通过多尺度人工智能群自主机械发现结直肠癌漏洞

自动化科学发现的加速从根本上受到 大语言模型 (LLM) 的语义推理与哺乳动物生物学的确定性物理学之间的认知差距的瓶颈。虽然最近的多智能体框架已经实现了自主假设生成和体外实验分析，但它们缺乏多尺度临床转化所需的数学基础、因果约束。此外，虽然算法临床数字孪生成功地预测了生物状态，但它们依赖于黑盒潜在空间，牺牲了机械可解释性来提高预测准确性。在这里，我们介绍多尺度自主发现引擎（Octopus），这是一种神经符号架构，它将零泄漏、本地 LLM 群与严格的算法物理引擎结合在一起。该系统并没有停留在孤立的细胞检测上，而是针对体外 CRISPR 依赖性数据 (CCLE) 自动生成治疗假设，使用机械可解释性（XGBoost SHAP 向量）追踪动态因果级联，并正交翻译计算机中出现的漏洞，以预测体内哺乳动物肿瘤轨迹 (PDX) 和人类总体生存 (Marisa)。在完全无人监督的结直肠癌转录组扫描中，该管道自动识别出胰岛素样生长因子 2 (IGF2) 作为 5-氟尿嘧啶耐药性的严格有限脆弱性。经过严格的 Benjamini-Hochberg 错误发现率校正（q=0.0292，Log-Rank p=0.0007）后，该发现保持了显着性，并成功预测了独立小鼠队列中显着的体内肿瘤体积缩小（Mann-Whitney p=0.0373）。通过弥合多智能体推理和数学限制的临床生存之间的鸿沟，该框架为自动化、端到端生物医学发现建立了可验证的、零泄漏范例。