文献和知识库是生物医学发现的基石，这个行业里的人都知道。从文献挖掘、药物注释，到基因表征、通路分析和疾病表型理解，背后依赖的正是像 PubTator、PKG、KEGG、Gene Ontology、OpenTargets 和 BioThings 这些资源。它们提供了丰富且互补的信息，支撑着现代科研的工作流。然而，问题也随之而来：这些资源结构差异大、持续更新，彼此之间也常常无法无缝对齐。要想跨资源进行推理，难度不小。
如今，人工智能体已经开始渗透系统综述、基因组学、空间生物学和生物标志物发现等领域，甚至逐渐发展为能与科学知识源和计算工具交互的“AI 科学家”。与此同时，深度研究智能体的出现，让自主搜索、推理和证据综合成为可能。但通用深度研究智能体主要面向非结构化的网页文本，而生物医学研究中的关键证据却分散在文献、结构化数据库、本体和知识图谱中。如何跨越这些异质知识源，发现细微关系并形成系统化的证据综合，才是生物医学深度研究的核心挑战。
DeepEvidence 正是为此而生。与通用深度研究系统不同，它使用生物医学专用工具，定位和链接不同知识库及文献中的实体，再通过广度优先和深度优先两种互补策略进行系统探索。系统内部还维护着一张证据图谱记忆，在研究过程中持续更新关键实体、关系和观察结果——用大白话说，就是给整个发现过程配了一张“地图”，让每一步都清晰可查、可验证。
方法
DeepEvidence 是一个多智能体框架，核心逻辑很清晰：一个编排智能体负责总体规划，然后把具体任务分配给专门的研究智能体。系统里主要有两类“研究员”：广度优先研究智能体负责快速扫描，比如查询多个图谱和知识库中的一跳邻域，快速识别与疾病相关的药物或基因；深度优先研究智能体则基于这些初步发现，开展更深入的多跳探索，比如追踪文献引用关系，构建系统综述所需的证据图谱。此外，系统还配有一个执行沙箱，让智能体能直接编写并运行代码，大规模调用知识库接口、保存结果并做进一步分析。流程大致是：编排智能体先定计划，选择两种策略的顺序和组合；各研究智能体随后开始查询知识源、分析结果并更新证据图谱；最后编排智能体汇总所有发现，形成最终结论。
图1｜DeepEvidence 系统概览与基准性能。
结果
DeepEvidence 在生物医学研究基准上表现突出
研究团队先在四个开放生物医学基准上做了评估，分别是 HLE-Medicine、LabBench-LitQA2、SuperGPQA-Medicine-Hard 和 TrialPanorama-EvidenceQA。这些任务考察的是模型的一般生物医学知识、多跳推理能力和基于证据的研究水平。为了突出 DeepEvidence 框架本身的贡献，所有智能体系统都使用了相同的底层语言模型。
结果很干脆：DeepEvidence 在四个基准上全部拿下最佳。在 HLE-Medicine 上达到 40.0%，明显高于 Biomni、ToolUniverse 以及通用大模型；LabBench-LitQA2 上达到 64.7%；强调困难机制推理的 SuperGPQA-Medicine-Hard 上达到 47.1%；而在基于真实临床试验证据的 TrialPanorama-EvidenceQA 上，更是达到了 96.0%。这些数字说明一件事：深度知识图谱研究确实能有效提升生物医学领域的多跳推理和证据综合能力。与那些只做浅层检索的通用智能体相比，DeepEvidence 靠着持续更新的证据图谱，引导广度与深度的协同探索，研究更深、更有针对性，也更可靠。
药物发现与临床前研究
研究团队进一步测试了 DeepEvidence 在药物发现和临床前研究中的表现。前者聚焦于可操作生物靶点的识别，后者则关注作用机制阐释以及在实验模型中对靶向生物学反应的评估。
在靶点识别任务中，智能体需要根据疾病背景、靶点用途和方法类别，迭代搜索、聚合评估证据，最终找出有充分依据的治疗或诊断靶点。DeepEvidence 的准确率为 68%，远超 Biomni 的 56%、ToolUniverse 的 40% 和通用大模型的 42%。基线方法的问题往往出在：工具池太大，检索噪声多，导致难以选择合适的工具，或者在冲突证据和混杂语境中间出现聚合错误。DeepEvidence 则通过更聚焦、更结构化的探索，显著提高了异质证据的综合质量。
研究团队还设计了一个包含冲突证据的二分类靶点验证挑战，涉及证据等级冲突、证据噪声和语境适用性冲突。DeepEvidence 再次表现最强，说明它更擅长区分不同证据来源的语境，避免错误混合。在开放式靶点优先级任务中，DeepEvidence 在机制特异性、系统层面推理、证据意识、靶点优先级和治疗策略等多个维度上都优于 Biomni，整体评分也更高。
图2｜靶点识别实验结果。
到了临床前机制推理任务，DeepEvidence 被用来做作用机制和通路推理，以及体内代谢通量反应预测。在作用机制和通路推理中，智能体需要解释信号通路串扰、药物机制、生物标志物，以及组学数据与表型结果之间的关联。DeepEvidence 准确率为 72%，高于 Biomni 和 ToolUniverse 的 44%，以及通用大模型的 52%。这说明它更有能力将异质实验结果整合成连贯、符合生物学逻辑的机制解释。
在体内代谢通量反应预测任务中，智能体需要判断哪些肿瘤队列或生物标志物最可能在酶抑制后出现强烈的靶向代谢抑制。DeepEvidence 准确率为 80%，高于 Biomni 的 68%、通用大模型的 60% 和 ToolUniverse 的 52%。开放式转化验证任务中，DeepEvidence 在六个评价维度上优于 Biomni，整体评分也更高，说明它更适合综合分析临床前机制、体外证据和体内证据，帮助判断候选药物是否值得推进到临床试验。
图3｜机制推理任务实验结果。
临床试验开发
临床试验开发对决策质量的要求极高，需要综合考虑疾病、药物机制、既往证据和安全性信息。研究团队设计了三个任务来考察：样本量估计、给药方案设计和替代终点发现。
样本量估计任务中，智能体需要根据统计假设、治疗组定义和类似研究证据，推断出所需的受试者数量。DeepEvidence 准确率为 68%，远远高于 Biomni 的 20%、ToolUniverse 的 32% 和通用大模型的 24%。它的优势来自对相似临床试验设计和样本量模式的系统性检索与总结——而基线方法常常直接推断或只做浅层搜索。
给药方案设计任务中，智能体需要选择合适的药物组合策略，包括起始剂量、剂量递增方式、剂量限制性毒性定义、治疗周期、安全监测和主要目标。DeepEvidence 准确率为 52%，高于 Biomni 的 36%、ToolUniverse 的 28% 和通用大模型的 20%。分析显示，DeepEvidence 更常检索药品说明书、监管资料和相关文献，因而能形成更完整的历史剂量和毒性证据视图。
替代终点发现任务中，智能体需要基于治疗机制和疾病生物学背景，对候选替代终点进行合理性排序。DeepEvidence 在平均精确率、召回率和 F1 分数上均为最高，分别达到 73.2%、75.0% 和 73.3%。这意味着它更善于区分药物靶点、通路和生物标志物之间的上下游关系，从而做出更具机制基础的替代终点选择。
图4｜临床试验开发任务实验结果。
循证医学
循证医学的核心，是用高质量临床证据指导医疗决策。但新随机对照试验（RCT）不断发表，既有系统综述随时可能过时，因此需要识别新的相关临床试验来更新证据。研究团队构建了证据缺口发现任务：智能体收到系统综述的研究问题、目标和纳入标准后，需要找出原综述未纳入但应该被补充的新临床试验。
DeepEvidence 的证据缺口检出率达到 90.0%，明显高于 Biomni 的 50.0%、ToolUniverse 的 15.0% 和通用大模型的 10.0%。在前 30 个候选试验中的召回率方面，DeepEvidence 也达到 44.14%，同样领先。这说明 DeepEvidence 不仅擅长发现证据缺口，还能覆盖更多相关研究。其优势来自对系统综述、RCT 和引用网络的深度研究，同时结合疾病和药物知识图谱来增强文献检索和研究筛选。
研究团队还评估了证据图谱的质量。人工审查显示，证据图谱的结构保真度很高：来源有效性达到 100%，实体与关系规范化准确率为 99.7%，重复率很低。文本观察与引用来源的一致性整体为 93.3%，少数错误主要来自对文献表述的细微解释问题，而非实体链接错误。
消融实验的结果也值得关注：直接向模型暴露大量工具并不理想，容易造成工具混淆；加入代码执行可以明显缓解这个问题。多智能体分解本身也不一定带来提升，只有专门设计广度优先和深度优先的研究策略后，性能才明显改善。两者结合时效果最好——这恰恰说明，广度探索和深度追踪确实是互补的。
图5｜循证医学任务实验结果。
讨论
DeepEvidence 本质上是一个面向生物医学文献和知识库的深度研究系统，核心任务就是综合调查、证据综合和发现。需要澄清一点：这里说的“深度知识图谱研究”，并不意味着所有信息源都是显式知识图谱，DeepEvidence 也不是传统的 GraphRAG 方法。事实上，很多生物医学资源确实具有图结构，但像 PubMed 和 ClinicalTrials.gov 这样的重要来源，本质上是半结构化甚至非结构化的。传统图检索和图学习方法通常需要先将异质数据预处理成统一的知识图谱，而在生物医学环境中，这一步由于知识源碎片化、异质性强且持续变化，变得异常困难。
所以，更准确地说，DeepEvidence 是一个受图探索启发的深度研究智能体系统。它让大语言模型驱动的智能体，通过广度优先和深度优先两种研究策略，不断迭代扩展和精炼证据，同时逐步构建证据图谱——这个图谱的作用是组织发现、记录来源，并支持跨异质知识源的推理。
生物医学深度研究面临三个关键挑战。第一，它需要长链条规划和多步推理，中间发现一旦丢失，整个工作就可能白费。第二，它必须处理语境特异性，协调不同来源之间的冲突证据。第三，整个研究过程必须透明，研究人员要能随时验证中间证据和最终结论。DeepEvidence 的设计正是围绕这些挑战展开的：由编排智能体监控整体进度，由专门子智能体执行定向探索，由底层大语言模型解释语境依赖的证据，并通过显式证据图谱保留来源和推理轨迹。
当然，系统仍有局限。虽然 DeepEvidence 已整合了多类生物医学实体和领域知识源，但覆盖仍不完整，当前基准也仅代表生物医学研究任务的一部分。系统目前比较依赖 KEGG、Gene Ontology 等模式稳定、接口质量较高的知识库；未来还需要适应专有或内部知识源，而这些来源可能存在缺失值、结构不一致或接口不完整。另一个局限在于处理冲突证据时，主要还是依赖底层大语言模型的参数化推理能力，缺乏显式的概率建模或不确定性感知机制。未来如果能引入概率推理框架或校准置信度建模，在高冲突证据场景中的稳健性有望进一步提升。最后，目前 DeepEvidence 主要使用广度优先和深度优先两种研究策略——它们虽然优于通用智能体，但未必是最优解。系统在许多任务上还远未达到专家水平，未来的提升空间，既取决于更强的语言模型，也取决于能让智能体自我发现更优研究策略的方法。
参考资料
Wang, Z., Chen, Z., Yang, Z. et al. Empowering biomedical evidence exploration and synthesis with deep knowledge graph research. Nat Mach Intell (2026).
https://doi.org/10.1038/s42256-026-01266-0
