
转载请联系本公众号获得授权,并标明来源
中国科学技术大学苏州高研院团队推出 BioMARS 2.0,将多智能体的知识整合、实验规划与反馈决策连接到真实生物实验。在研究人员监督下,利用文献证据与实验结果支持科研决策。
从文献到实验,研究者需要理解分散的证据、组织操作方案,并依据结果决定下一步:培养效果不理想,应该调整哪些条件?面对生物学问题,哪些干预假设值得验证?让AI参与这些判断,是生物实验智能化的重要方向。
中国科学技术大学苏州高研院团队推出 BioMARS 2.0,在第一版基础上,将多智能体的知识整合、实验规划与反馈决策连接到真实生物实验。系统围绕方案制定、培养条件调整和干预候选选择三个层次,在研究人员监督下,利用文献证据与实验结果支持科研决策。

图1:BioMARS 2.0 的多层次实验决策与机器人平台
智能在哪?从文献理解到实验规划!
实验细节常散落在论文的材料、配方和操作说明中。BioMARS 2.0 结合任务要求整合文献证据,规划步骤顺序与时间关系,再检查内容一致性,形成可追溯的实验方案。例如,在小鼠视网膜分化任务中,系统保留了分阶段供氧、特定时间点换液等关键安排。
在 47 项任务、4 种模型后端、共 376 份方案的评估中,经专家复核的平均方案质量评分,相对 FlashRAG 提升 14.5%–20.9%,优势主要体现在内容准确性和操作细节。
面对“隔日换液”等简短指令,系统能结合上下文展开所需操作,保持样本与容器关系一致;对未明确的信息保留待确认项,生成方案经人工审核后用于实验。

图2:知识驱动的方案生成与操作规划(节选原文 Fig. 2b–d)
如何调整?让实验结果参与下一轮决策!
BioMARS 2.0 将多智能体系统与贝叶斯优化思路结合,构建 MASBO。系统利用文献知识与已测实验结果提出候选条件,再通过预测与排序选择下一轮方案,联合调整培养添加物、初始细胞数及重悬操作等 6 个因素。每轮测试 10 组条件,图像表型评分随后返回系统,指导后续选择。
三轮实验中,按论文规定的培养板一致性规则汇总,平均表型评分从 0.435 升至 0.752,再达到 0.923;第三轮 10 组条件中有 8 组不低于 0.9。在此次实验的第二、三轮,MASBO 平均评分均高于传统贝叶斯优化对照。
该评分反映与成功参考样本的形态相似性,并不等同于培养成功率。通过知识引导—实验检验—反馈决策,系统能够依据已观察到的结果调整后续培养条件。

图3:表型反馈指导的培养条件选择(箱线图标注为中位数,正文为平均值)
如何探索?提出有证据支持的干预假设!
针对 NMDA 诱导的视网膜类器官损伤,BioMARS 2.0 从知识图谱和预测关联中寻找线索,通过文献检索、质疑与修订,构建“药物—靶点—机制—表型”证据链。系统保留支持与矛盾证据,形成可检验的干预假设,将 6 种候选推进至研究人员开展的湿实验测试。
初筛后,盐酸美金刚、硫酸胍丁胺和苯妥英进一步进入重复实验,每种共开展 3 次独立实验。它们在部分浓度下呈现高于 NMDA 对照的面积归一化 ATP 信号,为进一步研究潜在保护作用提供了初步依据;具体保护效果及作用机制仍需验证。

图4:药物候选筛选与实验验证
(节选原文 Fig. 4a、e;每图展示一次实验,均值±标准差,P 值未校正)
迈向知识与反馈共同驱动的智能生物研究
BioMARS 2.0 在三项独立研究中,展示了 AI 整合证据、规划方案、调整条件和提出候选假设的能力。机器人平台将决策连接到实验过程,培养任务的真实反馈进一步支持后续选择。这为人机协作开展生物学研究、拓展更多研究场景提供了路径。
论文题目:
BioMARS 2.0: a robotic biologist for formulating and adapting biological experiments
文章链接:
https://arxiv.org/abs/2611.12139
项目网站:
https://biomarslab.com/
合作联系:
孙明斋mingzhai@ustc.edu.cn ;
邱奕博alexandreqiu@mail.ustc.edu.cn







