以快速调用一个知识库API检查该基因在已知的癌基因/抑癌基因数据库中的记录如果发现它是一个公认的癌基因通常高表达则立即标记矛盾触发重新推理。关键技术验证性RAG。反思器可以利用RAG针对当前中间结果或最终假设去检索权威文献或数据库进行事实一致性核查。3.2 基础模型选型与多模态对齐智能体的“大脑”——基础大模型的选型直接决定了其能力上限。1. 通用LLM vs. 领域微调LLM通用LLM如 GPT-4、Claude-3 等具有强大的通用推理和代码能力对新兴任务适应性强。缺点是生物医学特定知识可能不够深入且API调用成本高、有延迟。领域微调LLM如基于 Llama、Mistral 等架构在 PubMed 摘要、临床笔记等海量生物医学文本上继续预训练或指令微调得到的模型如 BioBERT、PubMedGPT 的衍生版本。它们对专业术语、实体关系理解更深可以本地部署数据隐私性好。但通用能力和代码能力可能稍弱。实操建议采用混合策略。让规划器和反思器使用领域微调的LLM确保任务分解和领域校验的准确性。而对于需要强通用推理和代码生成的部分如解释复杂图表、生成非标准分析脚本可以策略性地调用更强大的通用LLM API。这需要在成本、性能和隐私间取得平衡。2. 多模态理解模型集成对于图像、图表等非文本模态有两种主流集成方式端到端多模态大模型直接使用像 GPT-4V、Gemini Pro Vision 这类原生支持图像输入的大模型。它们使用方便对图像中复杂信息的提取能力强如能从病理图中识别出细胞形态特征并描述。但同样面临API成本、可控性差的问题。专用模型LLM解读采用“专家组合”模式。例如用专门的医学影像分割模型如 nnUNet处理CT图像提取出病灶区域和定量特征用图表解析模型如 ChartOCR从论文插图中提取出数据点和坐标轴标签。然后将这些结构化或半结构化的提取结果连同原始问题一起交给文本LLM进行综合推理。这种方式更模块化、可控且能利用领域内最先进的专用模型但集成复杂度高。个人心得在构建初期我强烈建议从“专用模型LLM解读”的路径开始。虽然集成工作量大但它让你对每个环节都有完全的控制权便于调试和优化。你可以先聚焦于让智能体可靠地完成“图像-特征提取-文本描述”这个管道然后再去挑战更复杂的端到端推理。直接使用GPT-4V虽然快捷但一旦出现错误或偏差你很难定位问题根源也无法针对性地改进。4. 构建实战从零搭建一个简易生物医学智能体原型理解了架构设计后我们动手搭建一个高度简化的原型用于处理一个经典任务给定一张医学影像和一段临床描述生成一份影像诊断报告草稿。这个原型将涵盖智能体的核心循环并展示关键的技术实现细节。4.1 环境准备与工具封装我们假设使用 Python 作为主要语言并选择一些开源模型和工具。1. 基础环境与模型加载# 环境依赖示例 # pip install transformers torch pillow requests openai (如使用API) # 我们使用本地模型以增强可控性和降低延迟 from transformers import pipeline, AutoProcessor, AutoModelForVision2Seq import torch from PIL import Image import json # 1. 加载一个开源的视觉-语言模型用于图像理解例如 BLIP-2 或 LLaVA 的某个版本 # 这里以概念性的代码展示实际需根据模型文档调整 print(正在加载视觉-语言模型...) vision_model_name llava-hf/llava-1.5-7b-hf # 示例需确认可用性 vision_processor AutoProcessor.from_pretrained(vision_model_name) vision_model AutoModelForVision2Seq.from_pretrained(vision_model_name, torch_dtypetorch.float16, device_mapauto) # 2. 加载一个领域适应的文本LLM用于报告生成和推理例如使用 BioMedLM print(正在加载生物医学文本LLM...) text_model_name microsoft/BioMedLM-2.7B # 示例 text_generator pipeline(text-generation, modeltext_model_name, device_mapauto)2. 工具函数封装我们将不同的能力封装成工具函数供智能体调用。class MedAgentTools: staticmethod def analyze_medical_image(image_path: str, clinical_context: str ) - str: 工具1: 医学影像分析 输入: 影像路径可选的临床描述 输出: 对影像的文本描述重点关注异常发现 try: image Image.open(image_path).convert(RGB) # 构建提示词引导模型关注医学相关特征 prompt f你是一位放射科医生。请详细描述这张医学影像。重点关注任何异常发现如肿块、结节、积液、骨折线等。临床背景{clinical_context}\n描述 # 预处理并生成 inputs vision_processor(imagesimage, textprompt, return_tensorspt).to(vision_model.device) generated_ids vision_model.generate(**inputs, max_new_tokens300) description vision_processor.batch_decode(generated_ids, skip_special_tokensTrue)[0] # 清理输出只保留描述部分 description description.split(描述)[-1].strip() return description except Exception as e: return f影像分析工具错误{str(e)} staticmethod def retrieve_guidelines(finding: str) - str: 工具2: 检索临床指南模拟 输入: 影像发现关键词 输出: 相关的诊断或报告撰写指南摘要 # 这里模拟一个简单的检索过程。实际应接入向量数据库如用ChromaDB存储指南片段。 guideline_knowledge_base { 肺结节: 根据 Fleischner 学会指南对于偶然发现的实性肺结节直径6mm通常无需随访6-8mm需在6-12个月后随访CT8mm需考虑3个月后随访或进一步检查。, 胸腔积液: 需描述积液量少量、中量、大量、分布游离性或包裹性、密度是否为血性、乳糜性。大量积液可能提示需穿刺引流。, 骨折: 需描述骨折位置、类型如横行、斜行、粉碎性、对位对线情况、是否涉及关节面。 } for key, guideline in guideline_knowledge_base.items(): if key in finding: return guideline return 未找到针对此发现的特定指南。请依据常规影像学原则进行描述。 staticmethod def generate_report_draft(image_desc: str, guidelines: str, clinical_context: str) - str: 工具3: 生成报告草稿 输入: 影像描述、相关指南、临床信息 输出: 结构化的诊断报告草稿 system_prompt 你是一位资深放射科医生助理。你的任务是根据影像学发现、临床指南和患者背景撰写一份结构严谨、用语专业的放射学诊断报告草稿。报告需包含以下部分 1. 检查技术 2. 对比如适用 3. 发现按部位系统描述 4. 印象总结性诊断意见 请确保语言专业、客观避免主观臆断。 user_prompt f 【影像分析描述】 {image_desc} 【相关临床指南摘要】 {guidelines} 【患者临床信息】 {clinical_context} 请基于以上信息生成放射学诊断报告草稿。 full_prompt f{system_prompt}\n\n{user_prompt} # 使用生物医学LLM生成报告 result text_generator(full_prompt, max_new_tokens500, do_sampleFalse)[0][generated_text] # 提取模型生成的部分去除重复的prompt report result[len(full_prompt):].strip() return report4.2 智能体主循环实现现在我们将上述工具组合进一个简单的规划-执行循环中。class SimpleMedAgent: def __init__(self): self.tools MedAgentTools() def run(self, image_path: str, clinical_context: str) - dict: 智能体主函数执行规划-执行-反思循环 final_report None max_retries 2 attempt 0 while attempt max_retries and final_report is None: attempt 1 print(f\n--- 第 {attempt} 轮尝试 ---) # 阶段1: 规划与执行 print(1. 分析影像中...) image_description self.tools.analyze_medical_image(image_path, clinical_context) print(f 影像描述: {image_description[:200]}...) # 简单规划从描述中提取关键发现以检索指南 # 这里可以更复杂例如用另一个LLM来提取关键词 key_findings self._extract_key_findings(image_description) print(f 关键发现: {key_findings}) print(2. 检索临床指南中...) guidelines for finding in key_findings: guideline self.tools.retrieve_guidelines(finding) guidelines f- {finding}: {guideline}\n print(f 指南摘要: {guidelines[:300]}...) print(3. 生成报告草稿中...) report_draft self.tools.generate_report_draft(image_description, guidelines, clinical_context) print(f 报告草稿生成完毕长度: {len(report_draft)} 字符) # 阶段2: 反思简化版 print(4. 进行基础校验...) is_valid, feedback self._validate_report(report_draft, image_description) if is_valid: final_report report_draft print( ✅ 报告通过校验。) else: print(f ❌ 校验未通过: {feedback}) # 简单的反思修正在临床上下文中加入反馈重新生成 clinical_context f 注意上一轮报告生成被指出‘{feedback}’请在新报告中修正。 # 在实际复杂场景中这里会触发更复杂的重新规划 if final_report is None: final_report 抱歉经过多次尝试未能生成符合要求的报告。建议由人类专家复核。 return { image_description: image_description, guidelines_used: guidelines, report_draft: final_report, attempts: attempt } def _extract_key_findings(self, description: str) - list: 一个非常简单的关键词提取实际应用应使用NER模型 findings_keywords [结节, 积液, 肿块, 骨折, 渗出, 增厚, 扩张] found [] for kw in findings_keywords: if kw in description: found.append(kw) return found if found else [未见明确异常] def _validate_report(self, report: str, image_desc: str) - (bool, str): 一个简单的规则校验检查报告是否包含了影像描述中的关键异常词 key_abnormal_words [结节, 积液, 肿块, 骨折] desc_has_abnormal any(word in image_desc for word in key_abnormal_words) report_has_abnormal any(word in report for word in key_abnormal_words) # 如果影像描述提到异常但报告里没有则校验失败 if desc_has_abnormal and not report_has_abnormal: return False, 报告可能遗漏了影像中提到的异常发现 # 如果影像描述没提异常但报告里写了也需要警惕可能是幻觉 if not desc_has_abnormal and report_has_abnormal: return False, 报告可能包含了影像中未提及的异常发现需警惕幻觉 return True, 校验通过 # 运行示例 if __name__ __main__: agent SimpleMedAgent() # 假设我们有一张胸片和临床信息 result agent.run( image_pathchest_xray_example.png, # 替换为实际路径 clinical_context患者65岁男性吸烟史30年因咳嗽、气促2周就诊。 ) print(\n *50) print(最终生成的报告草稿) print(*50) print(result[report_draft])这个原型虽然简单但清晰地展示了智能体的核心工作流感知分析影像、知识检索获取指南、规划与生成撰写报告、反思校验检查一致性。在实际的 BioXArena 评估中任务会复杂得多但基本范式是相通的。5. 挑战、陷阱与未来展望构建和评估用于生物医学的LLM智能体是一条充满希望但也遍布荆棘的道路。基于现有实践和 BioXArena 这类基准测试所揭示的问题我总结出以下几个核心挑战和常见陷阱。5.1 主要挑战与应对策略1. 领域知识的深度与时效性挑战生物医学知识更新极快新的疾病、基因、疗法不断涌现。一个基于静态知识训练的智能体很快会过时。此外许多知识是隐性的、存在于最新文献或临床实践中难以被结构化。应对策略强化检索增强生成RAG智能体不应依赖其内部参数化知识作为唯一来源必须建立与权威、更新及时的知识库如PubMed、ClinVar、最新诊疗指南的动态连接。RAG系统需要精心设计包括高质量的文档切分、精准的检索排序和有效的上下文整合。建立可更新的工具库将快速变化的“知识”转化为“工具”。例如将最新的生物信息学分析流程如用于新测序技术的流程封装成工具智能体通过调用这些工具来获取最新能力而非记忆流程细节。2. 多模态数据的异质性与对齐挑战基因组序列、蛋白质结构、医学影像、电子病历文本……这些数据模态迥异特征空间完全不同。如何让智能体真正理解“基因TP53的某个突变”与“病理切片显示的特定细胞形态”之间的生物学关联是巨大的难题。应对策略发展统一的模态编码器探索能将不同模态数据映射到同一语义空间的预训练模型。虽然困难但这是根本方向。利用中间表示层不强求原始数据的直接对齐而是先将各模态数据转化为中间、半结构化的表示。例如影像先用专业模型提取出“毛玻璃结节直径8mm位于右上叶”等结构化描述基因组数据转化为“通路富集分析显示p53信号通路显著激活”的文本摘要。然后智能体在这些高层次的语义表示上进行推理和关联。3. 评估的可靠性与自动化挑战如之前所述许多生物医学任务如假设生成、实验设计没有唯一正确答案自动化评估极其困难。依赖人工评估则成本高、速度慢、难以规模化。应对策略分层评估体系BioXArena 这类基准应设计分层评估。对于有明确答案的部分如代码语法、检索结果排名采用自动化指标。对于开放性部分设计精细的、可操作的人工评估量表如从“科学性”、“创新性”、“可行性”等多个维度打分并建立专家评审池。基于共识的评估对于生成内容可以引入多个基础模型作为“裁判员”评估生成结果的内部一致性、与已知知识的一致性等作为辅助评估信号。5.2 常见陷阱与避坑指南1. 过度依赖单一大型通用模型陷阱试图用一个庞大的、通用的多模态模型解决所有问题导致成本高昂、响应慢且在特定专业任务上精度可能不如小型专用模型。避坑指南坚持“小而美”的专家模型组合策略。将复杂任务分解为每个子任务选择或微调最合适的、可解释性强的模型。用智能体的“规划”能力将它们串联起来。这样不仅性能更好也更容易调试和迭代。2. 忽视数据隐私与安全陷阱在原型开发阶段使用公开的API处理敏感的模拟或测试数据可能导致数据泄露风险被低估。避坑指南从一开始就确立“隐私优先”的设计原则。所有处理真实患者数据或敏感研究数据的组件必须部署在本地或高度可信的私有环境中。使用开源模型进行本地微调而非完全依赖云端API。在工具调用层严格执行沙箱隔离。3. 缺乏鲁棒的错误处理陷阱智能体流程像“纸牌屋”一个工具调用失败或返回意外结果整个链条就崩溃给用户一个晦涩的错误信息。避坑指南为智能体的每个环节规划、工具调用、反思设计健壮的错误处理和回退机制。例如当首选工具失败时规划器应能自动选择备用工具当生成的内容被反思器判定为低质量时应有明确的策略如重试、简化问题、向用户请求澄清。智能体应该“优雅地失败”并告知用户原因和可能的解决方向。4. 对“幻觉”问题掉以轻心陷阱在生物医学领域LLM生成内容中的事实性“幻觉”是致命的。智能体可能自信地引用一篇不存在的论文或推荐一个错误的药物剂量。避坑指南源头控制为智能体提供的信息源通过RAG必须是经过严格筛选的权威数据库和文献。过程验证在关键决策点如诊断建议、实验步骤设置“检查点”强制智能体提供其结论的引用来源具体到文献或数据库条目。输出标注在智能体的最终输出中明确区分哪些是来自可靠来源的客观事实哪些是基于推理的假设或建议并附上不确定性估计。展望未来像 BioXArena 这样的基准测试将像催化剂一样推动生物医学LLM智能体从炫技的演示走向真正实用的科研和临床工具。未来的智能体可能不再是单个庞大的系统而是一个由众多高度专业化、可互操作的“微智能体”组成的生态系统——有的擅长解读影像有的精通基因组学有的专攻文献挖掘在一个统一的协调框架下协作。要实现这一愿景我们需要更多开放、严谨的基准测试来指引方向也需要社区在架构设计、评估方法、安全伦理上持续深耕。这条路很长但每解决一个像 BioXArena 所提出的具体问题我们就离那个能真正加速生命科学发现的AI伙伴更近一步。