问题——生物医学数据爆发式增长与分析能力不匹配。近年来，多组学、单细胞测序、医学影像与真实世界临床数据规模快速攀升，数据维度更高、结构更复杂、专业壁垒更强。大量研究工作被编写脚本、安装环境、调参排错和流程复现所占据，优秀生物信息人才供给不足、跨学科协作成本偏高，成为制约科研效率与医学转化速度的现实瓶颈。特别是疾病分型、药物靶点筛选、队列研究与个体化诊疗中，数据分析环节往往决定研究能否“跑得通、做得准、落得下”。 原因——传统工具链分散、流程依赖经验，难以支撑快速迭代。当前生物信息分析普遍依赖多软件、多语言、多数据库的组合——工具各自为政、接口不一——研究者需要在复杂依赖关系和参数空间中反复试错；另一上，不同任务对统计假设、质控标准、可视化表达和可重复性要求差异明显，流程高度依赖专家经验积累。上述特点使得“数据越多、问题越复杂，时间成本越高、门槛越难跨”成为共性痛点，也催生了更高水平的自动化需求。 影响——多智能体“数据科学家”框架推动分析从辅助走向自主。此次发表于《自然·生物医学工程》的研究提出BioMedAgent系统，由中国科学院计算技术研究所、温州医科大学附属眼视光医院、中国科学院生物物理研究所、广州国家实验室、四川大学华西医院、华中科技大学同济医学院附属协和医院等单位团队联合完成。研究以多智能体框架组织任务，将复杂分析拆解为规划、编程、审查等不同角色的协作过程，形成“思考—规划—执行—反思”的闭环链路。与以往以单次指令驱动的工具式应用不同，该系统强调对专业软件与数据库接口的识别与自主调用，可根据任务需要选择匹配的分析路径并打通端到端流程；同时引入持续迭代机制，将完成任务过程中形成的有效策略与代码模式沉淀下来，以提升后续处理未知问题的能力。 对策——以规范化与可控性提升应用可信度，形成“人机协同”的新范式。业内人士指出，生物医学数据分析的价值不仅“跑出结果”，更在“结果可信、过程可追、能够复现、可用于决策”。面向智能体工具的落地，需要同步完善三上工作：一是强化数据治理与合规边界，明确临床数据使用、脱敏标准、权限控制与审计机制，防范隐私泄露与不当调用；二是建立可复现与可验证的评测体系，将质控、统计假设检验、偏倚识别和外部队列验证纳入标准流程，避免“看似合理但不可验证”的输出；三是坚持“专家环”，在关键节点引入生信专家、临床专家与统计专家的审核确认，尤其在诊疗建议、药物选择与风险评估等高风险场景中，应以循证证据和多中心验证作为前置条件。研究公布的BioMed-AQA基准测试显示，该系统在包含组学、精准医疗、机器学习、统计分析和数据可视化等5类共327个任务中取得77%的整体平均成功率，其中组学分析任务成功率达94%、机器学习任务达90%、精准医疗任务达78%，为“可量化评估”提供了参考样本，但从实验室走向临床仍需更严格的真实场景检验。 前景——推动科研效率提升与转化加速，但仍需跨学科共建生态。受访专家认为，智能体化的数据分析系统若能在合规与可控前提下推广，将在三上释放潜力：其一，降低生物医学数据分析门槛，缩短从数据到发现的周期，帮助更多临床科室与中小团队开展高质量研究；其二，促进流程标准化与知识沉淀，让“经验”转化为可共享、可迭代的工作流，提升研究复现水平；其三，为精准医疗提供更快的假设生成与验证支持，在疾病机制解析、亚型识别、疗效预测和药物再定位等方向形成加速效应。此外，行业也需正视模型泛化、数据偏倚、工具版本漂移、跨平台复现等挑战，通过开放评测、标准接口、共享数据与多中心合作，逐步构建可持续的创新生态。
BioMedAgent的研究进展展现了我国在生物医学数据分析领域的创新能力。未来，推动分析流程更加自主和标准化，将提升科研质量和转化效率。如何在效率与严谨性之间取得平衡，是技术广泛应用前需要解决的关键问题。