纳米医学中证据支撑的前沿映射与智能体式假设生成

纳米医学研究横跨递送化学、免疫学、成像、生物材料以及疾病特异的转化科学，但其概念设计空间仍碎片化地分布在庞大且异构的文献之中。迄今为止，人工智能在纳米医学中的工作主要集中于性质预测和配方优化，对研究方向选择层面的证据支撑式发现支持关注甚少。我们提出pArticleMap，一个文献映射与研究假设生成系统，它结合了论文嵌入、相似图分析、稀疏前沿提取、结构化证据包检索，以及用于有据构思的经审计大语言模型（LLM）工作流。pArticleMap并不预测未来的概念共现，而是瞄准低密度的论文级桥接区域与簇间界面，然后在智能体式设置中用大语言模型生成基于引用的假设并打分。我们通过回溯实现基准（在历史截止点之后生成后续文献）与盲评人类读者评估层，跨线索条件化纳米医学任务对系统进行评估。在4个选定的回溯任务包中，pArticleMap按基准协议生成了想法并选出任务保留假设（胜出想法）。在任务级保留假设上，汇总的黄金回收率为10.8%，recall@10为15.9%，未来邻域率为61.0%，表明即使没有实现精确的论文级回收，系统也常常能够抵达正确的前瞻性邻域（论文想法）。人与智能体的一致性总体适中，表明内部打分可作为辅助信号，但无法取代专家判断。这些结果将pArticleMap定位为纳米医学领域一个保守的、以证据为根基的研究助手。