自主智能体如何破解复杂疾病？多组学与多模态融合的AI新范式
近年来，人工智能在生物医学领域的渗透已从辅助诊断迈向科研全流程重构。2025至2026年，自主智能体（Autonomous Agents）成为技术跃迁的核心载体——它们不再局限于回答问题或生成文本，而是具备规划、工具调用、数据解析乃至驱动实验设计的能力。这一转变在复杂疾病研究中尤为关键，因为诸如癌症、阿尔茨海默病、自身免疫性疾病等往往涉及多层次的分子机制与临床表型，单一数据源难以揭示其全貌。
复杂疾病的本质在于其异质性与动态性。同一类疾病在不同患者身上可能由完全不同的基因突变、表观遗传修饰或微环境信号驱动。传统研究范式依赖人工假设驱动，效率低下且易受认知偏见影响。而自主智能体通过整合多组学（multi-omics）与多模态（multi-modal）数据，有望构建更完整的疾病图谱，实现从“相关性发现”到“因果机制推断”的跨越。
多组学涵盖基因组、转录组、表观组、蛋白组、代谢组等多个分子层面，而多模态则包括医学影像（如MRI、CT）、电子健康记录（EHR）、病理切片、可穿戴设备数据等临床信息。两者的联合分析要求AI系统不仅具备强大的表示学习能力，还需解决数据异构性、尺度差异与缺失模式不一致等挑战。例如，单细胞RNA测序数据维度高达数万，而影像数据则是高分辨率像素矩阵，二者在语义空间上天然割裂。
在此背景下，新一代自主智能体展现出三大核心能力：跨模态对齐、因果推理引导与工具链集成。以Google推出的Co-Scientist为例，该系统可自动检索PubMed文献、调用GEO数据库中的公共组学数据集，并结合用户提供的临床队列进行差异表达分析。更重要的是，它能基于初步结果提出新假说——例如“某非编码RNA可能通过调控染色质可及性影响T细胞耗竭”，并自动生成CRISPR筛选实验方案供湿实验验证。
类似地，斯坦福大学开发的Biomni系统构建了一个覆盖人类细胞类型的虚拟细胞基座模型（Virtual Cell Foundation Model）。该模型在预训练阶段融合了来自Human Cell Atlas、TCGA、GTEx等数十个大型项目的多组学数据，并通过对比学习实现跨模态嵌入。在零样本迁移任务中，Biomni可预测特定药物对罕见细胞亚群的影响，准确率在部分基准上接近专家水平。然而值得注意的是，多项独立评测显示，其在小样本场景下的泛化能力仍不稳定，尤其当训练数据与目标疾病存在显著分布偏移时，性能常低于传统线性混合模型。
这种“能力被高估”的现象并非孤例。2026年FDA发布的《AI/ML-Based Software as a Medical Device》更新清单中，尚无一款产品基于生成式AI或大语言模型（LLM）。获批系统多为规则引擎或浅层机器学习模型，用于心电图分类、糖尿病视网膜病变筛查等结构化任务。这反映出监管机构对黑箱模型的谨慎态度——尤其在涉及治疗决策时，可解释性与鲁棒性仍是硬性门槛。
自主智能体的临床转化路径因此呈现“科研先行、诊疗滞后”的特征。在药物发现领域，如FutureHouse的Robin系统已能自动设计PROTAC分子并预测其降解效率，大幅缩短先导化合物优化周期。但在直接面向患者的诊疗环节，AI仍处于辅助角色。例如，在肿瘤多学科会诊（MDT）中，智能体可整合患者全组学数据与最新临床指南，生成个性化治疗建议，但最终决策权始终由医生掌握。
阻碍规模化落地的核心瓶颈之一是数据基础设施的碎片化。尽管全球已有超过200个公共生物医学数据库，但格式不统一、元数据缺失、访问权限受限等问题严重制约了模型训练。更严峻的是，高质量的多模态配对数据极为稀缺——同一患者同时拥有单细胞测序、全外显子组、纵向影像和详细临床随访的数据集屈指可数。这导致许多宣称“端到端”的系统实际上依赖人工拼接数据管道，难以复现。
此外，评测标准的缺失加剧了技术泡沫。当前多数论文仅报告内部数据集上的AUC或准确率，缺乏跨中心、跨人群的外部验证。2025年启动的MAQC-VI（MicroArray Quality Control Phase VI）项目试图建立多组学AI的基准测试框架，但尚未覆盖生成式模型与自主智能体的行为评估。如何衡量一个智能体“提出好假说”的能力？目前仍无共识指标。
值得警惕的是，“AI接管科研”的叙事正在制造认知偏差。事实上，现有系统在物理实验执行环节仍完全依赖人类。无论是细胞培养、动物模型构建还是高通量筛选，机器人自动化平台虽有进展，但成本高昂且通用性有限。这意味着自主智能体目前仅完成了“干实验”闭环，真正的“干湿结合”仍需人机协同。
未来两年（2026–2028），突破点或将出现在三个方向：一是构建联邦式多模态数据湖，在保护隐私前提下实现跨机构数据协作；二是发展可解释的因果发现算法，使智能体不仅能关联变量，还能推断干预效应；三是推动监管沙盒机制，允许生成式AI在限定场景下开展前瞻性临床研究。
以阿尔茨海默病为例，理想中的自主智能体应能整合患者脑脊液蛋白组、PET淀粉样斑块成像、APOE基因型及认知量表，动态模拟疾病进展轨迹，并推荐最可能延缓神经退行的干预组合。这一愿景的实现，不仅需要算法创新，更依赖于数据生态、伦理框架与临床工作流的深度耦合。
综上所述，自主智能体在复杂疾病研究中展现出真实的能力跃迁，但其影响力仍被部分夸大。技术的成熟度曲线正处于“期望膨胀期”向“稳步爬升期”过渡的关键节点。唯有正视数据、评测与监管的现实约束，才能避免陷入新一轮的AI寒冬，真正推动精准医学从概念走向普惠实践。