广泛的生物医学知识能否被情境化为扎根场景的命题？

生物医学发现常常需要将广泛的生物医学知识与具体的实验或临床数据联系起来。背景知识提示相关机制，但通常过于宽泛而无法直接映射到数据集变量；而数据驱动的模式可能是数据集特定的，且难以从机制上解释。我们将这一缺失环节研究为知识情境化（knowledge contextualization）：把广泛的生物医学知识转化为有证据支持、扎根场景的命题，供领域专家检查、复现与验证。我们提出SCENE，一个双层多智能体框架，将知识情境化视为迭代搜索。上层将宽泛知识转化为搜索方向，并将其锚定到数据集模式（schema）上。下层通过多目标优化执行这些方向，识别出在证据强度与数据支持之间取得平衡的具体命题。两层之间的反馈逐步改进搜索。我们在两种设定下评估SCENE：在临床试验场景中发现具有异质性治疗获益的患者亚组，以及在LINCS L1000研究中识别特定情境下的生物学响应。在临床试验中，SCENE发现了具体且证据充分的亚组，并优于现有基线。在L1000研究中，SCENE识别出具有强靶点-响应匹配和高阳性率的扰动情境。这些结果表明，SCENE衔接了宽泛知识与场景特定证据，产出可追溯、可检查的假设供后续验证。