BioDyad：把生物医学发现和程序搜索纳入双层规划

Agentic生物医学机器学习借助生物医学证据获取与可执行程序搜索的互补进展。现有系统连接了其中部分能力，但在整个程序搜索过程中协调两者仍然困难：新证据应指导候选构建，执行结果应反馈后续发现和复用，验证需求也必须适应搜索预算。我们提出BioDyad，通过蒙特卡洛图搜索中的两个层次耦合生物医学发现与ML工程。科学层次结合既有生物医学指导和迭代发现，再将生物医学计划与执行结果关联并存入记忆，供不同候选复用。工程层次使候选程序依次经历烟雾执行、训练与验证评估，再进入全数据重训。我们在76任务的BioXArena基准上，以每任务两小时预算和三个匹配LLM后端评估BioDyad。在每个后端下，相对于另外三种Agent方法和单次生成基线，它获得最高的惩罚后全任务得分与任务成功率。这些结果支持协调生物医学发现与ML工程，在异质生物医学任务中把外部知识整合进可执行程序。