人类监督下的智能体式AI：从假设生成到实验辅助的药物重定位
核心概要
该研究开发了RepurAgent——一个由监督智能体与规划智能体协调研究、预测、数据、报告四个子智能体、并采用人在回路设计、情景记忆与检索增强生成的分层多智能体系统，在急性髓系白血病、回顾性COVID-19抗病毒筛选和多种硫酸酯酶缺乏症三个场景中验证其可贯穿药物重定位生命周期，分别获得专家盲评认为比普通LLM基线更具新颖性与机制可信度的候选、在无预设阈值下对化合物排序达到最高0.99的AUC-ROC并标记出人工复核遗漏的混杂因素、以及从5000个化合物中优先选出81个高置信候选并获得领域专家佐证。
深度剖析
提出RepurAgent分层多智能体架构，由监督智能体和规划智能体协调研究、预测、数据、报告四个专门子智能体，采用人在回路设计，并具备情景记忆与检索增强生成，且系统以REMEDi4ALL联盟开发的药物重定位专用数据、工具和标准操作流程为基础。 相对于以往主要聚焦于快速假设生成的计算药物重定位工作，该工作把智能体式AI扩展到候选药物建议、实验设计、检测数据分析与候选迭代优化的更完整流程。 系统架构与基础数据来源在摘要中有明确描述，并已开源部署于公开网址，但本文档仅提供摘要与修订说明，未包含具体实现细节。
在急性髓系白血病场景中，盲法专家评估显示RepurAgent产生的候选比普通LLM基线在新颖性和机制可信度上明显更高。 引入了外部盲法专家评估这一验证方式，而非仅依赖内部指标。 依据为盲法专家评估这一方法学设置，摘要未给出评估人数、评分量表或具体统计量。
在回顾性COVID-19抗病毒筛选场景中，RepurAgent作为自适应实验协作者，在无预设阈值条件下对化合物排序达到最高0.99的AUC-ROC，并标记出人工复核遗漏的混杂因素。 展示了智能体在实验数据分析环节的参与，而不仅是提出假设。 AUC-ROC最高0.99为摘要中给出的量化指标，但属回顾性筛选设定，摘要未说明化合物数量与验证队列。
在多种硫酸酯酶缺乏症场景中，RepurAgent从5000个化合物中优先选出81个高置信候选，并进一步获得领域专家佐证。 把智能体输出与领域专家判断进行对照，覆盖罕见病重定位这一数据相对稀缺的场景。 候选数量与化合物总数在摘要中明确，专家佐证为定性 corroboration，摘要未报告实验验证结果。
启示与展望
该工作面向药物重定位的早期与中期环节，适用于具备相应数据、工具与标准操作流程、并配有领域专家监督的研究环境；作者在修订说明中明确收窄了主张，删除了暗示端到端自主发现或覆盖“整个”重定位流程的表述，并指出其价值在于编排多步骤、多工具的工作流，而非提出全新的筛选模型或算法。
本文档仅包含摘要与修订说明，缺少图表、样本量、对照设置与实验验证细节，因此无法评估各场景中候选的实际生物学有效性；三个场景中哪些终点属于代理指标、其能确立与不能确立什么，作者已声明在正文中明确，但摘要未展开；此外，急性髓系白血病与多种硫酸酯酶缺乏症场景的候选是否经过湿实验验证，以及回顾性COVID-19筛选结果能否在前瞻性实验中复现，仍是需要留意的开放问题。