使用大语言模型驱动的智能系统自动发现生物系统的常微分方程

MEDA是一个结合大语言模型与符号回归的智能体框架，专为生物系统自动发现常微分方程模型而设计。它通过检索背景知识、定义变量、生成机制约束、提出候选ODE并拟合评估，在标准检索、外推和开放发现任务中恢复了正确状态变量，产生生物学合理的模型。消融实验表明知识引导和机制约束是关键组件。

此前方程发现方法多聚焦于狭窄基准或端到端自动化，对生物系统探索不足。MEDA专门针对生物动力学系统，展示了知识引导与符号回归的结合如何有效恢复机理模型，为生物建模提供新范式。

MEDA利用大语言模型的语义理解与推理能力检索背景知识、定义变量并生成机制约束，再通过符号回归搜索候选ODE结构，最后拟合评估。这种流水线将领域知识显式编码，约束搜索空间，提高模型可解释性与生物学合理性。

对生物系统建模产品而言，MEDA可大幅减少人工推导模型的时间，加速从实验数据到机理模型的迭代。这一能力有望改变生物模拟、系统生物学和药物研发中的模型构建流程，降低对专家经验的依赖。

• 将MEDA集成到生物实验数据分析平台，提供自动ODE发现功能，用户输入时间序列数据即可获得候选模型。
• 开发交互式界面，允许生物学家通过自然语言描述系统变量与约束，生成可追溯的ODE模型。
• 结合实验室自动化系统，实现实时数据采集与模型更新，支持闭环实验设计。
• 作为教学工具，帮助学生直观理解生物系统建模中方程推导与假设检验的过程。

• MEDA在更复杂的生物系统（如多细胞互作或空间异质系统）上的表现尚未验证。
• 未提及与现有建模方法（如基于物理信息的神经网络）的量化对比。
• 计算资源需求（LLM推理与符号回归搜索）是否适合大规模或实时应用。
• 模型的可解释性是否足以让非技术生物学家信任并用于发表。