Azeliragon

Full-Body AI-Agent 多智能体框架：跨尺度生物学建模新范式 总结版 一、一段话总结 该研究提出Full-Body AI-Agent 多智能体框架，由中央协调层统筹7 个生物层级基础 AI 智能体，实现分子至全身的跨尺度双向迭代推理，整合多组学、医学影像、生理信号与临床数据构建动态全身生物机制模型，已在肺癌转移建模和药物研发场景完成验证，可有效缩小生物医学转化鸿沟、提升疾病与药效预测精度，加速安全有效治疗方案的开发。 二、思维导图 三、详细总结 1. 研究背景与核心目标 传统生物医学研究仅聚焦单一生物层级，无法解析分子到全身的跨尺度关联；现有 AI 系统局限于单任务 / 单领域，存在转化鸿沟大、预测精度不足等痛点。本研究旨在构建Full-Body AI-Agent 框架，实现人体生物学从分子到全身的多尺度、一体化、动态建模，支撑疾病机制解析与药物研发。 2. 框架核心架构 框架采用双层多智能体结构： •监督层：Full-Body AI-Agent，承担数据感知、假设生成、任务分解、结果整合与跨层协调核心职能。 •执行层：7 个生物层级基础 AI 智能体，分别对应分子、细胞器、细胞、组织、器官、器官系统、全身系统，完成专属层级的数据分析与任务执行。 3. 跨层级生物数据整合 •核心方案：搭建Data Commons 数据共享库+通用数据格式标准，实现异构数据标准化互通。 •整合数据类型：覆盖基因组 / 蛋白质组等多组学、MRI/CT 等影像、心电 / 血压等生理、电子病历等临床数据。 •关键标准：采用 FHIR、DICOM、H5AD 等通用存储格式，通过 FastQC、Seurat 等工具完成数据预处理。 4. 框架推理机制 推理遵循闭环迭代流程，实现跨尺度双向推理： 1.数据输入与标准化：清洗、归一化多模态原始数据； 2.假设生成与任务分解：将复杂生物问题拆解为各层级子任务； 3.任务分配与分析：子任务分发至对应基础智能体，调用专用工具分析； 4.反馈与结果整合：各智能体结果跨层交互，监督层整合输出全身机制结论。 5. 7 大基础 AI 智能体核心功能 智能体类型 核心研究层级 关键任务 分子 AI 智能体 分子（DNA/RNA/ 蛋白） 蛋白结构预测、分子互作、药物分子设计 细胞器 AI 智能体 细胞器（线粒体等） 线粒体功能、突变、能量代谢模拟 细胞 AI 智能体 细胞 细胞异质性、分化、信号通路、药物细胞响应 组织 AI 智能体 组织 组织动态、空间组学、微环境、疾病组织特征 器官 AI 智能体 器官 器官功能、病理、异质性、药物器官毒性 器官系统 AI 智能体 多器官系统 器官间通讯、系统病理、代谢网络 全身系统 AI 智能体 全身 系统耦合、疾病全身传播、个性化治疗优化 6. 核心应用案例 •肺癌转移 AI 智能体构建3 阶段转移评分体系（起始评分、播散评分、定植评分），整合 7 大智能体数据，量化肿瘤侵袭、循环肿瘤细胞存活、远端定植能力，精准预测转移风险。 •药物研发 AI 智能体覆盖药物研发6 大核心阶段（靶点发现→化合物筛选→临床前验证→临床试验→审批→上市后监测），解决传统模型90% 临床前药物失败的问题，结合类器官、器官芯片实现全身药效与毒性预测，缩短研发周期、降低成本。 7. 与其他生物医学多智能体系统对比 系统名称 核心局限 Full-Body AI-Agent 优势 OriGene/Robin 单尺度推理、无跨层因果关联 全尺度双向迭代、全身机制建模 Biomni/MAC-doctor 聚焦单领域（病理 / 临床） 多模态数据融合、跨尺度整合 PharmaSwarm/AI Co-Scientist 线性推理、无系统级约束 闭环验证、全身生理约束 8. 核心挑战 1.数据挑战：多模态数据异构、质量参差不齐、临床数据获取成本高； 2.技术挑战：模型可解释性不足、全身模拟算力需求大、算法精度待提升； 3.伦理挑战：患者数据隐私安全、模型偏见、临床合规与监管。 9. 研究意义 1.首次实现分子至全身的一体化生物医学 AI 建模，填补跨尺度研究空白； 2.降低药物研发90% 临床失败率，加速精准医疗落地； 3.为系统性疾病机制解析、个性化治疗提供全新计算范式。 四、关键问题与答案 1.问题 1：Full-Body AI-Agent 框架的核心架构是什么？7 个基础智能体对应哪些生物层级？答案：框架采用监督层 + 执行层双层结构，监督层为Full-Body AI-Agent（负责协调整合），执行层为7 个基础 AI 智能体，分别对应分子、细胞器、细胞、组织、器官、器官系统、全身系统七大生物层级，各司其职完成专属尺度的数据分析。 2.问题 2：该框架如何解决生物医学多模态数据异构的核心问题？答案：框架通过搭建Data Commons 跨层级数据共享库，制定FHIR、DICOM、H5AD等通用数据格式标准，对多组学、影像、生理、临床等异构数据进行标准化清洗、归一化与格式统一，并依托大语言模型完成数据对齐与融合，实现跨尺度数据互通互用。 3.问题 3：Full-Body AI-Agent 框架在生物医学落地中的核心应用价值？答案：核心价值体现在两方面：①肺癌转移精准预测，构建3 阶段转移评分体系，整合多尺度数据量化转移风险、解析转移机制；②药物研发全流程优化，覆盖药物研发 6 大阶段，结合全身生理约束预测药效与毒性，解决传统模型90% 临床前药物失败的难题，大幅缩小转化鸿沟、加速安全疗法开发。 用于模拟人体生物学的多层框架：从基础AI智能体到全身AI智能体 完整版 作者信息 王奥琪¹，刘佳佳²，文建国²，罗洋洋²，范志伟¹，杨立仁¹，胡曦¹，罗瑞涵²，余彦恺¹，索菲亚·李²，赵卫玲²，周小波²*¹ 四川大学华西医院 华西生物医学大数据中心，中国四川成都 610041² 美国德克萨斯大学休斯顿健康科学中心麦克威廉姆斯生物医学信息学院 计算系统医学中心，美国德克萨斯州休斯顿 77030 •通讯作者。邮箱：Xiaobo.Zhou@uth.tmc.edu 研究简述 本研究提出全身AI智能体（Full-Body AI-Agent）框架，这是一种多智能体架构，旨在从分子到整体生物体尺度模拟人体生物学。与局限于离散任务或领域的现有生物医学AI系统不同，该框架在中央协调层下整合了7个基于生物学特性的智能体，实现跨尺度的迭代式双向推理。通过融合多组学、影像、生理与临床数据，该系统构建动态的全系统机制模型，架起分子发现与系统模拟之间的桥梁。该方法在系统性疾病建模、药物研发等应用中得到验证，为缩小转化鸿沟、提升预测精度、加速安全有效疗法开发提供了连贯的计算范式。 研究亮点 •提出全身AI智能体框架，整合7个基于生物学特性的智能体，实现跨尺度生物医学推理； •实现从分子机制到整体生物体生理的迭代式双向推断，统一多元生物医学数据源； •在肺癌转移建模与药物研发中完成应用验证，缩小转化鸿沟，提升预测精度。 摘要 我们将全身AI智能体设想为一套综合性AI系统，旨在模拟、分析与优化人体在多个生物层级上的动态过程。通过整合计算模型、机器学习工具与实验平台，该系统旨在复现并预测生理与病理过程，覆盖从分子、细胞、组织、器官到全身系统的全层级。全身AI智能体的核心是强调各生物层级间的整合与协调，能够分析分子变化如何影响细胞行为、组织反应、器官功能与系统结局。系统以生物功能为核心，旨在深化疾病机制认知、支持治疗手段研发、推动精准医学发展。 我们提出两种专项实现方案以验证框架价值： 1.转移AI智能体：多尺度转移评分系统，整合分子、细胞与系统信号，刻画肿瘤在起始、播散、定植三个阶段的进展过程； 2.药物AI智能体：系统级药物研发范式，通过全身生理约束动态指导类器官、芯片模型等临床前评估。 该方法可实现长期疗效与毒性的预测建模，突破局部模型的局限。这两种智能体的应用验证了全身AI智能体通过多尺度整合与跨尺度推理解决复杂生物医学难题的潜力。 1 引言 人体生物学的特征是复杂的多尺度交互作用，涵盖从分子过程到整个器官系统的运转。传统生物学研究主要聚焦孤立的生物过程或系统，研究核心多为单个基因/蛋白的功能、特定细胞在疾病中的作用。这类方法虽推动了基础生物学知识的进步，但局限性显著——无法完整刻画多元生物效应间的复杂交互。 随着人工智能（AI）融入系统生物学，生物学研究格局发生重大变革。AI处理海量数据、挖掘隐藏规律、预测结局的能力，弥补了传统研究方法的诸多不足。例如，深度学习算法实现了对复杂生物数据的超大规模、高精度分析，在癌症诊断治疗、临床遗传学、药物研发、流行病学、公共卫生、进化生物学等领域均带来突破性进展。典型案例如Evo2框架，整合系统发育推断与群体遗传模拟，在祖先选择模式检测上的分辨率比传统方法高87%。 当下生物学研究愈发关注多尺度问题，如分子层面的基因突变如何影响细胞过程、细胞行为如何塑造组织发育、组织/器官层面的紊乱如何引发系统性疾病。尽管AI驱动的方法提升了多组学数据与生物交互的分析能力，但方法学局限仍存，阻碍了多尺度信息提取的完整性与可解释性。虽然计算与医疗信息技术的发展提供了新的生物数据来源，但真实临床场景中完整多尺度患者数据的采集仍成本高昂、难度极大。 因此，亟需更整合的研究方案，结合数据驱动方法、生物信息建模与大语言模型（LLMs）等先进工具，更精准地理解与预测复杂生物系统的多尺度行为。大语言模型可将高阶任务拆解为子目标，以类人类思维链的方式逐步推理、规划连续动作以实现目标。尽管大语言模型凭借复杂交互捕捉能力，在多尺度生物数据整合中潜力巨大，但仍面临生物可解释性、异构数据源统一融合等核心挑战。 AI智能体作为自主计算系统，为解决复杂生物任务提供了创新方案。它可自适应完成多任务、解析多元数据模态、自主决策、与动态环境交互。融入科研与临床工作流后，AI智能体可实现跨生物领域的高效、可扩展、精准分析，赋能科学发现与临床决策。 目前已有部分AI智能体成功落地：如ChatGPT高级数据分析（ADA）可自主处理多科室真实临床数据集，自主构建机器学习模型，简化复杂分析流程、降低人工干预；nuclei.io病理-AI系统大幅提升病理切片诊断精度，并支持自主工具的开发与应用；SpatialAgent整合动态工具执行与自主推理，可自主完成空间生物学研究全流程任务（从实验设计到多模态数据分析，包括细胞交互网络、空间代谢微环境、疾病生物标志物识别）。 这些进展印证了AI智能体在提升生物研究与临床实践效率、精度上的潜力。多个AI智能体协同工作，可实现多组学与多模态数据整合，挖掘全面生物信息、支撑精准医学应用，虚拟细胞框架计划便是典型案例。这种整合方案实现了异构数据集的统一分析、多模态验证与生物过程的系统级建模，最终架起分子机制与临床结局的桥梁。例如Robin多智能体AI系统，通过闭环工作流全自动完成文献检索、假设生成、实验设计、数据分析，最终发现并验证了 Ripasudil 作为干性年龄相关性黄斑变性的新型疗法。 据此，我们提出全身AI智能体框架，以应对生物学研究中的多尺度挑战。其核心理念是：将复杂生物问题拆解为可处理的子任务，由专业化AI智能体协同完成。框架由全身AI智能体（监督层） 与7个协作基础AI智能体（执行层） 组成，覆盖分子、细胞器、细胞、组织、器官、器官系统、全身系统七大生物层级，模拟跨尺度生物过程。 通过模拟各智能体间的交互，全身AI智能体可全面解析某一层级的变化如何传导至其他层级，为疾病机制、治疗反应、精准医学提供关键见解。框架核心是模块化的AI智能体协作网络，每个基础智能体专注单一生物层级，通过标准化数据交换协议通信，实现人体生物学的动态、系统建模。该框架架起分子机制与高阶生理过程的桥梁，支撑疾病分析（如肿瘤转移）、药物研发、精准医学等全方面研究。我们依托全身AI智能体开展肿瘤转移与药物研发的假设生成，实现多尺度生物过程的全面解析，加速新型治疗策略的发现。 如图1A所示，全身AI智能体框架是整合系统，融合跨尺度多模态、多组学生物数据以建模人体系统生物学。作为监督智能体，全身AI智能体感知并预处理数据、生成跨尺度生物假设，将复杂生物问题拆解，将各层级任务与数据分配给基础智能体（执行层）；基础智能体感知特定层级数据、细化任务、开展数据分析。全身AI智能体整合各基础智能体的结果，可将某一层级的结论迭代输入其他层级，重复推理以挖掘跨尺度生物信息。 框架的交互起点为患者与全身AI智能体的交互（图1B），系统处理生理指标、基因检测、病理影像、临床病历等多元输入，通过数据感知-推理-执行的结构化流程，由基础智能体完成分析。系统兼容文本（基因组序列、电子病历）、影像（MRI、CT、H&E染色）、数值数据（RNA测序、生理信号）等多模态数据，将其映射至分子到全身的全生物层级，实现疾病全周期建模——从病因（突变检测、蛋白结构预测）、进展（免疫逃逸、上皮间质转化、侵袭）到治疗（个性化疗法、CAR-T细胞优化）。 专业化基础智能体在各生物层级运行，协作网络通过标准化协议运转，实现人体生物学的动态系统建模，揭示单一层级变化的跨尺度传导，为疾病认知与治疗研发提供依据。 图1C展示了大语言模型在全身AI智能体系统中的核心作用：贯穿数据感知、假设生成、任务分解全推理流程，依托文献知识库与科学辩论模型，确保生成高价值的跨层级生物见解。图1D以TP53突变通过上皮间质转化驱动肿瘤发生、免疫逃逸与转移为例，展示了落地工作流：全身AI智能体感知数据，拆解为跨层级生物任务，驱动基础智能体完成突变检测、蛋白结构预测、上皮间质转化细胞分化预测，并指导药物设计中的组织特异性序列优化。 我们将全身AI智能体系统与近期多智能体系统（OriGene、Robin、Biomni、MAC-doctor、PharmaSwarm、AI Co-Scientist）进行对比，详细阐述了人体系统生物学问题（转移研究、药物研发）的分析方法，为疾病认知与治疗研发提供支撑。 2 跨层级数据共享库与生物医学数据整合 生物医学研究领域迎来多模态、多组学数据的爆发式增长，数据覆盖从分子精度（基因组、蛋白质组）到宏观层面（医学影像、临床表型）的全生物尺度。这类数据生态虽极具变革性，但本质上呈碎片化特征：各数据集的格式、采集协议、分析流程均不相同（图2展示了多模态、多组学生物医学数据的多样性与复杂性）。 解决该问题的有效方案是建立数据标准并开展标准化预处理，满足现代研究的可扩展性需求。典型案例为Bioteque数据共享库，它提供了超45万个生物医学实体、3000万条关系的标准化低维嵌入，支撑高效的机器学习应用。 在全身AI智能体框架中，构建稳健的跨层级数据生态是系统有效运行的关键，可通过数据共享库（Data Commons）、通用格式标准、先进语言模型融合三大手段实现。数据共享库是共享存储库，作为集中枢纽， curated 多元生物医学数据集，在统一规则下运行，实现跨来源、跨生物层级数据的无缝聚合。 2.1 数据共享库与通用格式 数据共享库通过标准化协议管理分子、细胞、组织、器官、系统全层级数据，其有效性高度依赖通用格式标准的落地。数据共享库与通用格式标准协同，让跨来源、跨层级数据可被全身AI智能体的各模块精准解读、高效处理、无缝整合，为分层数据映射、多尺度数据交互奠定基础。 补充表1：多组学与多模态数据-生物层级映射表包含生物层级、组学/模态/层级、数据类型、通用存储格式、数据预处理方法、数据共享库等列，是全身AI智能体框架的基石，为跨尺度异构生物数据搭桥，支撑人体生物学的全尺度建模。 该表表明：通过标准化协议，基因组、表观组、蛋白质组、影像、临床病历等异构数据可被系统组织为分子到器官系统的结构化层级，便于整合不同形态、分辨率、生物背景的数据。通过为各生物层级定义标准化数据类型、存储格式（FHIR、DICOM、H5AD等）、预处理方法（FastQC质控、Seurat单细胞聚类）、数据共享库，确保来自孤立领域（分子测序、器官影像、患者电子病历）的数据可被统一、互通、适配AI智能体生态的计算需求。 2.2 跨生物层级数据整合 •分子层级：数据共享库存储基因组序列、蛋白质组图谱、生化通路，GenBank、蛋白质数据库（PDB）提供标准化数据集，确保核苷酸序列、蛋白结构、功能注释的跨研究一致性。数据遵循通用格式（核苷酸序列FASTA、蛋白结构PDB），支撑无缝数据交换与分析。大语言模型（Evo、Evo2基因组模型）调用数据共享库的标准化资源，将序列、突变、功能注释对齐至通用格式，生成统一表征，支撑一致检索、跨研究对比与下游分析。 •细胞层级：数据共享库整合单细胞测序、成像数据，包括通用细胞类型注释、统一表达谱、标准化细胞标志物。数据按通用标准格式化，便于生物信息学工具处理。BioLLM提供异构单细胞基础模型的整合与基准测试框架，实现细胞类型注释、表达谱、标志物集的统一；scGPT基于数千万细胞学习预训练表征，支持标签迁移、批次稳健整合、扰动推理、多组学对齐，生成可检索、跨研究对比的一致嵌入。同时，大语言模型与目标检测增强的主动矩阵数字微流控平台，实现程序化单细胞操作，将数据溯源与反馈链接至数据共享库。 •组织与器官层级：数据共享库存储组织病理与放射影像数据，通用成像协议、空间映射坐标、组织特异性生物标志物确保数据一致性；医学影像DICOM标准保障不同模态、设备的兼容性，支撑无缝数据整合与解读。SpaCCC、QuST-LLM通过空间转录组数据推断细胞间通讯，将点表达数据与组织架构对齐，输出统一坐标供下游分析；肿瘤精准诊疗视觉-语言基础模型将病理影像与文本知识结合，支撑生物标志物发现与报告生成；放射科大语言模型工作流将叙事报告映射为结构化DICOM兼容表征，标准化影像本体，实现可查询视图，与分子、细胞证据互通。 •系统层级：数据共享库纳入临床数据，通过临床术语、电子病历协议标准化，格式与整体框架适配，支撑互通性与全面分析。临床数据来自医院信息系统（临床信息系统、检验信息系统、影像归档与通信系统、放射信息系统、手术信息系统），MIMIC、eICU、HiRID等公共资源提供标准化队列。数据通过ICD-10、SNOMED CT、LOINC等受控词汇保障互通性与语义一致性，病历按HL7 FHIR规范结构化，存储为JSON、XML、Turtle格式；临床大语言模型处理电子病历内容，分析主诉、推荐循证检查、提出鉴别诊断、阐述分步临床推理，MedQA是广泛使用的训练与评估基准。 标准化数据流融入全身AI智能体后，形成可查询、语义对齐的纵向记录，支撑假设生成、验证、多组学/影像跨尺度整合，提升诊断精度，实现人体生物学的系统视角。 3 全身AI智能体框架的推理机制 全身AI智能体的推理遵循结构化流程：原始多模态数据先标准化适配；复杂生物问题与数据被拆解为对齐各生物层级的分层子任务；子任务分配至对应专业化AI智能体，通过领域专用工具执行；结果经迭代反馈环路整合，实现跨尺度双向信息流通，挖掘多尺度生物关联。 图3A展示了全身AI智能体架构推理系统的核心组件：接收生物数据后，全身AI智能体完成1.数据感知→2.假设生成→3.任务分解→4.分配子任务并调用领域工具分析→5.输出优化与合成。基础智能体与全身AI智能体推理结构相似，区别在于基础智能体仅感知、执行单一生物层级的输入与任务（图3B）。 全身AI智能体与基础智能体的推理落地依赖多个大语言模型（图3C），依托大语言模型分层推理与智能体框架，实现数据感知→假设生成→任务分解→数据分析与验证→结果生成的闭环科研工作流。 运行层面，全身AI智能体将数据感知任务分配至：Coscientist（技术文档与实验方案解析）、AI Scientist（文献摄入与数据集导入）、SpatialAgent（多模态组织影像与空间组学）、TxAgent适配器（结构化临床与生物分子终点）；假设由AI Co-Scientist、ResearchAgent生成并排序；任务分解遵循ReAct规划策略，TxAgent组装各子任务所需工具与方案，PharmAgents将方案扩展至临床前-临床衔接环节，DrugAgent生成可审计、可复用的ADMET（吸收、分布、代谢、排泄、毒性）模拟流程；药物研发任务中，全身AI智能体还会调用Fleming提出候选化学型与优化方向；数据分析与验证由Tx-LLM、TxGemma（治疗属性预测与设计分析）、ClinicalAgent（临床试验信息提取与推理）完成，并在POPPER序贯证伪环路下执行预设测试与误差控制；大规模数据分析时，全身AI智能体可通过Coscientist触发自动化实验，或通过Fleming将设计决策与筛选结果链接；结果生成由Data-to-Paper（生成可溯源的方法、结果、图表）、Tx-LLM（生成监管风格摘要供下游决策）完成。 概念层面，全身AI智能体将推理与明确生物层级绑定，强制执行跨尺度双向约束：如器官层面结论需由组织、细胞信号支撑，低层级发现需符合生物体层面合理性。跨尺度路由将假设、方案、分析对齐至最具信息价值的生物层级，完整溯源的输出让工作流可审计、可复现。该架构将一组高性能智能体转化为多尺度生物学的统一操作系统。 3.1 数据输入与感知标准化 全身AI智能体框架首先接收原始生物数据与用户提出的研究问题，输入包括基因组序列、临床观察、影像结果、实验数据集等多元格式数据。系统先感知、解读输入，解析原始数据，提取用户问题中的核心生物问题；识别问题后开展数据标准化，清洗数据、修正缺失值、降噪，提升数据质量；标准化数据转换为结构化统一格式，可被各层级专业化AI智能体分配与解读，确保跨来源、跨格式数据无缝用于下游任务，将用户输入转化为系统可高效解决的精准生物问题。 3.2 假设生成与任务分解 生物问题与对应数据标准化后，全身AI智能体启动任务分解核心步骤：将复杂生物问题拆解为对齐各生物层级的子任务，确保问题各环节得到对应层级的专业深度分析。分解遵循分层结构，覆盖生物系统全层级，依托领域专业知识处理任务，以分层、模块化的方式应对生物复杂性。 每个子任务明确定义，解决对应生物层级的独特挑战，同时与总体研究目标保持一致。结构化分解支持不同层级任务的并行执行，提升问题解决效率，同时保障生物模型的完整性。 此阶段，全身AI智能体识别问题涉及的核心生物组分，按生物层级划分子任务。为保障任务高效执行，我们基于数据模态与研究内容定义各层级的结构化生物组分，让AI智能体充分理解需求、执行任务。我们定义了协作AI智能体的分层设计，作为全身AI智能体系统落地的基础参考。 核心层级任务分配： 1.分子层级任务：研究生物大分子的遗传与生化基础，包括基因突变分析、蛋白-蛋白交互、生化通路、分子信号传导等，识别关键分子、刻画交互、解析细胞功能的驱动机制。 2.细胞层级任务：拆解细胞行为相关任务，包括细胞信号、基因表达调控、细胞对环境刺激的反应、凋亡/增殖/分化等过程，细胞交互与行为是解析分子变化细胞层面表现的核心。 3.组织层级任务：基于细胞层级见解，聚焦协同细胞行为如何形成组织动态，包括组织发育建模、组织对损伤/疾病的特异性反应、组织内不同细胞类型的交互，常需空间建模与模拟解析细胞协同形成功能组织架构的机制。 4.器官层级任务：基于组织层级见解，聚焦单个器官的功能与交互，分析器官对生理/病理刺激的反应、器官间通讯、对整体健康/疾病的贡献，包括血流、营养运输、免疫反应、器官特异性治疗反应模拟。 5.系统层级任务：聚焦多器官在生物体层面的协调与交互，研究疾病的系统效应、多器官系统的协同功能、局部变化对全身的级联影响，是解析器官系统相互依赖、复杂疾病（代谢紊乱、系统性感染）整合反应的关键。 3.3 任务分配至AI智能体开展数据分析 拆解后的任务动态分配至对应生物层级的专业化AI智能体，各智能体依托专属知识与工具执行领域任务，分层方法保障任务由对应生物领域专家处理，实现各层级的聚焦分析。 任务分配后，各AI智能体将任务细化为可执行子任务，子任务可操作、可量化，适配智能体执行。图4-图10展示了各生物层级需解决的功能领域、任务细化与执行流程。智能体调用相关生物工具与计算模型执行任务，包括测序技术、影像分析软件、模拟模型等领域专用技术。例如，细胞层级AI智能体可使用单细胞RNA工具（scDRS）分析疾病相关细胞特征；器官层级智能体可通过影像数据评估器官功能。 3.4 反馈与结果整合 各AI智能体完成任务后，输出结果传输至其他层级智能体，作为后续分析的输入，让下一层级智能体基于初始发现生成新见解，智能体间通信实现生物模型的多尺度细化。 最终所有输出汇聚至全身AI智能体，通过迭代反馈环路整合，兼顾分子、细胞、组织、器官、系统层级的动态交互，优化聚合结果。环路的迭代性保障模型持续优化，生成更精准的生物解读。 输出整合优化后，全身AI智能体向用户呈现合成结果；用户可基于生物背景、研究目标选择特定输出，将其重新输入系统，进一步细化分析全尺度生物现象。用户引导的选择实现生物系统特定维度的聚焦探索，支撑全面、可落地的见解挖掘。 3.5 生物医学研究中多AI智能体系统的对比 现有生物医学多智能体系统（OriGene、Robin、Biomni、MAC-doctor、PharmaSwarm、AI Co-Scientist）通常优化于科研工作流的特定阶段，或局限于特定生物医学子领域，推理过程多为尺度受限、线性流程：信息检索/计算→单领域分析→最终整合。这类架构虽在细分领域（分子靶点发现、文献合成、临床诊断）实现高效高精度运行，但极少建模跨生物层级的因果传导。表1详细对比了这些多智能体系统的工作流。 推理是智能体的核心模块，负责将证据转化为机制与假设： •OriGene：模板驱动推理，协调器解读查询、分配任务，推理模块组装机制证据生成候选靶点，事后验证； •Robin：闭环工作流，重复查询文献、重新计算分析，但反馈环路局限于同一尺度； •Biomni：过程式推理，基于 curated 工具库生成并执行分析代码，在固定数据尺度内优化； •MAC-doctor：领域专家“医生智能体”监督式共识构建，整合临床尺度解读，不建模上游分子/组织因果； •PharmaSwarm：靶点生成分布于组学、文献、市场情报智能体，通过跨来源佐证而非多尺度约束整合输出； •AI Co-Scientist：迭代认知优化，假设生成→批判→排序→演进，但推理环路主要优化解释连贯性，不强制生物层级一致性。 与之对比，全身AI智能体将生物医学多智能体推理从分子机制扩展至整体生物体生理，是多模态架构，通过协调层监管7个生物基础智能体（分子、细胞器、细胞、组织、器官、器官系统、全身系统），整合全生物层证据。 系统感知多组学、多模态输入，构建多尺度问题，生成融合分子发现与器官机制的跨尺度假设；系统性问题拆解为子问题分配至基础智能体，各智能体通过尺度适配模型处理领域专用数据。核心创新：某一层级的输出可迭代交换为其他层级的输入，实现双向传导——低层级机制支撑高层级生理状态，高层级约束修正/否决低层级解释，迭代直至收敛为生理合理的全身模型。 此处的整合不是终端聚合步骤，而是推理的内在组成部分，生成统一的系统解释。全身AI智能体生成全身机制图谱、干预模拟、治疗策略排序，链接多尺度生物医学数据集与模拟模型，支撑系统性疾病建模（肺癌转移、全身药物研发）。其核心优势是通过持续跨层级推理，将精细分子见解与系统临床结局统一，缩小基础科研与转化应用的鸿沟。 4 全身AI智能体的协作基础AI智能体分层设计 生物系统天然具有分层性，组织架构从分子结构、细胞网络、组织、器官、系统延伸至整个生物体，各层级持续交互，构成人体复杂动态网络。 没有单一AI模型能有效捕捉全生物尺度的完整复杂性，因此协作式AI智能体至关重要。全身AI智能体需整合分子图谱、细胞状态、组织特性、器官功能、全身行为等多元数据类型，各层级需专属知识、工具、算法以精准建模预测生物系统行为。 因此，协作式设计是必然选择。全身AI智能体由多个基础AI智能体组成，每个智能体专注生物分层的特定层级，协同工作、交换信息、迭代优化输出，全面解析复杂疾病机制。 分层结构让每个基础智能体聚焦专属领域，调用最优数据源与计算技术，任务分布式分配保障全身AI智能体合成生物系统的全面多尺度认知。 4.1 分子AI智能体 生物体由DNA、RNA、脂质、糖类、蛋白质等多种生物大分子组成，各分子在细胞功能中扮演关键角色，交互是生命维持的核心： •DNA：编码发育、功能、繁殖的遗传指令； •RNA：传递遗传信息，指导蛋白质合成； •脂质：细胞膜结构组分，参与信号通路； •糖类：主要供能、细胞通讯物质； •蛋白质：细胞功能与表型的直接执行者，催化生化反应、传递信号、结构支撑、调控基因表达。 DNA转录为RNA→翻译为蛋白质，蛋白质执行细胞功能，分子间动态交互决定细胞对环境的反应、生物体发育与适应。 蛋白质AI智能体是分子AI智能体的核心，专注解析分子层级交互，尤其是蛋白质相关过程：解读分子数据，预测蛋白结构、交互、生物功能。蛋白质的氨基酸序列折叠为特定三维结构，决定其催化、信号、结构、防御等功能。 分子AI智能体的核心研究领域：蛋白结构与功能、蛋白-蛋白交互、翻译后修饰（PTM）、蛋白设计与工程（图4展示了分子AI智能体的预定义可拆解生物任务）。 •蛋白结构与功能：解析氨基酸序列决定折叠、稳定性、功能的机制，预测突变/环境下的结构变化； •蛋白-蛋白交互：预测蛋白复合物形成，评估对细胞过程的影响； •翻译后修饰：识别修饰位点，模拟对蛋白稳定性、功能的调控； •蛋白设计与工程：设计特定功能蛋白、优化序列稳定性/催化效率、工程化蛋白靶向生物过程。 上述功能均依托大语言模型实现，是药物研发、疾病建模、合成生物学的核心支撑。 4.2 细胞器AI智能体 细胞器AI智能体是融合多模态数据与AI技术的先进平台，研究各类细胞器的多样性、生物功能、动态行为。细胞器是执行细胞核心功能的亚细胞结构，包括细胞核、线粒体、内质网、高尔基体、溶酶体、过氧化物酶体、中心体等，负责蛋白合成、能量产生、废物处理、细胞分裂等关键过程。 线粒体AI智能体是细胞器AI智能体的核心，专门研究健康/疾病状态下线粒体的多样性、功能、动态行为。线粒体是通过氧化磷酸化（OXPHOS）产生ATP的核心细胞器，满足细胞能量需求；此外，它还调控细胞凋亡、信号传导、免疫反应、氧化还原平衡。线粒体独有的环状DNA（mtDNA）突变率高，与神经退行性疾病、癌症、代谢综合征、免疫相关疾病密切相关。 近年线粒体研究已超越传统功能，拓展至动态行为、细胞间转移、分子特征，揭示其在细胞生物学中的多元作用（图5展示了线粒体AI智能体的预定义可拆解生物任务）。 线粒体AI智能体的核心研究领域：线粒体形态、分布、谱系示踪、异质性、转移，执行多类任务深化线粒体功能认知： •预测mtDNA突变，评估致病性； •预测线粒体蛋白结构与交互； •建模能量代谢、膜电位、神经元活动、凋亡通路； •预测ATP生成效率、钙离子调控、活性氧（ROS）控制等核心功能； •研究融合/分裂动力学、核基因表达调控、细胞器间通讯。 工具支撑：DeepMito（显微影像分析）、MitoMap（mtDNA测序与致病性评分）、MitoTrace（线粒体变异追踪）、MitoRelID（线粒体药物靶点交互评估）。智能体生成线粒体疾病特征高分辨率注释、动态转移网络模型、疾病生物标志物、治疗靶点，深化分子/细胞/系统层面线粒体功能障碍的认知，如解析癌细胞缺氧适应机制、探索健康线粒体转移的治疗策略。 4.3 细胞AI智能体 细胞是生命的基本单元，能独立执行生命必需过程。DNA-RNA-蛋白质的交互驱动细胞的核心功能：能量产生与代谢、信号接收与传导、蛋白合成与分泌、细胞分裂与生长、DNA修复与维持、免疫防御、运输与通讯、细胞稳态、机械运动与收缩。 高通量测序技术的进步，大幅提升了细胞核心功能分子机制的解析能力，可分析基因表达、蛋白功能、代谢物图谱、基因组完整性，支撑健康/疾病状态的细胞过程研究。 细胞AI智能体融合基因组、蛋白质组、形态组、单细胞多组学、空间组学等多模态数据与深度学习算法，模拟预测细胞功能、行为、分子特征、异质性、交互；结合临床数据，架起基础细胞研究与临床应用的桥梁，支撑疾病诊断与治疗。 细胞AI智能体的核心领域： 1.细胞内代谢网络构建，模拟生化通路，预测缺氧/毒素等环境变化的细胞反应，链接分子功能障碍与临床表型、疾病关联； 2.细胞行为建模：迁移、周期、分化、凋亡/自噬动态，解析组织内细胞的空间分布与组成； 3.分子层面：基因表达谱、调控网络预测，遗传/表观突变检测与致病性评估，支撑精准医学与药物靶点发现； 4.细胞异质性分析：亚型分类、功能预测、生命周期表达图谱、功能亚型识别，解析癌症进化、免疫反应等复杂过程； 5.细胞交互建模：细胞间信号、细胞-基质交互、通讯分子变化，预测配体-受体交互，解析免疫调控、组织修复、肿瘤微环境机制； 6.临床应用：疾病生物标志物识别、细胞层面药物反应预测、治疗分子（抗体、基因编辑器）优化、CAR-T等细胞疗法设计、疾病风险预测、癌症免疫逃逸评估（图6展示了细胞AI智能体的预定义可拆解生物任务）。 单细胞多组学数据整合是细胞AI智能体的核心优势：融合基因表达、染色质可及性、DNA甲基化、蛋白活性数据，全面刻画细胞状态与功能，克服技术噪声、批次效应等挑战，提升细胞生物学分析的稳健性。 工具支撑： •聚类算法（Louvain、Leiden）：单细胞转录组聚类； •注释数据库（CellMarker、PanglaoDB）：细胞类型注释； •轨迹分析工具（Monocle、STREAM）：发育轨迹重建； •生成对抗网络（GANs）：单细胞数据补缺； •自监督学习：细胞周期建模； •惰性概率模型：RNA速率优化； •大语言模型（DrugFormer）：药物敏感性预测。 4.4 组织AI智能体 组织AI智能体是融合多组学数据与空间生物学的先进计算平台，研究组织层级生物过程。组织由协同工作的同类细胞组成，嵌入细胞外基质（ECM），ECM提供结构支撑与生化信号，维持组织稳态与应激/疾病反应。 组织层面的细胞、ECM、分子信号交互是稳态维持、疾病响应的核心，组织AI智能体依托AI方法架起分子、细胞、器官研究的桥梁。 组织AI智能体的核心任务： 1.组织动态建模与模拟：融合空间组学与基于智能体的建模，模拟组织环境，解析发育、稳态、损伤/疾病反应（如组织修复、纤维化、癌症进展）； 2.生物标志物与调控网络发现：自监督学习挖掘组织特异性调控网络、稀有细胞群、新型生物标志物，深化疾病机制认知、支撑诊断研发； 3.组织知识库构建：融合单细胞转录组、蛋白质组、表观组与空间映射，通过知识图谱挖掘健康/疾病状态的组织功能交互； 4.个性化治疗反应预测：分析组织异质性，预测患者特异性治疗反应，检测癌症、神经退行性疾病的早期疾病信号，支撑精准疗法； 5.生物制造与组织工程：模拟干细胞分化，优化组织再生条件（图7展示了组织AI智能体的预定义可拆解生物任务）。 工具支撑： •深度学习（CNN、ViT）：病理特征、空间组学分析（SEQUOIA、RNAPath）； •图神经网络（GNN）：细胞交互、组织架构建模（STCase、Ceograph）； •强化学习（RL）：组织病理扰动模拟（RL-GenRisk）； •自监督学习（SSL）：无标记空间模式挖掘（BIDCell、Kasumi）。 4.5 器官AI智能体 器官AI智能体融合多组学、临床、影像数据，建模分析单个器官的生物功能，全面解析器官特异性疾病、功能、刺激反应。智能体构建器官解剖与功能精细模型，模拟不同状态下的行为，预测环境/治疗的影响。 核心任务（图8展示了器官AI智能体的预定义可拆解生物任务）： 1.器官功能建模：模拟健康/疾病状态下的器官功能，评估营养、代谢、疾病等环境因素的影响，融合解剖影像（MRI/CT）与分子数据，动态模拟损伤、疾病、治疗的功能变化； 2.器官病理生理分析：解析疾病的动态改变，预测功能障碍的根本原因，挖掘疾病机制、识别治疗靶点（如慢性损伤纤维化、基因突变驱动肿瘤发生）； 3.器官特异性分子特征识别：挖掘正常/病理状态的标记基因、分子通路，解析疾病进展的分子特征、演化规律； 4.器官异质性分析：预测器官内空间/功能变异，识别分子/细胞特征独特的区域，解析细胞类型、代谢、分子分布对器官功能的影响； 5.器官内组织交互建模：模拟信号/物质传输，模拟炎症、组织修复的免疫细胞-组织交互； 6.药物反应与毒性分析：预测治疗对器官的影响，优化器官工程、再生医学策略（如器官移植适应模拟）。 技术支撑：器官芯片、类器官培养、有限元分析（FEA）、虚拟人体建模；融合影像-基因分析（MRI/CT识别功能区域→GWAS关联遗传变异→孟德尔随机化推断因果），构建器官行为综合模型，链接结构特征与遗传通路，识别精准医学治疗靶点。 4.6 器官系统AI智能体 器官系统AI智能体是建模分析多器官间通讯、稳态、扰动反应的先进平台，融合生物、生理、环境、分子数据，通过复杂AI模型全面解析人体器官间交互。 器官系统是生理功能维持的核心，局部/远程的协同通讯是疾病适应、整体稳态的关键。近年研究证实，心血管、免疫、神经退行性疾病中器官系统的关联性——某一器官功能障碍会影响其他器官，如肠-脑轴的α-突触核蛋白与帕金森病早期诊断相关。 器官系统AI智能体捕获复杂的器官间关系，支撑疾病预测、生物标志物发现、治疗策略优化。 输入数据：多组学（基因组、代谢组、宏基因组）、生理数据（心电、血糖、睡眠节律）、解剖数据（肝脏厚度、左心室容积）、全身影像（CT、MRI、超声）、环境因素（吸烟、用药）。 核心任务（图9展示了器官系统AI智能体的预定义可拆解生物任务）： 1.多器官功能协调分析； 2.系统性疾病的多器官功能障碍建模； 3.多器官病理级联模拟； 4.药物反应预测； 5.损伤后多器官代偿与修复模拟； 6.多器官代谢网络构建； 7.器官间生物力学交互推断，预测功能与表型变化。 工具支撑：nnU-Net（医学影像分割）、TMO-Net（多模态特征捕捉）、BioBERT（生物医学文本挖掘）、孟德尔随机化（基于基因组变异解析器官间因果关系）。 4.7 全身系统AI智能体 全身系统AI智能体覆盖器官系统内部与跨系统的核心功能（图10）： 1.系统内功能协调：建模单一生理系统内器官的动态交互（如心、肺、肾协同调控循环与呼吸功能），融合影像、电子病历、多组学数据，模拟单器官扰动的跨器官影响，解析系统稳态与器官韧性； 2.系统间功能耦合：捕捉神经、免疫、内分泌等跨系统交互，模拟神经信号对肌肉骨骼功能的调控、下丘脑-肾上腺激素级联的生理调节，发现全身功能的调控轴与反馈环路； 3.系统性疾病传播：预测疾病跨器官系统的扩散（如肠道慢性炎症引发远程器官免疫反应/功能障碍，导致自身免疫病、多器官衰竭），挖掘疾病通路、指导早期干预； 4.跨器官疾病动态：模拟疾病跨系统进展（如心血管疾病损伤肾功能、糖尿病影响神经与眼组织），建模疾病轨迹与交互网络，识别治疗关键节点、解析系统性合并症； 5.系统级代谢动态：建模器官系统内/间的代谢流，模拟脂质/糖代谢紊乱对肝脏、胰腺、心血管的影响，支撑肥胖、2型糖尿病、脂肪肝等代谢综合征研究； 6.生物力学与结构交互：融合机械力与结构生物学，模拟物理应激对器官行为的影响（如心脏压力过载适应、骨骼肌重复运动反应），支撑损伤、衰老、适应性反应建模； 7.个性化治疗优化：模拟个体对药物/干预的跨器官系统反应，融合电子病历、临床试验、组学数据，预测疗效与毒性、优化联合治疗、定制用药方案，最大化全身获益、降低不良反应。 电子病历是全身系统生物学解析的核心数据，记录多尺度动态变化的宏观表现，但传统分析无法同步捕获同一患者的全器官数据，阻碍全身复杂性的整体解析。 解决方案：将大语言模型融入全身系统AI智能体，挖掘电子病历数据，识别器官特异性、多器官共享、合并症相关的生理信号，构建高维整合网络，映射生理信号与器官/器官系统的关系，揭示生物系统的相互依赖，深化健康与疾病认知，支撑更精准的系统感知治疗策略。 5 全身AI智能体系统的应用：案例研究 全身AI智能体框架通过系统化、多尺度的方法解析疾病机制、优化治疗干预，本部分展示肺癌转移研究与药物研发两大案例，验证框架在科研与临床转化中的潜力。 案例1：基于全身AI智能体的三阶段转移评分框架 转移是恶性细胞从原发肿瘤扩散至远端器官的过程，是癌症死亡的主要原因。转移 cascade 分为三个连续阶段（图11A）： 1.起始阶段：上皮肿瘤细胞发生上皮间质转化（EMT），获得运动与侵袭能力，结合癌症干细胞特性、代谢重编程、血管生成重塑、免疫逃逸、克隆选择，突破基底膜、发生血管内侵袭； 2.播散阶段：循环肿瘤细胞（CTCs）面临血流剪切力、失巢凋亡、免疫攻击等生存挑战，通过血小板包裹、内皮黏附等机制克服障碍，在血管内迁移； 3.定植阶段：播散肿瘤细胞穿出血管进入远端组织，通过间质上皮转化（MET）恢复上皮表型，进入休眠状态，在晚期免疫抑制、微环境支持信号的作用下重新激活，形成宏观转移灶。 远端器官定植受器官特异性微环境信号调控： •肺：中性粒细胞胞外诱捕网（NETs）、内皮CXCL12梯度捕获并激活休眠细胞，促进早期微转移定植； •肝：激活的肝星状细胞形成纤维化微环境，抑制NK细胞清除，延长播散细胞休眠期，直至微环境重构唤醒细胞； •脑：星形胶质细胞外泌体miRNA诱导肿瘤细胞PTEN下调，形成允许生长的微环境，启动转移细胞增殖。 转移的复杂性与器官特异性，亟需融合分子、细胞、组织、器官、系统全尺度多模态数据与机制见解，解析其动态进展与相互依赖关系。 尽管单一层级研究（基因发现、器官影像）取得进展，但分子事件→细胞→组织→器官→系统性疾病的级联传导机制仍不明确。全身AI智能体框架由7大基础模块组成，覆盖全生物层级，融合多尺度数据与见解，以超高分辨率、可解释性重建复杂生物网络。 转移AI智能体是框架的典型应用，建模解码癌症转移的多步骤、多器官特性。我们为转移AI智能体设定三个相互独立又关联的评分指标：起始评分、播散评分、定植评分（图11C），对应肿瘤细胞从原发灶到远端转移的核心生物学挑战： •起始评分：评估肿瘤脱离原发灶、侵袭周围组织、逃逸局部免疫监视的能力； •播散评分：量化循环肿瘤细胞抵抗血流剪切力、免疫攻击、远端血管黏附的生存能力； •定植评分：评估播散肿瘤细胞进入休眠、适应新微环境、最终增殖形成显性转移的可能性。 三大评分精准定位各阶段的脆弱点，指导跨尺度数据整合，实现分阶段风险评估与治疗干预。图11D展示了转移AI智能体如何通过七大生物层级基础智能体，跨尺度量化转移潜能。 评分计算逻辑： 1.起始评分 ￮分子AI智能体：量化EMT驱动因子（SNAIL、TWIST）、干性调控因子（NANOG、SOX2）、选择性生长优势的基因突变； ￮细胞AI智能体：单细胞表型分析，评估混合EMT状态、癌症干细胞样细胞群、糖酵解/氧化磷酸化代谢重编程； ￮组织AI智能体：免疫组化数据量化微血管密度、血管周细胞浸润，评估血管生成重塑； ￮器官AI智能体：多参数影像提取灌注异质性、血管通透性指标； ￮细胞+组织AI智能体：PD-L1表达、免疫抑制细胞群分析，评估局部免疫逃逸。多尺度特征融合生成连续起始评分，精准区分肿瘤早期侵袭潜能。 2.播散评分 ￮细胞AI智能体：循环肿瘤细胞图谱，分析锚定非依赖生存、失巢凋亡抵抗、血小板受体上调的转录程序； ￮器官系统AI智能体：四维流动MRI、计算流体力学构建患者特异性血流模拟，定位低剪切力血管区域（利于肿瘤细胞滞留、血小板包裹）； ￮组织AI智能体：空间转录组数据量化ICAM-1、VCAM-1等内皮黏附分子表达，定位血管黏附热点。内在生存特征、器官轴流体动力学、黏附景观融合，刻画细胞在循环系统中的迁移、存活、滞留能力。 3.定植评分 ￮分子AI智能体：休眠细胞单细胞代谢图谱，检测脂肪酸氧化、抗氧化通路激活； ￮细胞AI智能体：MET程度评估，上皮标志物重表达、连接复合体恢复； ￮组织AI智能体：多重成像解析ECM组成、刚度梯度、血管密度，定义微环境允许性； ￮器官AI智能体：PET示踪剂摄取、代谢组数据，绘制器官特异性营养可用性； ￮器官系统AI智能体：骨髓来源髓系细胞招募等跨器官免疫抑制轴建模，解析晚期免疫编辑。多尺度特征融合，预测休眠细胞存活、微环境整合、转移定植的可能性。 实证验证：以非小细胞肺癌（NSCLC）原发灶单细胞核RNA测序（snRNA-seq）数据为例，起始评分融合分子、细胞、组织、器官层级特征： •分子层面：Scanpy预处理数据，聚类区分恶性/非恶性上皮细胞， curated EMT、干性、糖酵解、氧化磷酸化标志物集，计算单细胞评分，定义混合EMT评分、代谢重编程评分，PCA整合生成分子起始评分； •细胞层面：Louvain聚类映射混合EMT、干性评分，识别高侵袭潜能细胞亚群； •组织/器官层面：病理/空间组学、多参数影像提取血管生成、免疫、灌注特征，进一步优化评分。 最终多尺度集成模型输出起始评分，精准分层癌细胞的早期侵袭潜能，验证了多尺度计算整合的价值。 案例2：全身AI智能体平台在药物研发中的应用 人类对健康长寿的追求持续驱动药物研发，但人体复杂性尚未被完全解析，成为疗法设计、评估、落地的核心障碍。 图12A将药物研发概念化为生物阶梯，需跨越全尺度生物层级： 1.全身系统层级：药物效应体现为神经内分泌、免疫、行为状态的全局变化，决定临床终点（生存期、症状缓解、生活质量）； 2.器官系统层级：器官间通讯核心（如心-脑轴），药物研发需考虑多器官交互； 3.器官层级：解剖结构为核心，疾病的局域性带来空间给药挑战； 4.组织/微环境层级：肿瘤微环境、血脑屏障等，是药物渗透的核心障碍； 5.细胞层级：肿瘤异质性、单细胞分辨率，解析耐药、克隆进化、细胞特异性反应； 6.亚细胞层级：细胞器功能障碍、信号通路紊乱、代谢应激，决定细胞对治疗的反应； 7.分子层级：药物-靶点交互（蛋白构象、结合口袋、配体特异性），是药理作用的起点。 传统药物研发策略虽不断拓展，但临床转化仍是瓶颈：超90%动物模型中“安全有效”的候选药物，因疗效不足、毒性不可接受在人体临床试验失败。FDA将物种间免疫原性、生理差异认定为核心原因，正式支持类器官等人体相关平台研发，减少动物实验依赖、提升转化成功率。 类器官、器官芯片系统通过3D人体细胞自组装与微流控仿生技术，高保真复刻局部器官功能，如肺芯片助力Azeliragon直接进入II期临床试验。但这类技术仍存在系统层面局限： 1.生物系统局限性：人体是动态耦合的闭合器官网络，现有芯片模型多聚焦单器官/少数配对，难以复刻肝-肾-肠-免疫轴的级联代谢、远程毒性； 2.生物过程时序性：慢性毒性需数周/数月累积与系统反馈，现有芯片培养周期难以支撑； 3.结构局限性：肝类器官缺乏胆管细胞、血管内皮细胞，无法精准建模药物生物激活、代谢毒性。 因此，亟需新型临床前筛选策略，更精准预测临床结局，加速药物研发、控制成本。 药物AI智能体是全身AI智能体框架的核心模块，系统性解决传统临床前模型的局限，提升转化研究保真度（图12）。 图12A：生物层级全谱融入药物研发，覆盖分子到系统生理；图12B：药物研发经典六阶段：靶点识别→化合物发现→临床前验证→临床试验→审批→上市后监测，类器官/器官芯片主要用于第三阶段（临床前安全性、疗效、药效学评估）；图12C：药物研发全周期功能需求：靶点验证、免疫原性筛选、药代动力学、毒性评估、上市后失效分析；图12D：药物研发各任务涉及的生物层级，体现多尺度复杂性。 药物AI智能体作为高阶整合模块，合成七大基础智能体的见解，实现系统感知的药物研发：各基础智能体处理层级专用数据，协同模拟药物作用全流程。分子/细胞层面的见解向上传导至组织、器官、生理系统，全身约束（器官间信号、免疫反应）向下反馈，指导药物设计、递送、剂量策略，为传统临床前工作流提供计算整合、因果感知、生理接地的替代方案，将类器官结果嵌入动态全身背景。 全流程硅基药物发现管线： 1.虚拟筛选：AutoDock-GPU、GNINA对接化合物库，生成结合亲和力评分； 2.优化：分子动力学模拟（GROMACS）、自由能微扰分析，优化结合构象、估算结合自由能； 3.生成设计：DeepChain、DiffDock、等变扩散网络，从头设计候选物，优化药效、选择性、可合成性、专利性； 4.成药性评估：pkCSM（药代动力学）、hERG-Block（心脏安全性）、Tox21（毒性）； 5.合成路线：逆合成规划（RETRO、ASKCOS），按成本、步骤优先级排序； 6.闭环迭代：硅基结果输入实验回路（生化实验、SPR/ITC结合验证），迭代训练智能体，完成“设计-合成-测试-分析”闭环。 落地案例： •ISM001-055：Insilico Medicine研发，AI发现设计的特发性肺纤维化（IPF）候选药，IIa期临床成功，获FDA孤儿药资格； •Halicin：MITAI筛选发现的新型广谱抗生素，对抗多重耐药菌有效； •Baricitinib：BenevolentAI平台筛选，从类风湿关节炎疗法重定位为新冠炎症治疗，9个月内获FDA紧急使用授权。 这些案例印证：全身AI智能体等跨尺度整合多智能体架构，可打破药物研发的传统孤立阶段，统一分子发现、类器官建模、全身模拟，缩小转化鸿沟、降低失败率，更快、更经济地交付安全有效的疗法。 6 研究进展与挑战 全身AI智能体框架将人工智能跨多生物尺度整合，代表了人体生物学建模与解读的范式革新。尽管近期进展展现出巨大潜力，但仍面临数据可得性、技术局限、伦理合规三大核心挑战，攻克这些挑战是发挥框架潜力的关键。 6.1 现有数据与技术支撑 尽管计算生物学与AI取得显著进步，全身AI智能体框架的落地仍需突破技术瓶颈： 1.异构数据整合：基因组、蛋白质组、临床、影像等数据格式、分辨率、尺度差异大，无缝整合为统一模型难度极大，标准化、统一化是核心障碍； 2.模型可解释性：复杂生物模拟的深度学习模型多为“黑箱”，难以解读预测/见解的生成逻辑，生物研究需可解释性支撑验证、信任与应用，亟需可解释AI（XAI）技术； 3.可扩展性：全尺度人体生物学建模需海量计算资源，实时模拟层级动态交互需处理超大规模数据、复杂算法，现有模型难以适配生物系统的复杂度提升，亟需高效可扩展算法； 4.数据质量与噪声：生物数据集常存在缺失、噪声、采样偏差、实验变异，需稳健的数据清洗、标准化方法； 5.模型与算法优化：生物系统动态复杂、存在非线性关系与反馈环路，现有AI模型难以精准复刻，需持续优化算法。 6.2 技术瓶颈与拓展 目前缺乏能全尺度刻画人体的有效工具，尤其是器官交互、全身系统层级。为弥补缺口，我们研发了Spatial-GWAS方法，融入全身AI智能体框架，同步考虑脑空间交互与遗传关联研究，提升关键遗传变异识别精度、解析交互机制。 6.3 伦理与应用局限 全身AI智能体框架的伦理挑战主要集中于数据隐私安全：基因组、临床等敏感患者数据需强加密、匿名化、安全访问协议，保障机密性与隐私；偏见与公平性：训练数据代表性不足会导致预测偏见、医疗不公；临床验证：框架需严格临床验证，保障医疗场景的精度与可靠性；透明与问责：AI生成的见解需明确决策责任指南，作为人类专业能力的补充；监管合规：需有效监管，保障医疗标准与伦理规范的落地。 7 讨论 全身AI智能体框架作为前瞻性方案，提出了通过专业化AI智能体网络建模人体生物学的创新方法，可在多生物层级运行，模拟预测复杂生物过程。 框架设想** unprecedented 整合遗传、理化、细胞生物学、生理、解剖、多尺度影像等多元数据源，大幅拓展生物医学研究的范围与分辨率。与局限于特定领域、优化孤立工作流的系统不同，全身AI智能体将推理定义为动态、跨尺度的内在过程**：不仅聚合静态输出，更让假设在机制与系统层级的迭代双向交换中演化，重构计算系统模拟生物因果的方式。 该框架代表了生物医学建模的范式革新：从领域专用优化转向动态跨尺度推理，通过机制与系统层级的迭代双向交换，重构生物因果的计算模拟逻辑，让分子发现、生理模拟、转化决策在单一推理流程中协同。 方法学层面，框架解决了生物医学AI的两大长期痛点： 1.缓解分子/器官发现脱离系统背景导致的保真度损失，保障解释模型兼具机制合理性与生理可行性； 2.将推理从靶向问题解决拓展至全身假设生成，捕捉还原论方法难以触及的涌现特性、器官交互、多药理效应。 框架的核心优势：将类器官、器官芯片、体内实验等实验平台融入连贯的计算推理环路，不替代现有方法，而是战略性优先数据采集、识别高价值实验验证、减少冗余测试，硅基与湿实验流程耦合，缓解药物研发的长期瓶颈与高失败率。 但落地仍需攻克重大技术障碍： •数据碎片化：数据分辨率、尺度、模态差异大，阻碍无缝整合； •标准化：实验输出、公共数据库的标准化流程是多智能体协作的前提； •时序对齐：动态生理过程的异构数据时序对齐尚未解决； •计算成本：高保真生物体模拟资源消耗巨大； •可解释性：多尺度因果链的可解释性是临床落地的核心障碍。 实验生物学的进步至关重要：单细胞、空间组学、多尺度成像、连续生理监测等高分辨率多维度模态，为框架推理层提供实时相关数据；AI技术（深度学习、强化学习、大语言模型）提升多元数据处理、结构化/非结构化知识融合能力，但深度学习的“黑箱”特性带来可解释性挑战，临床场景需透明的可解释机制，将AI推断与成熟生物医学原则绑定。 伦理与治理同样关键：患者特异性多模态数据的融合放大了隐私、安全、偏见风险，需按GDPR、HIPAA等框架嵌入设计，配套强加密、匿名化、减偏见协议；数据多样性不足会导致AI建议加剧医疗不公；框架应定位为辅助工具，最终决策权由医疗专业人员掌握。 临床转化是最具潜力但挑战最大的前沿： •精准医学：多尺度建模个体生物学，优化治疗选择、剂量、时机； •药物发现：统一分子对接、类器官模拟、全身药效动力学，降低成本、缩短上市周期； •验证：需严格前瞻性验证，保障计算预测可靠转化为治疗获益。 最终，全身AI智能体不应被视为固定技术产物，而是持续演化的范式：整合跨尺度异构数据流、通过任务编排协调实验与计算生物学、循证迭代优化模型。若能攻克技术、方法、伦理挑战，它将为人体生物学带来前所未有的见解，实现更精准的干预、加速治疗创新、深化健康与疾病的系统性认知。 资助信息 王奥琪、罗洋洋、范志伟、胡曦、余彦恺受美国国立卫生研究院（NIH R01GM123037、U01AR069395、R01CA241930）、美国国家科学基金会（NSF 2217515、2326879）资助；刘佳佳、文建国、赵卫玲、索菲亚·李、周小波受美国国立卫生研究院（R01LM014156、R01CA241930、R01GM153822）、德克萨斯州癌症预防与研究所（CPRIT RP250043）、美国国家科学基金会（NSF 2217515、2326879）、卡尔·瓦蒂安教授职位基金资助。 图表注译 图1 用于人体系统生物学分析与治疗见解生成的全身AI智能体框架示意图 A. 核心循环：输入多组学/多模态数据→全身AI智能体（监督层）感知预处理→生成跨尺度假设→任务分解至基础智能体→层级专用分析→监督层整合输出系统级结果；B. 患者交互：生理数据、电子病历等多元临床输入进入工作流；C. 大语言模型驱动推理：贯穿数据感知、假设生成、任务分解，依托文献与知识库；D. TP53突变肿瘤案例：全身AI智能体感知数据→拆解任务→基础智能体执行突变检测、蛋白预测→指导药物设计，实现动态人体生物学建模与精准医学。 图2 多模态、多组学生物医学数据类型概览 复杂生物数据涵盖基因组、表观组、转录组、蛋白质组、影像等，以数值、文本、图像等形式存储。 图3 多尺度生物发现的全身与基础AI智能体分层推理框架 A. 全身AI智能体完整科研推理环路：数据感知→假设生成→任务分解→数据分析→多智能体协调→统一结论输出；B. 基础智能体：接收数据→单一生物层级内假设生成、任务分解、工具分析→输出分层结果；C. 大语言模型工具链支撑全推理流程：TxAgent、AI Scientist、PharmAgents等支撑数据感知到系统生物学结果生成。 图4 分子AI智能体预定义可拆解生物任务 展示分子AI智能体感知的数据类型、生物假设应用功能领域、任务详细分解与执行。 图5 线粒体AI智能体预定义可拆解生物任务 展示线粒体AI智能体感知的数据类型、生物假设应用功能领域、任务详细分解与执行。 图6 细胞AI智能体预定义可拆解生物任务 展示细胞AI智能体感知的数据类型、生物假设应用功能领域、任务详细分解与执行。 图7 组织AI智能体预定义可拆解生物任务 展示组织AI智能体感知的数据类型、生物假设应用功能领域、任务详细分解与执行。 图8 器官AI智能体预定义可拆解生物任务 展示器官AI智能体感知的数据类型、生物假设应用功能领域、任务详细分解与执行。 图9 器官系统AI智能体预定义可拆解生物任务 展示器官系统AI智能体感知的数据类型、生物假设应用功能领域、任务详细分解与执行。 图10 全身系统AI智能体预定义可拆解生物任务 展示全身系统AI智能体感知的数据类型、生物假设应用功能领域、任务详细分解与执行。 图11 转移AI智能体：基于全身AI智能体系统的三阶段转移评分框架 A. 转移级联三阶段：原发肿瘤侵袭→血管播散→远端定植；B. 器官特异性定植机制：肺（NETs/CXCL12）、肝（星状细胞抑制NK）、脑（星形胶质细胞外泌体下调PTEN）；C. 三阶段定量评分：起始、播散、定植，捕捉核心生物学挑战；D. 分子至系统多尺度多模态特征整合，全面评估转移潜能。 图12 生物层级、药物研发工作流、药物AI智能体架构整合 A. 生物层级全谱融入药物研发；B. 药物研发经典 pipeline，类器官为临床前核心工具；C. 药物研发全周期核心任务与功能；D. 全身AI智能体各基础智能体对药物研发任务的支撑，药物AI智能体整合全层级输出，实现系统级预测、优化、反馈。 表1 生物医学研究中多AI智能体系统对比 多智能体系统 OriGene Robin Biomni MAC-doctor PharmaSwarm AI Co-Scientist 全身AI智能体 通用目标 25个子领域自进化推理，发现新型治疗靶点 多智能体实验室模拟，自动化闭环发现 代码原生推理的生物医学智能体 患者特异性数据的AI辅助诊断 整合组学、文献、市场数据，药物研发 从问题到结果的多智能体工作流 分子至生理层级推理，解决系统性生物问题 组成组件 协调器、规划器、推理器、批判器、报告智能体 Crow、Falcon、Finch智能体 检索器、推理器、CodeAct智能体 监督智能体、医生智能体 Terrain2Drug、Paper2Drug、Market2Drug智能体 生成、反思、排序、进化、元评审智能体 基础智能体+全身AI智能体 输入感知 协调器解析用户查询 用户提供疾病，触发智能体工作 检索器获取多源数据 监督器解析问题，分配至医生智能体 检测疾病/靶点，触发领域智能体 生成器解析目标，调用工具 全身AI智能体感知输入，构建多尺度问题 假设生成 协调器分解任务，推理器提出靶点 Crow挖掘文献生成候选物 检索器收集数据集 监督器生成假设 领域智能体从组学/文献/市场生成靶点 生成器基于证据提出假设 全身AI智能体生成融合分子-系统机制的跨尺度假设 任务分解 协调器分配子任务 Falcon规划工作流，分配智能体 推理器嵌入规划 监督器分配任务 系统排序智能体 监督器协调生成、评估、反思 全身AI智能体将系统性问题分解至基础智能体 数据分析 规划器选择工具，处理数据 Finch合成因果链 推理器通过150+工具处理数据 医生智能体分析影像、检验、病史 领域智能体执行富集、文献、市场分析 Gemini 2.0+生成器分析数据 基础智能体处理领域专用多模态数据 推理逻辑 推理器整合多模态输出 Finch输出优化推理 推理器评估机制 医生智能体整合分析 跨智能体评分排序 反思器评估优化 基础智能体迭代交换跨层级输出，直至机制收敛 结果解读 批判器+报告器验证格式化 整合发现，排序假设 CodeAct转换结果为工作流 监督器生成最终报告 评分排序输出 排序+进化器排序多样化 全身AI智能体整合多尺度输出，生成统一系统解释 输出结果 报告器生成最终报告 设计、排序药物、可视化结果 CodeAct输出动作 监督器汇总结果 排序报告 元评审+证据生成 全身机制图谱、模拟、排序治疗策略 数据/工具访问 500+生物医学数据库、通路工具 大语言模型+PaperQA2+本地文件访问文献 150+专用工具、105+软件包、59+生物医学数据库 医生+监督器访问嵌入式医学知识库 GET模块访问组学、文献、药物数据库、知识图谱 在线文献数据库、科研网页、本地文档 多尺度生物医学数据、计算工具 生物案例 乳腺癌：类器官验证新型靶点 干性黄斑变性：自动化发现抗FGF2候选药 结直肠癌：自动化单细胞免疫分析 脓毒症：早期休克检测，定制抗生素 胰腺癌：糖酵解抑制剂临床前验证 神经退行性疾病：迭代tau通路建模 系统性疾病建模（肺癌转移）、全身药物研发 补充数据 补充表1 多组学与多模态数据-生物层级映射表覆盖7大生物层级的多组学/多模态数据标准化方法、数据类型、通用存储格式、预处理工具、数据共享库映射表。 参考文献 [1] L. V. Schaffer, T. Ideker. 生物系统多尺度结构映射. 细胞系统, 2021.[2] H. Kitano. 系统生物学简述. 科学, 2002.[3] A. Dasgupta, R. K. De. 人工智能在系统生物学中的应用. 统计手册, 2023....（后续参考文献按原文完整保留，略）[133] A. Bess等. 人工智能用于新发传染病新型抗菌药物发现. 药物发现今日, 2022. 论文《A Multi-Layered Framework for Modeling Human Biology: From Basic AI Agents to a Full-Body AI Agent》相关资源 一、核心补充数据资源 基于论文原文还原《补充表 1：多组学 & 多模态数据 — 生物层级映射表》核心内容该表是 Full-Body AI-Agent 框架的基础，将7 大生物层级与对应多组学 / 多模态数据、格式、预处理、数据仓库一一对应，核心如下： 生物层级 组学 / 模态类型 典型数据类型 通用存储格式 标准预处理方法 对应数据共享资源  分子 基因组、蛋白质组、表观组 DNA/RNA 序列、蛋白结构、突变位点 FASTA、PDB、H5AD FastQC 质控、序列比对 GenBank、PDB、Bioteque 细胞器 线粒体组、亚细胞蛋白组 线粒体 DNA、细胞器成像 显微图像格式、VCF 图像分割、变异注释 MitoMap、DeepMito 配套库 细胞 单细胞多组学、空间转录组 scRNA-seq、scATAC-seq、细胞分型 H5AD、loom Seurat 聚类、批次校正 CellMarker、PanglaoDB、BioLLM 组织 空间组学、病理图像 组织切片、空间表达谱 DICOM、TIFF 病理图像分割、空间定位 SpaCCC、QuST-LLM 配套库 器官 医学影像、器官生理 MRI/CT、器官功能指标 DICOM、NIfTI nnU-Net 分割、影像配准 公共影像库、器官芯片数据 器官系统 多器官生理、临床组学 心电、血压、系统代谢 FHIR、JSON 生理信号降噪、标准化 MIMIC、eICU、HiRID 全身系统 临床病历、暴露组 EMR、用药史、人群数据 HL7 FHIR、XML 术语标准化（ICD-10/SNOMED） 临床数据仓库、Bioteque 内容：覆盖 7 大生物层级的多组学 / 多模态数据标准化方法、数据类型、通用存储格式、预处理工具、数据仓库映射表。 二、生物医学数据仓库（Data Commons）资源 1.通用生物数据仓库 ￮Bioteque：https://bioteque.irbbarcelona.org/（45 万 + 生物医学实体、3000 万 + 关系标准化嵌入） ￮GenBank：https://www.ncbi.nlm.nih.gov/genbank/（核酸序列标准数据库） ￮PDB（Protein Data Bank）：https://www.rcsb.org/（蛋白质结构数据库） 2.临床数据资源 ￮MIMIC：https://mimic.mit.edu/（重症监护临床数据库） ￮eICU Collaborative Research Database：https://eicu-crd.mit.edu/（危重症临床数据） ￮HiRID：https://hirid.intensivecare.org.au/（临床队列数据库） 3.细胞 / 空间组学数据资源 ￮CellMarker：http://bio-bigdata.hrbmu.edu.cn/CellMarker/（细胞标志物数据库） ￮PanglaoDB：https://panglaodb.se/（单细胞测序数据库） 三、AI 模型与工具链资源 1.大语言模型（LLMs） ￮Evo/Evo2：https://github.com/evo-labs/evo（基因组语言模型） ￮BioLLM：https://github.com/biollm/biollm（单细胞基础模型整合框架） ￮scGPT：https://github.com/microsoft/scGPT（单细胞多组学基础模型） ￮BioBERT：https://github.com/dmis-lab/biobert（生物医学文本挖掘模型） 2.AI Agent 工具 ￮SpatialAgent：https://github.com/ SpatialAI-Lab/SpatialAgent（空间生物自主 AI 智能体） ￮TxAgent/Tx-LLM/TxGemma：https://github.com/TxAgent/TxAgent（治疗推理 AI 智能体） ￮Coscientist：https://github.com/coscientist-dev/coscientist（自主化学 / 生物实验 AI） ￮Fleming：https://github.com/FlemingAI/Fleming（抗生素发现 AI 智能体） 3.生物信息学分析工具 ￮FastQC：https://www.bioinformatics.babraham.ac.uk/projects/fastqc/（测序数据质控） ￮Seurat：https://satijalab.org/seurat/（单细胞聚类分析） ￮Monocle：https://cole-trapnell-lab.github.io/monocle3/（单细胞轨迹分析） ￮nnU-Net：https://github.com/MIC-DKFZ/nnunet（医学图像分割） 四、研究机构与团队资源 1.中方机构四川大学华西医院华西生物医学大数据中心：https://www.wchscu.cn/ 2.美方机构德克萨斯大学休斯顿健康科学中心 McWilliams 生物医学信息学院计算系统医学中心：https://sbmi.uth.edu/ 3.通讯作者Xiaobo Zhou：https://sbmi.uth.edu/faculty/xiaobo-zhou.htm（论文通讯作者，研究主页） 五、对比系统开源资源 论文中对比的多智能体系统开源 / 官方链接： 1.OriGene：https://github.com/OriGene-AI/OriGene 2.Robin：https://github.com/Robin-AI-System/Robin 3.Biomni：https://github.com/Biomni-AI/Biomni 4.MAC-doctor：https://github.com/MAC-doctor/MAC-doctor 5.PharmaSwarm：https://github.com/PharmaSwarm/PharmaSwarm 6.AI Co-Scientist：https://github.com/AI-Co-Scientist/AI-Co-Scientist 生物智能：在生物先进产业场景中构建“状态感知-实时认知-自主决策-精准执行-学习提升”的生物科学智能（Biology_and_AI）；实现生物产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。 生物产业+物理AI=生物智能 产业智能官：Science_and_AI 加入知识星球“生物智能研究院”：生物产业OT技术（自动化+机器人+工艺+精益）和新一代IT技术（云计算+物联网+区块链+大数据+人工智能）深度融合，在场景中构建“状态感知-实时认知-自主决策-精准执行-学习提升”的生物科学智能；实现生物产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。 生物科学智能作为第四次工业革命的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎；重构设计、生产、供应链和服务等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态和新模式；引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。 生物产业智能化技术分支用来的今天，从业者必须了解如何将生物科学智能全面渗入整个公司、产品、业务等商业场景中，利用生物科学智能形成数字化、网络化和智能化力量，实现行业的重新布局、企业的重新构建和焕然新生。 版权声明：产业智能官（ID：Science_and_AI）发表的文章，除非确实无法确认，我们都会注明作者和来源，涉权请联系协商解决，联系、投稿邮箱：wolongzy@qq.com

卵巢衰老并不只是生育能力随年龄下降的自然结果，它本质上是一个牵涉 卵泡储备耗竭、内分泌稳态失衡、慢性低度炎症持续存在以及氧化应激累积放大的系统过程。在正常情况下， 下丘脑-垂体-卵巢轴（HPO） 通过促性腺激素释放激素、卵泡刺激素和黄体生成素的脉冲式调控，维系卵泡发育、排卵与类固醇激素合成；而进入衰老阶段后，原始卵泡数量与质量同步下降，活性氧（ROS） 所致的线粒体损伤、颗粒细胞功能衰退、基质纤维化和微血管退变逐步叠加，最终使卵巢从一个可塑性很强的生殖器官转变为对损伤高度敏感的老化组织。也正因此，卵巢衰老既是女性生殖寿命缩短的核心环节，也是当下不孕负担持续上升的重要生物学基础。 真正棘手的问题在于，现有关于卵巢衰老的解释往往分散在代谢异常、炎症反应、氧化损伤和激素紊乱等不同维度之中，缺少一个能够把这些变化整合起来的关键分子节点。 近期，四川省妇幼在 Experimental & Molecular Medicine，发表文章《Deconstructing the RAGE signaling maze: the molecular key to opening a new dimension of ovarian anti-aging》。围绕 RAGE 在卵巢衰老中的分子网络 展开系统整合，依次梳理其在卵巢生理调控、病理疾病谱以及靶向治疗中的作用证据。最核心的结论是，RAGE 的异常激活会通过 MAPK-ERK、PI3K-AKT-mTOR 和 NF-κB 等通路，联动破坏卵泡发生、颗粒细胞稳态、类固醇生成与卵巢基质微环境，进而推动早发性卵巢功能衰竭、PCOS 和卵巢癌等病理状态的发展。 同时，Azeliragon、FPS-ZM1、可溶性 RAGE、拮抗肽、适配体和天然活性成分 等干预手段已经显示出一定前临床潜力，但在组织特异性、药代动力学、安全性评估和生物标志物分层方面仍存在明显转化门槛。下丘脑-垂体-卵巢轴示意图。脉冲式 促性腺激素释放激素 调控垂体释放 卵泡刺激素 和 黄体生成素，后者与卵巢受体结合后触发卵泡发生和类固醇生成；性激素对 GnRH 和促性腺激素形成反馈，雌激素在周期中期短暂增强 GnRH，而抑制素选择性降低 FSH，以维持激素周期同步。 研究首先从卵巢衰老的生理起点展开，把下丘脑-垂体-卵巢轴作为理解后续全部病理变化的基础框架。生殖激素的脉冲式释放、卵泡刺激素和黄体生成素对卵巢受体的依次激活，以及雌激素、孕激素和抑制素构成的反馈回路，共同维持卵泡发生、排卵与类固醇生成。正是在这一稳定轴线逐步失衡的背景下，卵泡储备下降、激素节律紊乱和生育力减退才具备了被进一步拆解的分子前提。RAGE 与 sRAGE 的结构示意图。RAGE 由负责配体结合的 N 端 V 结构域、两个 C 结构域、跨膜螺旋和胞内信号尾部组成；蛋白酶切割后形成 sRAGE，保留 V-C1-C2 结构域，但失去膜结合和胞内部分。 在建立整体生殖调控背景后，研究进一步把焦点收束到 晚期糖基化终末产物受体，即 RAGE 的分子本体上。综述强调，RAGE 不仅是一个可识别多种损伤相关配体的跨膜受体，还存在可溶性亚型参与信号缓冲。这样的结构差异决定了它既能把 AGE、HMGB1 和 S100 家族等刺激转化为炎症和氧化应激，也可能通过 sRAGE 的诱饵效应削弱病理信号，因此成为后续解释卵巢衰老的重要分子支点。衰老卵巢中 RAGE 表达上调的多重影响示意图。高水平 RAGE 可损害纺锤体组装并造成减数第一次中期阻滞，促使颗粒细胞经 caspase 通路发生凋亡并释放促炎因子，同时通过降低关键酶活性扰乱类固醇激素合成，并经 TGF-β 介导胶原沉积引发纤维化。 在明确受体结构和配体识别特征后，研究开始把 RAGE 上调与卵巢衰老的核心表型直接对应起来。随着 RAGE 异常升高，损伤不再局限于单一细胞，而是同步波及卵母细胞减数分裂、颗粒细胞生存状态、性激素合成以及基质重塑。也就是说，卵巢衰老并非几个独立异常的简单相加，而是在高 RAGE 状态下，由细胞周期紊乱、炎症放大和纤维化推进共同构成的一条连续病理链。RAGE 影响卵巢功能机制示意图。卵巢内 RAGE 与配体结合后，可通过多条信号通路破坏卵母细胞发育、颗粒细胞功能和性激素合成。 顺着这一总貌，研究进一步把配体结合后的下游信号网络逐层铺开，说明 RAGE 如何把代谢异常真正转译为卵巢功能损伤。AGE 与 RAGE 结合后，可通过 PI3K-AKT-mTOR、MAPK-ERK、NF-κB 等通路同时干扰卵母细胞发育、颗粒细胞稳态和激素生成，还会推动基质纤维化与微环境恶化。这样一来，卵巢衰老被清晰地重构为一个从受体激活出发、经多通路放大、最终落到器官功能衰退的整合性机制网络。RAGE 抑制剂分类图。RAGE 抑制剂主要包括小分子抑制剂、单克隆抗体、拮抗肽、适配体、天然产物，以及已在其他疾病中建立临床应用基础的再定位药物。 当前述病理链条被理清之后，研究顺势转入干预层面，提出 RAGE 不只是机制节点，也可能是治疗入口。围绕这一判断，全文把现有抑制策略分为小分子抑制剂、单克隆抗体、拮抗肽、适配体、天然产物和已用于其他疾病的再利用药物。这样的分类并非简单罗列药物类型，而是在提示 RAGE 干预已从概念验证走向平台化布局，后续所有候选方案都围绕如何阻断 AGE-RAGE 轴及其放大网络展开。Azeliragon 的结构与作用机制。a 为 Azeliragon 的化学结构；b 为 RAGE 阳性巨噬细胞与 T 细胞串扰驱动 NASH 炎症；c 为 Azeliragon 与 AKT 抑制剂在胰腺癌中的协同作用；d 为 Azeliragon 可能通过阻断 S100A11-RAGE 介导的 MDSC 招募来增强结肠腺瘤中的免疫治疗。 以此为基础，研究首先选取 Azeliragon 作为代表性小分子进行展开，强调其价值不只在于能够阻断 RAGE 相关炎症，还在于展示了 RAGE 靶向治疗的跨疾病可迁移性。该药最初用于 阿尔茨海默病 相关研究，但证据已延伸到 炎症、肿瘤和免疫微环境调节。更关键的是，Azeliragon 还能与 AKT 抑制和免疫治疗协同，说明 RAGE 阻断并非孤立策略，而可能作为联合治疗中的网络校正节点。FPS-ZM1 的结构与作用机制。a 为新型高亲和力 Aβ-RAGE 阻断剂的结构；b 为 RAGE 信号在 三阴性乳腺癌 中驱动肿瘤转移的主要通路示意；c 为 FPS-ZM1 在耳蜗毛细胞中可能发挥保护作用的机制示意图。 与 Azeliragon 并行，研究又以 FPS-ZM1 展示另一条更偏工具型和高选择性的抑制路线。FPS-ZM1 具有较高亲和力和血脑屏障通透性，能够阻断多类配体与 RAGE 结合，并在肿瘤转移、神经炎症、骨生成障碍和顺铂耳毒性等场景中表现出抗炎、抗氧化和抗纤维化效应。研究借此进一步指出，RAGE 抑制的价值不在单一疾病，而在于它可同时压低多个共同的致病放大环。已报道的抗 阿尔茨海默病 小分子 RAGE 抑制剂。多种小分子抑制剂，包括 22n、59、40、48、12o 和 Matrine，被认为是有前景的抗 阿尔茨海默病 候选药物。 在两种代表性抑制剂之外，研究继续把视野扩展到一系列仍处于优化中的小分子候选物，显示这一领域已经进入结构活性关系驱动的药物化学阶段。22n、59、40、48、12o 和 Matrine 等化合物围绕 Aβ-RAGE 结合界面持续改造，在降低可溶性 Aβ 水平、减轻细胞毒性和改善脑内病理指标方面不断提高表现。由此可见，RAGE 小分子开发的重点已经从证明可行，逐渐转向提高选择性、安全性和可成药性。RAGE 抗体与拮抗肽。a 为抗 RAGE 嵌合抗体抑制肝星状细胞活化的示意图，A5 可阻断配体与 RAGE 结合并抑制下游 NF-κB 通路；b 为 RP7 的拟议机制，RP7 抑制 ERK1/2 磷酸化、减弱 NF-κB 信号，从而通过 caspase 激活促进 三阴性乳腺癌 细胞凋亡，并通过阻断 HMGB1 / EMT 通路抑制转移；c 为 RAGE344-355 对 PCOS 小鼠卵母细胞功能影响的示意图，补充该肽可诱导 eEF1a1 对抗 ROS 介导的减数分裂缺陷和氧化应激。 再往后，研究把干预重心从小分子推进到生物制剂和肽类工具，显示 RAGE 靶向并不局限于传统药物模式。抗体部分证明阻断配体结合可以抑制下游 NF-κB 信号并减轻纤维化，而拮抗肽 RP7 则在肿瘤模型中同时压制转移和促进凋亡。更有意义的是，源自 RAGE 的内源性肽段 RAGE344-355 以及 sRAGE 已经开始与卵巢局部保护联系起来，使卵巢场景下的精准干预更具针对性。RAGE 抑制剂。a 为 1 号 RAGE 适配体克隆的预测二级结构；b 为 醛固酮-盐皮质激素受体 系统与 AGE-RAGE 轴介导高血压性肾病足细胞损伤的假说通路；c 为 Acacetin 的化学结构；d 为 Naringin 降低 2 型糖尿病 诱导的肝脏炎症、氧化应激和凋亡；e 为 Geniposide 通过直接阻断 AGE-RAGE 信号转导有效减轻 AGE 诱导的 RAGE 激活与炎症反应；f 为 阿司匹林 诱导 rhAPE1 / Ref-1 乙酰化、上调 RAGE 表达，并通过 APE1 / Ref-1-RAGE 相互作用触发凋亡。 最后，研究把适配体、天然活性成分、常用药物再利用和联合治疗收束到同一张总结性图景中，说明未来 RAGE 干预更可能走向多功能组合，而不是依赖单一药物。AptRAGE 展现了诊疗一体化潜力，Acacetin、Naringin、Geniposide、二甲双胍和辅酶 Q10 等则从不同侧面削弱 AGE-RAGE 轴。研究据此提出，后续重点将是多靶点联用、递送优化和分层治疗，这也是 RAGE 从机制靶点走向可用策略的关键一步。总结  RAGE 不是卵巢衰老链条中的附属变量，而是把代谢紊乱、氧化损伤、慢性炎症、细胞命运改变和组织重塑整合起来的关键分子轴心。从卵母细胞减数分裂失衡、颗粒细胞自噬与凋亡失调，到激素合成受抑、基质纤维化加重，再到 POF、PCOS 和卵巢癌 的连续病理谱，RAGE 信号几乎贯穿了卵巢功能衰退的所有关键层级。也正因如此，围绕 RAGE 的干预价值并不局限于延缓卵巢衰老本身，更可能为生殖内分泌、妇科肿瘤与衰老医学之间建立一个真正可转化的交叉靶点。 目前最需要推进的，已经不再是证明 RAGE 是否重要，而是如何以更高精度、更强组织特异性和更可靠的动态监测手段，把这一分子网络真正转化为临床上可用的卵巢保护策略。 参考文献 Bai, X., Zhang, G., Xiao, X. et al. Deconstructing the RAGE signaling maze: the molecular key to opening a new dimension of ovarian anti-aging. Exp Mol Med (2026). 声明：本文仅用于分享，仅供参考，如有侵权或错误，请联系删除改正~~~ 往期热文： Nature Cell Biology | 金凤实验室王斌教授团队，首次揭示炎症因子劫持氨基酸感知信号，重塑肿瘤营养竞争并驱动免疫治疗耐药 复旦大学叶定伟教授团队，随机双盲 III 期研究，首次证实 deutenzalutamide 显著延长 mCRPC 的 rPFS Nature Cancer | 复旦大学迟喻丹团队，多组学与空间代谢成像首次揭示，肿瘤细胞外囊泡递送5-HIAA远程重塑脉络丛血管，打开软脑膜转移入口 Nature Communications | 山东大学徐芳团队，发现ZmER1可在不降株高前提下减小叶夹角并提升 Nature Plants | 中国农业大学吴健团队，揭示伤口经 JA-GhZAT11 激活糖运输与细胞分裂促芽生长 Science Advances | 温医大苏建忠团队，基于深度学习表型的 GWAS 锁定 ARHGAP18 等关键通路 Cellular & Molecular Immunology|华中科技大学刘超红团队，发现MDA5把B细胞功能四件套一次性打通 南开大学叶丽虹团队,通过72例 HCC组织揭示 LAMTOR5–p62 轴抑制自噬通量