DeepEvidence: Empowering Biomedical Discovery with Deep Knowledge Graph Research——通过深度知识图谱研究赋能生物医学发现

DeepEvidence 是一个专门针对生物医学知识图谱设计的“深度研究”AI智能体框架，旨在解决生物医学知识分散、异构、难以整合的痛点，通过系统化的知识图谱探索和推理，加速从药物发现到临床应用的完整生物医学研究生命周期。

一、研究背景与问题

核心挑战：

• 生物医学知识图谱（如KEGG、Gene Ontology、OpenTargets、PubMed等）海量且异构，结构各异、持续演化、互操作性差

• 现有通用“深度研究”系统（如OpenAI DeepResearch）主要依赖互联网文本，缺乏对结构化知识图谱的深度利用

• 传统方法整合这些资源需要大量人工，难以规模化

研究问题： 能否设计出能系统化探索异构生物医学知识图谱的AI智能体，以揭示其中微妙的关联，支撑现代生物医学发现？

二、DeepEvidence 系统架构

2.1 核心设计理念

采用协调器-子智能体架构，核心是一个协调器（Orchestrator），动态规划研究策略，委派任务给两个互补的专门子智能体，并通过一个持续更新的证据图谱（Evidence Graph）来结构化记录整个过程。

2.2 两个核心研究智能体

二者通过桥接实体（Bridge Entities）实现跨异构知识图谱的关联。

2.3 技术支撑

• 统一API接口：覆盖17个生物医学知识库（基因、疾病、药物、出版物、临床试验等）

• 执行沙盒：智能体可在其中编写和执行代码，进行程序化数据检索、提取和分析，确保高效和可重复性

• 证据图谱记忆：增量式构建，记录实体、关系和来源，提供透明、可审计的推理轨迹

• 完全可操控：用户可指定领域约束或提供专家先验来引导研究

三、实验评估

3.1 开放基准测试表现

DeepEvidence在四个知名基准上均取得最优成绩，显著优于Biomni、ToolUniverse、GPT-5和Sonnet-4.5等强基线：

关键发现： 基线智能体虽然也能访问大量API，但通常只做浅层探索，且易产生“工具混淆”；DeepEvidence的结构化BFRS-DFRS探索配合证据图谱，实现了更深入、更可靠的推理。

3.2 全生命周期应用——四大阶段

（1）药物发现——靶点识别

任务：为给定疾病识别有前景的治疗/诊断靶点
准确率：DeepEvidence 68% > Biomni 56% > LLM 42% > ToolUniverse 40%
优势：系统化探索精选知识源，跨数据库确认基因身份，增量式构建证据图谱

（2）临床前研究——机制推理

涵盖作用机理解释、信号串扰分析、转录组数据解读、磷酸化蛋白质组学评估等现实场景。
准确率：DeepEvidence 72% > 通用LLM 52% > Biomni/ToolUniverse 44%
优势：更好整合多样实验证据为连贯的生物学机理解释

（3）临床前研究——体内代谢通量响应预测

任务：预测酶抑制后肿瘤队列的代谢通量抑制效果
准确率：DeepEvidence 80% > Biomni 68% > LLM 60% > ToolUniverse 52%
优势：更可靠地将靶酶与通路级依赖对齐，证据基础扎实

（4）临床试验开发

（5）循证医学——证据缺口发现

任务：识别系统综述更新时应纳入的新临床试验
缺口检测率（Top-30）：DeepEvidence 90% > Biomni 50% > ToolUniverse 15% > PubMed-LLM 10%
召回率：DeepEvidence 44.14% > Biomni 30.17% > ToolUniverse 5.06% > LLM 2.67%

工作机制解析：DeepEvidence模拟人类综述者流程——①识别核心疾病实体→②映射相关药物→③广度探索系统综述和RCT→④深度追溯引文网络→⑤构建证据图谱→⑥基于图谱聚类和筛选→⑦输出优先排序的合格试验。其优势在于整合了疾病/药物知识图谱增强文献检索，并通过证据图谱作为研究优先排序的“脚手架”。

四、与既往工作的区别

五、局限性与未来方向

当前局限：

• 知识库覆盖仍不完整，基准任务仅覆盖部分研究场景

• 当前依赖精心整理的知识图谱（KEGG、GO等），对含缺失值或结构不一致的内部图谱适应不足

• BFRS/DFRS两种策略虽优于通用方法，但未必最优，尚未达专家水平

• 目前以文本模态为主

未来展望：

• 赋予智能体构建新工具的能力，适应内部/私有图谱

• 让智能体通过自我学习发现更优的研究策略

• 扩展至多模态数据（影像、结构生物学、蛋白质组学）

• 与人类专家深度协作，成为可验证、可解释的深度研究伙伴

DeepEvidence证明了一个以结构化证据图谱为核心记忆、以广度优先和深度优先为互补探索策略、以统一API和执行沙盒为技术底座的多智能体框架，能够系统性地利用分散在多个异构生物医学知识库中的海量信息，为贯穿药物发现→临床前研究→临床试验→循证医学的完整研究生命周期提供基于证据的、透明可追溯的深度研究能力，是知识图谱驱动生物医学深度研究的重要里程碑。这里是自己的论文阅读记录，感兴趣的话可以参考一下，如果需要阅读原文的话可以看这里，如下所示：

数据集地址在这里，如下所示：

项目地址在这里，如下所示：

摘要

生物医学知识图谱编码了涵盖文献、基因、通路、药物、疾病和临床试验的海量异构信息，但将其集体用于科学发现仍然困难重重。它们结构各异、持续演化且跨资源对齐有限，需要大量人工整合，限制了知识探索的深度和广度。我们推出了 DeepEvidence，一个旨在对各类异构生物医学知识图谱进行“深度研究”的 AI 智能体框架。与主要依赖互联网规模文本的通用深度研究系统不同，DeepEvidence 整合了专门的知识图谱工具和协同探索策略，以系统性地桥接异构资源。其核心是一个协调器（orchestrator），指导两个互补的智能体：广度优先研究（BFRS）智能体，用于广泛的、多图谱实体搜索；以及深度优先研究（DFRS）智能体，用于多跳的、以证据为中心的推理。一个内部构建的、增量式更新的证据图谱，为检索到的实体、关系和支持证据提供了结构化记录。为了大规模运行，DeepEvidence 包含了用于查询多样化生物医学 API 的统一接口，以及一个支持程序化数据检索、提取和分析的执行沙盒。在已建立的深度推理基准测试和生物医学发现生命周期的四个关键阶段：药物发现、临床前实验、临床试验开发和循证医学中，DeepEvidence 在系统性探索和证据综合方面均展现出显著优势。这些结果凸显了知识图谱驱动的深度研究在加速生物医学发现方面的潜力。

引言

知识图谱现已成为当代生物医学发现的基石，支持文献挖掘、化学和药物注释、基因和蛋白质表征、通路分析以及疾病-表型理解等任务。突出的例子包括用于出版物衍生知识的 PubTator [1] 和 PKG [2]，用于通路和功能注释的 KEGG [3] 和 Gene Ontology [4]，用于基因-疾病关联的 OpenTargets [5]，以及用于统一化学和基因注释的 BioThings [6]。这些知识库共同为生物医学实体、关系和注释提供了丰富且互补的表示，支撑着现代研究工作流程。然而，将它们集体利用起来仍然极具挑战性：

它们在结构上差异显著，不断演化，且很少能无缝对齐，导致互操作性有限，使得跨资源推理在实践中变得困难。因此，整合、对齐或遍历这些异构知识图谱仍需大量人工努力，而现有的标准化或合并计划也劳动密集且难以大规模维持。

将人工智能（AI）智能体融入生物医学研究已成为一个快速增长的兴趣领域，应用范围遍及系统文献综述 [7, 8]、基因组学研究 [9, 10]、空间生物学 [11]、生物标志物发现 [12] 等领域。这一趋势的核心是 AI 科学家的概念：即由大语言模型驱动的智能体，它们与多样的科学知识源和计算工具交互，以简化、增强或自动化研究过程的组成部分 [13-15]。伴随这些努力，也开发了几个通用型生物医学智能体 [16, 17]。在此背景下，“深度研究”代表了一类基于 LLM 的智能体，能够通过自主搜索、推理和综合来自文献及知识库的证据，进行端到端的科学探究，例如 OpenAI DeepResearch [18]、Gemini Deep Research [19]、Perplexity Deep Research [20] 等。尽管取得了这些进展，仍然存在重大挑战。特别是，大多数现有智能体仅依赖互联网规模的文本语料库，留下了一个核心问题：我们能否设计出能够深入、系统地探索大型、异构生物医学知识图谱的智能体，桥接它们以揭示现代生物医学发现所必需的微妙关系和联系？

在此，我们推出了 DeepEvidence，一个专门设计用于对生物医学知识图谱进行深度研究的 AI 智能体系统。与通用的深度研究系统不同，DeepEvidence 利用专门的知识图谱工具来定位并链接异构图谱中的实体，并通过广度优先研究（BFRS）和深度优先研究（DFRS）的协调组合来导航它们：这是两种用于系统性图谱探索的互补策略。DeepEvidence 还整合了一个内部证据图谱记忆，该图谱在智能体遍历和综合信息时持续更新，为发现过程提供了一个结构化和透明的记录。我们将这些原则实例化在一个协调器-子智能体架构中，该架构包含专门的 BFRS 和 DFRS 智能体，它们协作构建和完善最终的证据图谱（图 1）。

我们的实证评估首先评估了 DeepEvidence 在需要深度探索和推理文献的既定生物医学基准上的表现，包括 Humanity's Last Exam (HLE) [21]、LabBench-LitQA2 [22]、SuperGPQA [23] 和 TrialPanorama-EvidenceQA [24]。然后，我们展示了 DeepEvidence 在生物医学发现生命周期的四个关键阶段的实用性：（1）药物发现，（2）临床前体内实验，（3）临床试验开发，以及（4）循证医学。总之，这些结果说明了知识图谱驱动的深度研究在支持和加速生物医学发现方面的潜力。

结果

DeepEvidence 概述

DeepEvidence 是一个深度研究框架，旨在利用 LLM 驱动的 AI 智能体在异构生物医学知识图谱（KGs）上运行。其核心是一个协调器智能体，将任务委派给一组专门的子智能体，即研究智能体，以执行知识图谱探索（图 1a）。在整个过程中，协调器维护并增量式更新一个内部证据图谱，该图谱记录了回答查询至关重要的关键实体和关系（图 1b）。研究智能体以两种互补模式运行。广度优先研究（BFRS）发出广泛的、多图谱查询，以快速调查一跳邻域（例如，在疾病-药物或基因-疾病图谱中识别与疾病相关的药物）。

并捕获广泛的候选实体和关系集。深度优先研究（DFRS）建立在 BFRS 发掘的重要实体之上，当问题需要多步推理或更丰富的证据发现时（例如，递归追踪出版物间的参考文献，以构建用于系统文献综述的综合证据图谱），执行更深层次的多跳探索。我们将这两种模式称为 BFRS 和 DFRS，而不是传统的 BFS/DFS，因为所提出的 AI 智能体自主选择遍历步骤，而不是遵循固定的图论规则。此外，AI 智能体可以通过识别共享实体或推断跨图谱关系（在图 1a 中称为“桥接实体”），来桥接异构知识图谱。

我们创建了一个集成环境和工具集，使 DeepEvidence 能够大规模探索多样化的生物医学知识图谱（图 1c）。许多生物医学知识图谱可通过异构的 Web API 访问，因此为了支持高效的 BFRS，我们跨主要生物医学领域（包括出版物、临床试验、化学物、基因、药物、疾病、表型和蛋白质）实现了统一的实体搜索和数据获取接口。例如，智能体发出的单一药物查询可以自动触发对 KEGG [3]、ChEMBL [25]、OpenFDA [26]、OpenTargets [5] 等资源的并行查找。因为这些操作涉及大量的 API 调用并产生异构数据，我们为系统配备了一个执行沙盒，使智能体能够以编程方式进行研究。在此沙盒内，智能体可以编写和执行代码，以大规模查询知识图谱 API，将检索结果保存为结构化文件（如电子表格），并在受控环境中执行下游提取和分析。这种设计确保了多步骤研究工作流程的高效性和可重复性。

DeepEvidence 旨在通过智能体工作流支持通用生物医学研究任务，协调器根据查询动态确定研究计划（图 1d）。一开始，协调器选择 BFRS 和 DFRS 的顺序和相互作用，并为每一步确定研究目标。然后，每个研究智能体自主决定其行动，例如查询哪些知识图谱以及执行哪些程序进行数据提取和分析。尽管如此，系统仍然是完全可操控的：用户可以指定与特定查询相关的生物医学领域，从而约束搜索空间，或者提供专家先验知识来指导和加速深度研究过程。

DeepEvidence 在生物医学研究基准测试中表现出色

我们在四个需要通用生物医学知识、多跳推理和基于证据研究的挑战性开放基准上评估了 DeepEvidence：Humanity's Last Exam (HLE) [21]、LabBench [22]、SuperGPQA [23] 和 TrialPanorama [24]（图 1e）。为了突出我们提出的深度研究框架的贡献，我们将 DeepEvidence 与强大的基线方法进行了比较：（1）两个配备了文献搜索功能的前沿 LLM（GPT-5 和 Sonnet-4.5），以及（2）两个通用型生物医学智能体（Biomni [16] 和 ToolUniverse [17]）。为了公平起见，所有智能体系统，包括 DeepEvidence，都使用相同的底层 LLM（GPT-5）运行。

在所有四个基准测试中，DeepEvidence 始终表现出最强的性能（图 1e）。在 HLE-医学上，DeepEvidence 达到了 40.0%，显著优于 Biomni (20.0%)、ToolUniverse (10.0%)、Sonnet-4.5 (3.3%) 和 GPT-5 (3.3%)。在需要检索和综合出版物衍生证据的 LabBench-LitQA2 上，DeepEvidence 达到了 80.0%，是 Biomni (32.0%) 的两倍多，并超过了 Sonnet-4.5 (48.0%)。在强调困难机制推理的 SuperGPQA-医学-困难集上，DeepEvidence 达到了 47.1%，超过了所有基线（Biomni 40.7%；Sonnet-4.5 43.6%）。最后，在基于真实世界临床试验的临床证据推理任务 TrialPanorama-EvidenceQA 上，DeepEvidence 获得了 96.0%，优于 Biomni (84.0%) 和 Sonnet-4.5 (88.0%)。

这些结果证明了生物医学中深度知识图谱研究的价值。尽管像 Biomni 和 ToolUniverse 这样的智能体可以访问许多知识图谱 API，但它们通常执行浅层探索。在回答前只进行几次搜索。它们庞大的工具集也可能引起工具混淆，导致智能体选择不相关的工具或遵循错误的推理路径。相比之下，DeepEvidence 在持续更新的证据图谱指导下进行结构化的 BFRS-DFRS 探索，实现了更深入、更有针对性、更可靠的知识图谱调查。这种设计直接支持在需要多跳推理和证据综合的任务上取得优越性能。为了进一步评估 DeepEvidence 在现实生物医学研究环境中的泛化能力，我们策划了六个新的基准任务，涵盖生物医学发现的完整生命周期，包括药物发现、临床前研究、临床试验开发和循证医学。我们将在以下章节详细介绍和分析每个基准。

DeepEvidence 用于药物发现和临床前研究

药物发现和临床前研究构成了药物开发生命周期的前两个阶段。药物发现侧重于识别可操作的生物学靶点，而临床前研究旨在阐明作用机制并在实验模型中评估靶向生物学反应。在本节中，我们评估 DeepEvidence 支持这两个阶段的能力。我们在一个用于药物发现的靶点识别任务上评估 DeepEvidence，随后是两个临床前机制推理任务，分别探究通路水平解释和体内代谢反应预测（图 2a 和 图 3）。

第一个任务是靶点识别，它要求通过整合来自基因、通路、生物标志物和既往研究的证据，为给定的疾病背景识别有前景的治疗或诊断靶点。如图 2a 所示，智能体收到一个研究问题以及关于靶点用途和方法学类别的约束，必须迭代搜索、汇总并评估证据，以收敛于一个充分证实的靶点。性能如图 2b 所示。在此任务上，DeepEvidence 达到了 68% 的准确率，显著优于 Biomni 的 56%、ToolUniverse 的 40%40% 以及通用 LLM 的 42%。这种差距主要反映了研究策略的差异。DeepEvidence 在精选的生物医学知识源上进行有指导、结构化的深度探索，跨数据库确认基因身份，并增量式维护一个证据图谱来组织发现。相比之下，Biomni 和 ToolUniverse 暴露了大量异构工具，但缺乏足够的领域特定指导，这常常导致工具选择不准确、证据检索浅层，以及因嘈杂或不完整的工具输出而造成的混淆。

接下来，我们评估智能体如何探索和综合生物医学文献、实验研究和分子数据，以解释临床前作用机制、通路相互作用以及分子扰动的生物学后果。如图 5a 所示，问题涵盖了广泛的现实临床前推理场景，包括解释信号串扰、解释药物机制和生物标志物、分析批量和单细胞转录组数据、评估磷酸化蛋白质组学方法，以及将分子观察结果与表型或治疗结果联系起来。图 5b 的准确率比较显示，DeepEvidence 达到了 72% 的准确率，显著优于同为 44% 的 Biomni 和 ToolUniverse，以及准确率为 52% 的通用 LLM。这些结果表明，DeepEvidence 更能将多样的实验证据整合成连贯且生物学上合理的机制解释，而基线智能体通常难以协调异构数据源或在表面关联之外进行推理。

最后，我们在一个反映常见临床前研究设计的体内代谢通量响应任务上评估 DeepEvidence。如图 5c 所示，智能体需要识别在酶抑制后最有可能表现出强烈靶向代谢抑制的肿瘤队列或生物标志物。图 5d 的结果显示，DeepEvidence 达到了 80% 的准确率，优于 Biomni 的 68%、通用 LLM 的 60% 和 ToolUniverse 的 52%。我们观察到一个类似的模式，即基线智能体难以将代谢背景与实验设计整合，而 DeepEvidence 通过专注的、基于证据的探索，更可靠地将靶酶与通路水平的依赖性对齐。

DeepEvidence 用于临床试验开发

每一个新的治疗候选药物都必须通过临床试验进行人体研究，以确定其对特定疾病和患者队列的安全性和有效性（图 4a）。在本节中，我们评估 DeepEvidence 支持临床试验开发的能力，重点关注核心设计决策。具体来说，我们为试验规划开发了三个具有挑战性的任务：样本量估算、药物方案设计和替代终点发现。成功完成这些任务通常需要广泛调查先前的临床证据，并结合关于疾病生物学和治疗机制的专家级推理。

第一个任务是“样本量估算”，它要求确定确保研究达到期望显著性水平和足够统计功效所需的参与者数量。如图 4b 所示，智能体收到一个问题以及统计假设和治疗组定义，然后尝试推断所需的样本量。性能如图 4c 所示。在此任务上，DeepEvidence 达到了 68% 的准确率，显著超过了三个基线：Biomni (20%)、ToolUniverse (32%) 和 PubMed 搜索 LLM (24%)。我们将 DeepEvidence 的优越性能归因于它能够对相关研究中使用的样本量估算策略进行全面审查，并形成对类似临床试验中样本量模式和设计设置的概览。相比之下，通用智能体要么只执行浅层搜索，要么试图在不收集实质性证据的情况下直接推断样本量。

第二个任务是“药物方案设计”（图 4d），它要求为一种药物组合选择适当的策略，包括起始剂量水平、递增方法、剂量限制性毒性定义以及治疗方案安排，以平衡治疗效果和参与者安全。每个问题都需要审查特定药物组合的历史证据，智能体必须根据这些证据和既定规则识别正确的方案策略。性能如图 4e 所示。DeepEvidence 达到了 52% 的准确率，优于 Biomni (36%)、ToolUniverse (28%) 和 PubMed 搜索 LLM (20%)。对智能体行为的分析显示，DeepEvidence 始终如一地从 FDA 批准的药物参考和相关文献中检索信息，使其能够形成对历史剂量和毒性模式的全面了解，而基线智能体则常常产生不完整的证据收集。

第三个任务是“替代终点发现”（图 4f），智能体根据新疗法的作用机制和生物学背景，对候选替代终点的合理性进行排序。解决此任务需要在生物医学知识库中搜索，以识别疾病通路、药物靶点和相关生物学过程，然后确定哪些终点在机制上得到支持。图 4g 的结果使用平均精确率、召回率和 F1 分数进行评估。DeepEvidence 达到了 73.2% 的精确率、75.0% 的召回率和 73.3% 的 F1。Biomni 达到了 60.8%、64.3% 和 60.9%。ToolUniverse 达到了 57.7%、69.0% 和 61.9%61.9%。LLM 达到了 58.4%、61.9% 和 58.7%。我们发现 DeepEvidence 更全面地检索证据，并能正确区分药物靶点、通路和生物标志物之间的上下游关系。这使得对替代终点的选择更具机制基础。

DeepEvidence 用于循证医学

循证医学（EBM）通过将临床实践决策建立在高质量的临床证据之上来指导临床实践 [27]。EBM 的核心是综合已发表的临床研究，并且必须随着新发现的出现而更新。当后续的随机对照试验改变了对现有治疗方法的理解时，现有证据可能变得过时，从而产生证据缺口。为了评估 AI 智能体是否能识别此类缺口，我们构建了一个专注于检测新相关临床试验的基准。如图 5a 所示，智能体接收系统综述的设置，包括研究问题、综述目标和资格标准，并且必须识别出原始综述中未包含但为了保持最新临床证据而应纳入的新兴试验。
我们沿两个维度评估智能体性能：（1）缺口检测率，定义为智能体提出的前三十个最合理试验中是否至少包含一个真阳性；（2）召回率，定义为真阳性被前三十个识别试验覆盖的比例。解决此任务需要对文献进行深入研究，并使用细致的筛选标准仔细评估研究资格。
结果如图 5d 所示。DeepEvidence 达到了最高的缺口检测率 90.0%，相比之下 Biomni 为 50.0%，ToolUniverse 为 15.0%，PubMed 搜索 LLM 为 10.0%。在召回率方面，DeepEvidence 达到了 44.14%，再次优于 Biomni 的 30.17%、ToolUniverse 的 5.06% 和 LLM 的 2.67%。这些结果表明 DeepEvidence 在识别证据缺口方面更有效，并提供更广泛的相关研究覆盖。其优势来自于对相关系统综述、随机对照试验及其引文网络进行全面的深度研究，并辅以疾病和药物知识图谱，以增强文献检索和研究筛选。
为了理解 DeepEvidence 为何优于通用智能体，我们检查了其行为模式和内部工作流程。图 5e 中的协调器流程显示，DeepEvidence 遵循一个结构化的、迭代的深度研究流程，类似于人类研究者更新系统综述。它识别核心疾病实体，映射相关药物实体，并在系统综述、随机对照试验及其引文网络中进行广度优先和深度优先探索，以重建广泛的证据图景。图 5c 中的证据图谱以及图 5b 中智能体生成的发现表明，DeepEvidence 能够追溯疾病术语、治疗类别、突变特异性人群和资格标准之间的机制联系，使其能够聚类相关试验并浮现新相关的研究。
这些行为表明，DeepEvidence 通过执行全面的深度研究、整合来自多个生物医学知识源的证据，并使用证据图谱作为研究优先排序的框架来取得成功。这使得 DeepEvidence 能够比仅依赖简单搜索或直接推断的智能体更有效地识别证据缺口并追踪新兴临床发现。

讨论

DeepEvidence 代表了朝着构建用于生物医学研究的全面深度研究系统迈出的重要一步。它表明，一个扎根于多样化生物医学知识图谱的智能体框架，能够显著提高导航分布在各领域特定资源中的广泛且碎片化知识的能力。通过协调专门的检索行动并应用现代大语言模型的推理能力，DeepEvidence 为跨越生物医学发现完整生命周期的任务（包括药物发现、临床前研究、临床试验和循证医学）提供基于证据的答案。
DeepEvidence 与此前基于知识图谱的检索工作提出了不同的视角，后者主要侧重于索引文本文档并使用大语言模型改进文档级检索 [28-30]。这项工作不是将知识图谱视为文本挖掘的辅助结构，而是展示了如何将深度研究系统明确地构建在异构生物医学知识图谱之上，以共同支持复杂生物医学任务的检索和多步推理。通过直接在基因、疾病、药物、通路、试验及其关系上操作，DeepEvidence 实现了比以文档为中心的流程更高效、更有效的证据驱动研究。此外，证据图谱的显式构建提供了一个透明且可追溯的推理过程，其中中间实体关系和支持证据可以被人类检查和验证。这种基于证据图谱的表述为生物医学深度研究提供了一个有原则且可解释的范式，这是纯文本驱动的检索系统难以实现的。

仍然存在一些局限性。尽管我们已经整合了各种生物医学实体和领域特定的知识库，但覆盖范围仍不完整，当前的基准仅反映了生物医学研究任务的一个子集。此外，该系统目前适用于精心整理的知识图谱，如 KEGG 和 Gene Ontology，它们提供稳定的模式和高质量的 API。未来的版本必须适应可能包含缺失值、结构不一致或不完整接口的专有或内部托管图谱。这需要授权智能体构建新的工具来访问这些图谱。此外，当前系统侧重于两种有原则的图谱遍历策略，即广度优先和深度优先研究。这些策略显著优于通用智能体，但它们不太可能是最优的。DeepEvidence 在许多任务上尚未达到专家级性能，未来的改进将依赖于更强大的底层语言模型以及允许智能体通过自我导向适应发现改进研究策略的方法。最后，我们当前的工作主要侧重于基于文本的模式，而我们可以进一步将其扩展到多模态数据，如图像、结构生物学和蛋白质组学信息，使其更适用于更广泛的生物医学研究任务。

展望未来，我们将 DeepEvidence 视为生物医学领域更深层次知识图谱探索的基础，以及通用 AI 智能体的补充组件。通过与人类专家更紧密地合作，DeepEvidence 可以支持需要严格证据基础的研究，并可以通过结构化和透明的深度研究范式，帮助生成和验证具有科学意义的假设。

图 1：DeepEvidence 概述及基准性能。 (a) 系统概览，显示协调器在研究智能体间协调规划、行动和记忆更新。用户查询被转化为一系列计划好的研究智能体，这些智能体在执行沙盒内行动，并通过观察更新共享记忆。这些智能体在多个生物医学知识图谱上执行协调的广度优先和深度优先探索，以识别跨图谱链接并构建集成的证据视图。(b) 智能体增量式构建一个结构化图谱，通过诸如靶向、测试和引用等关系链接论文、药物、基因和通路。此证据图谱作为持久记忆，组织已发现的实体并支持下游推理。(c) 智能体可访问的跨领域多样化生物医学知识图谱概览，包括基因、疾病、药物、化学物、蛋白质、表型、出版物和临床试验。(d) 一个逐步示例，展示智能体如何规划、查询知识库、执行广度优先研究、收集观察结果，并使用编程操作完成系统综述任务。(e) 基准测试结果显示，DeepEvidence 在四个生物医学推理任务上始终优于强大的基线系统。

图 2：靶点识别实验结果。 (a) 靶点识别任务示意图，该任务定义了研究问题、疾病范围、靶点用途以及治疗和诊断发现的方法学类别。(b) 靶点识别任务的准确率比较，显示 DeepEvidence 在评估设置中均比基线系统取得更高性能。(c) 一个端到端的靶点识别工作流程示例，智能体执行候选搜索、广泛证据收集、跨数据库基因身份确认、证据审查与更新以及比较评估，逐步构建和完善证据图谱，以识别并验证一个疾病相关基因靶点。

图 3：机制推理任务实验结果。 (a) 作用机制和通路推理任务示意图，该任务指定了生物学背景、分子实体和推理目标，以解释信号串扰并识别关键调控检查点。(b) 作用机制和通路推理任务的准确率比较，显示 DeepEvidence 相比基线系统取得了最高性能。(c) 体内代谢通量响应任务示意图，智能体对肿瘤代谢依赖性、靶酶和通路脆弱性进行推理，以识别具有有效靶向通量抑制的队列。(d) 体内通量响应任务的准确率比较，显示 DeepEvidence 在评估设置中始终优于基线方法。

图 4：临床试验开发任务实验结果。 (a) 临床试验开发生命周期示意图，显示从发现到批准的过程。(b, d, f) 分别说明样本量估算、药物方案设计和替代终点发现任务。(c, e, g) 分别对应这三个任务的性能比较，显示 DeepEvidence 在各项任务中均优于 Biomni、ToolUniverse 和 LLM 基线。

图 5：循证医学任务实验结果。 (a) 证据缺口发现任务示意图，智能体识别最新随机对照试验（RCTs），这些试验与更新现有临床证据最相关。输入的研究目标和详细筛选标准用于确定哪些试验符合合格主要 RCT 的资格。(b) DeepEvidence 做出的一个示例性发现。(c) DeepEvidence 构建的一个示例性证据图谱。(d) 证据缺口发现任务的性能比较，显示 DeepEvidence 在所有方法中取得了最高的缺口检测率和前三十项的平均召回率。(e) 证据缺口发现的工作流程示例，显示智能体如何定义核心疾病和药物实体，在研究中进行广度优先和深度优先研究，并迭代整合和筛选候选 RCT。该过程以一份由更新后的证据图谱支持的优先排序的合格试验列表结束。

方法

开放基准测试的处理

开放基准实验通过选择和调整来自 Humanity's Last Example (HLE) [21]、LabBench LitQA2 [22]、SuperGPQA [23] 和 TrialPanorama [24] 的任务来构建。

对于 Humanity's Last Example (HLE)，我们首先选择主题标签为“医学”的问题。然后，我们移除那些需要额外图像作为输入的问题。此筛选步骤的动机是我们观察到 HLE 中的医学问题通常需要基于文献的推理进行诊断或临床决策，而非视觉解读。筛选后，此过程产生了总共 30 个问题。

对于 LabBench，我们专注于 LitQA2 子集，因为该部分明确要求探索科学文献以支持推理和答案生成。从该子集中，我们随机抽取 25 个问题构成我们的评估集。对于 SuperGPQA，我们首先将基准问题限制为难度等级标记为“困难”的问题。在此子集中，我们进一步选择领域为“临床医学”的问题。这产生了一个包含 172 个问题的精选数据集，我们称之为 SuperGPQA 困难临床医学集。

对于 TrialPanorama，我们从基准中选择了“EvidenceSummary”任务。然后，我们保留了最近的 50 个问题。在原始设定中，每个问题都是一个证据总结任务，提供来自多个研究的摘要，并要求模型总结证据以选择正确选项。在我们的设定中，我们从输入上下文中移除了这些摘要，从而要求智能体主动探索文献以识别正确答案。这种修改后的设置构成了我们的 TrialPanorama EvidenceQA 数据集。

策划靶点识别任务

对于靶点识别任务，我们通过从 KGML 格式的 KEGG 疾病通路文件中提取通路拓扑来构建评估实例。我们解析了涵盖癌症、代谢紊乱、感染和自身免疫性疾病的 8 条人类疾病通路，构建有向信号图，其中节点代表基因/蛋白质，边编码调控关系（激活、抑制、阻遏或表达）。对于每条疾病通路，我们将靶点识别表述为一个多项选择题，询问哪些基因代表最有前景的治疗靶点，从通路成员中抽取 10 个候选选项。此任务的一个示例见补充表 2。

为了从通路结构而非手动注释计算真实答案，我们开发了一个拓扑逻辑引擎，根据三个标准为每个候选靶点分配增益分数（0、1 或 2）。首先，我们通过查找从候选基因到疾病终点节点的所有简单路径，并计算沿每条路径的边权重的累积乘积（激活边贡献 1，抑制边贡献 -1）来计算路径极性。平均路径极性 > 0.5（即促进疾病进展）的基因，在使用抑制剂靶向时获得增益 2，而极性为负（抑制疾病）的基因获得增益 0，以反映抑制保护因素的生物学矛盾。其次，我们纳入了图论分析中的介数中心性：中心性得分在前 10% 且路径极性为正的基因被优先作为最优靶点（增益 2），因为它们代表了信号汇聚的关键瓶颈。第三，我们应用了可成药性过滤，通过针对基因符号的关键词匹配，将不可成药的蛋白质类别（如核糖体蛋白、细胞骨架成分）分配增益 0。

我们进一步实现了疾病特异的逻辑配置文件，根据不同通路类型对基因功能类别进行不同加权。对于癌症通路，激酶和酶获得更高优先级；对于耐药通路，转运蛋白和受体被强调；对于感染通路，模式识别受体和细胞因子被优先考虑。基因功能类型从 KGML 条目元数据（包括酶的 EC 编号和图形注释）推断，并在提取失败时回退到基于符号的、针对精选基因家族字典的模式匹配。最终的多项选择格式将选项呈现为“GENE_SYMBOL - functional_type”，答案对应于所有增益 2 的选项，从而能够评估 AI 智能体是否能够从通路拓扑中识别具有治疗可操作性的靶点。

策划体内代谢通量响应任务

对于体内代谢通量响应预测任务，我们构建了评估实例，以评估 AI 智能体是否能够预测在临床前小鼠模型中，药理学抑制靶酶后预期的代谢扰动。我们解析 KGML 格式的 KEGG 疾病通路文件，提取反应图（底物 →→ 产物关系）和信号图（调控关系）以建模代谢通量动态。对于每条通路，我们选择一个靶基因，并制定一个多项选择题，询问哪些肿瘤队列在靶标抑制后会表现出最佳的代谢通量响应，提供七个候选表型结果。此任务的一个示例见补充表 4。

真实答案通过使用三层验证系统从通路拓扑计算得出。首先，我们应用拓扑一致性检查：使用从靶基因节点开始的广度优先搜索，我们识别下游代谢物（两步反应内可到达的产物）和上游底物（两步内的前体）。根据酶抑制的逻辑，下游产物应显示减少的同位素示踪剂标记，而上游底物应积累；反映此模式的选项获得增益 2，而陈述相反情况（例如，“尽管有抑制，下游产物水平仍增加”）的选项获得增益 0，因为这违反了质量平衡原则。其次，我们识别通路终点：反应图中出度为零的终端节点，并将终端合成的持续抑制标记为最佳响应指标。第三，我们通过强连通分量分析检测反馈环路；参与循环的节点可能表现出瞬时或补偿性响应，获得增益 1 以反映部分但不稳定的靶标接合。

为确保生物学基础，选项文本使用从 KGML 反应元素中提取的实际化合物名称动态生成，而非通用占位符。对于每个靶基因，我们遍历反应图以收集真实的代谢物名称（例如，“显示丙酮酸标记减少 40% 的肿瘤”而非抽象引用），提供具体的分子背景。问题主干中的代谢依赖性和过程描述符也尽可能从通路特异性化合物派生，仅在化合物提取失败时回退到精选模板（例如，“谷氨酰胺代谢”、“氧化还原平衡”）。最终的多项选择格式呈现七个按随机顺序排列的表型结果，答案对应于所有增益 2 的选项，从而能够评估 AI 智能体是否能够从通路拓扑推理代谢通量扰动。

策划作用机制和通路推理任务

对于涵盖肿瘤学和分子生物学的临床前研究任务，我们策划了包含单选和多选题的、基于证据的多项选择题。这些问题旨在反映现实的临床前研究场景，其中正确的结论取决于机制特异性、实验背景和方法学约束，而非孤立的事实回忆。我们通过识别临床前研究中遇到的反复出现的分析和决策问题，来定义临床前研究任务的范围。策划的问题涵盖了核心主题，包括靶向药物作用机制表征、肿瘤治疗策略的局限性、癌细胞系特性和药物敏感性、组学数据分析工作流程、信号转导机制、实验检测验证、肿瘤分子亚型和转移机制，以及基因表达模式与表型或临床读数之间的关联。主题优先选自具有成熟临床前共识的领域，以最小化对初步、有争议或矛盾发现的依赖。

对于每个任务，问题主干和候选答案均根据任务相关性，扎根于权威的临床前证据来源。这些来源包括描述体外实验、体内肿瘤模型和分子机制研究的同行评审临床前文献，以及临床前研究中常用的精选资源，如包括 ATCC 和 DSMZ 在内的癌细胞系存储库，包括 GDSC 在内的药物敏感性数据库，包括 GEPIA2 或 GEPIA3、TIMER 和 Kaplan Meier Plotter 在内的基因表达和生存分析平台，以及包括 KEGG 在内的通路数据库。在适当的情况下，也使用了既定的实验原则和技术指南。证据来源在单个任务层面应用，以确保声明的一致性和可追溯性，而未在所有条目中强制执行统一或自动化的验证流程。每个任务被制定为单选或多选题，取决于潜在的临床前问题是允许唯一最优答案还是多个同时有效的解释。

答案选项由领域专家手动策划，并分配分级正确性标签，增益为二、一或零，反映与任务一致的临床前证据的偏差程度。严格分类的增益为二的选项必须同时符合明确的临床前证据或广泛接受的机制理解，得到同行评审文献或精选数据库记录的支持且无矛盾发现，明确匹配问题所隐含的实验场景（包括分子靶点、细胞系特征、检测方法或数据解释标准的精确规范），并确保所有生物学声明在事实上准确、无歧义且可追溯到具体证据（如文献图表、表格、数据库记录或实验方案）。增益为一的选项代表部分正确的推理路径，包含有效的生物学或方法学元素，但忽略了关键约束，从相关系统过度概括，或依赖不足以支持确定性结论的关联。增益为零的干扰项被构建为机制上看似合理但与既定证据或实验逻辑不一致，通常源于跨实体混淆、对检测能力的误解，或与共识发现的直接矛盾，在某些情况下，改编自相邻研究背景中的真实陈述以保持表面合理性。所有条目均经过审查，以确保答案正确性不能仅通过通用生物学知识解决，而是需要扎根于每个任务的具体实验或分析背景进行推理，并且问题文本中不出现显式的数据库登录号或记录标识符，而在方法学相关处保留对常用平台的引用。

策划临床试验开发任务

对于样本量估算任务，我们从 TrialPanorama 基准中提供的样本量估算实例开始。然后，我们通过选择该集合中最近的 25 个试验作为测试集来构建我们的评估分割。对于每个实例，我们将基准提供的真实样本量视为正确答案，并通过生成真实值的乘性扰动来产生四个看似合理的干扰项，将问题转换为多项选择题。具体来说，我们在 0.25-4.00 的范围内（即比真实值小 75% 到大 300%）采样一个扰动比率，将其应用于真实样本量，四舍五入为整数，并强制执行基本有效性约束（例如，在合理的样本量范围内且不等于正确值）。然后，我们打乱五个选项并记录相应的选项字母作为答案标签，从而能够基于准确率直接评估 AI 智能体是否能从竞争性替代方案中选出正确的样本量。此任务的一个示例见补充表 6。

对于药物方案设计任务，我们从一个从早期肿瘤联合试验中手动提取的结构化毒性和剂量发现语料库构建了一个基于证据的多项选择数据集 [31]。我们首先从规范化表中加载试验级元数据（例如，人群和剂量限制性毒性（DLT）评估窗口）、方案级药物属性（药物名称和给药途径）、剂量级阶梯、按剂量水平观察到的 DLT 摘要、方案 DLT 定义、报告的最大耐受剂量（MTD）以及升级设计描述符（如有）。使用语料库中的所有单药方案，我们为每种药物计算了单药治疗基线，包括参考单药 MTD（单药试验中报告的最大 MTD）和去重后的单药 DLT 术语列表。对于每个多药方案，我们随后通过以下方式推导方案特定的证据特征：（i）分析剂量阶梯以估计相对于单药 MTD 的起始和最大剂量强度，（ii）量化跨剂量水平的 DLT 模式，并估计毒性重叠评分（即联合 DLT 类型中也曾在单药治疗中观察到的比例），以及（iii）提取辅助背景信息，如人群和给药途径。这些证据特征使用一个基于规则的分类器映射到一个四级设计类别标签（I-IV 级），该分类器优先考虑批准状态代理、单药剂量发现证据的可用性、毒性重叠和相互作用风险代理。最后，对于每个符合条件的方案，我们生成一个设计策略多项选择题：问题主干总结了支持性证据，所有答案选项使用相同的药物组合，但仅在提议的试验设计策略上有所不同，对应每个类别（例如，安全性验证/有限调整，接近单药 MTD 的降阶梯，标准升级，或谨慎引导期，配合延长的 DLT 窗口和强制性药代动力学/相互作用评估）。我们排除了单药方案和证据不足的组合。此任务的一个示例见补充表 7。

对于替代终点发现任务，我们从 KEGG（2025 年有批准日期的药物条目）中策划了一组近期获批的药物作为起点，并基于其通路注释自动构建机制基础的多项选择题。对于每种药物，我们从 KEGG 检索结构化的药物记录（名称、临床评论/疗效文本、疾病注释、类别标签、靶基因标识符和关联通路），并保留至少有一个映射靶点和通路的药物。然后，我们下载最多五个相关通路的 KGML 文件，并将其解析为有向交互图。为了将药物机制与可测量的中间结果联系起来，我们在合并的通路图中从药物靶点节点执行双向广度优先遍历（深度限制为 10），并将可达基因与预定义的生物过程标志物集合库（例如，增殖、凋亡、代谢、DNA 损伤、炎症、血管生成、迁移和信号传导）进行匹配。我们还使用高优先级临床文本字段（COMMENT/EFFICACY）上的关键词启发式方法，辅以 DISEASE 和 CLASS 字段，对每种药物的治疗背景（例如，癌症、炎症、代谢、心血管、神经学或其他）进行分类。利用推断的下游过程效应，我们生成药物特异性、疾病感知的替代终点策略作为正确选项（增益=2），强调在 2-12 周内可测量的、将药效学调节与预期临床获益联系起来的远端生物标志物；我们还包括可接受但较弱的策略（增益=1），这些策略时机不当或与临床结果的关联较弱。为了创建具有挑战性的干扰项（增益=0），我们采用两轮构建：首先为每种药物生成正确的替代策略，然后，对于给定的药物，我们从（i）为其他药物生成的正确替代策略（机制上看似合理但与当前机制/适应症不匹配）和（ii）主要反映靶点接合而非下游获益的上游/近端测量值（深度 <3）中采样干扰项。每个最终项目是一个多答案多选题，包含 6-10 个选项，其中所有增益=2 的选项被标记为正确，我们强制执行质量控制约束，如要求多个正确/次优/干扰选项，并从问题文本中移除显式数据库标识符（例如，KEGG ID）。此任务的一个示例见补充表 5。

策划循证医学任务

对于循证医学（EBM）任务，我们从连续更新间结论发生变化的 Cochrane 系统综述版本构建测试数据。从一份更新的综述精选列表开始，我们通过解析 DOI 到 PubMed 记录，并使用 NCBI E-utilities 下载完整 XML，以编程方式检索最新版本及其直接前序版本。从每个综述版本中，我们提取结构化元数据（标题和结构化摘要部分），并解析由综述明确标记的参考文献列表（例如，纳入本综述的研究参考文献和排除在本综述之外的研究参考文献）。这产生了一个版本解析的映射，从每个综述到其纳入研究的 PMID 集合，从而能够使用共享的基础 DOI 稳健地配对综述版本，并精确比较纳入研究集合。此任务的一个示例见补充表 8。

然后，我们将最终的 EBM 测试集构建为一个证据缺口识别任务。对于每对配对的综述（较旧 vs 较新），我们提供更新综述的研究背景（例如，目标、资格/筛选标准、结局指标），并在可用时提供先前版本纳入的研究列表。模型被要求识别在更新综述时应添加哪些新研究。真实答案被定义为较新版本和较旧版本的纳入研究 PMID 之间的集合差，即出现在更新综述纳入列表中但先前未被纳入的研究。

实施协调器和研究智能体

DeepEvidence 采用使用 LangGraph 状态机实现的层级多智能体架构。在顶层，一个协调器智能体接收用户研究查询，并通过将复杂问题分解为有针对性的子任务，动态规划调查策略。协调器提示见补充说明 A.1。协调器维护一个追踪搜索预算、管理证据图谱，并协调两个专门的研究子智能体的状态机：广度优先研究子智能体（BFRS）和深度优先研究子智能体（DFRS）。BFRS 旨在跨指定知识库进行广泛探索，同时收集关于多个实体的多样化信息，而 DFRS 则沿着引文链和实体关系深入挖掘，以揭示详细的机制证据。BFRS 和 DFRS 的提示分别在补充说明 A.2 和 A.3 中。协调器通过工具调用来调用这些子智能体，指定搜索目标（包括实体名称和标准化标识符，如 PubTator ID 或 UMLS CUI）、目标知识库以及分配给搜索的操作预算。每个子智能体作为一个独立的状态图运行，拥有自己的工具执行节点，允许模块化组合和受控的资源分配。

所有智能体，包括协调器和研究子智能体，都使用代码执行作为其主要操作机制。每个工具不是返回静态输出，而是生成可在沙盒环境中运行的可执行 Python 代码。这种以代码为中心的方法使智能体能够执行复杂操作，包括多步 API 查询、使用 pandas 进行数据转换、统计分析和结构化报告生成。例如，在搜索基因时，智能体执行查询多个数据库的代码，将结果聚合到统一的数据框中，并将输出保存到共享工作区以供后续分析步骤使用。沙盒追踪执行指标（运行时间和内存使用），并在工具调用间维护持久状态，允许智能体基于先前结果构建。这种设计提供了透明度、可重复性，并使智能体能够处理使用固定工具输出无法实现的任意数据处理工作流程。

DeepEvidence 实现了一个显式的证据图谱作为一等记忆结构，智能体在整个深度研究过程中增量式地构建和维护它。该图谱仅存储高价值的规范化生物医学实体，如基因、疾病、药物、通路、论文和具体发现，每个实体在可用时由规范标识符标识并在全局去重。边代表一组受控的机制性成员关系关联和证据级别关系，每个节点和关系都通过来自原始文献或精选知识图谱的显式来源进行接地。智能体不是将上下文编码为自由文本，而是将简短的事实性观察附加到实体上，捕捉实验设置方法论和定量或机制性结果。在推理过程中，智能体在添加新内容前查询现有图谱，合并近似重复项，更新观察而非创建冗余节点，并用独立的证据链接记录相互矛盾的发现。我们在补充说明 A.4 中将提示作为额外指导添加到智能体的系统提示中。智能体和证据图谱之间的这种紧密耦合使得迭代假设精炼、证据聚合和透明可追溯性成为可能，确保结论源自一个明确的、结构化的、可审计的生物医学证据体。

为促进跨知识库研究和实体桥接，我们实现了统一的模态级搜索工具，通过单一接口聚合来自多个权威来源的信息。例如，统一的基因搜索工具同时查询 BioThings (MyGene.info)、KEGG 和 Open Targets，返回带有跨数据库标识符的合并结果。针对疾病、药物、化合物、靶点、通路和变异也存在类似的统一工具。除了实体查找，我们还通过 PubTator3 API 集成了基于关系的搜索能力，使智能体能够发现通过特定语义关系（如 TREAT、CAUSE、INTERACT、INHIBIT 和 ASSOCIATE）链接的实体。这允许智能体从疾病遍历到候选药物，从基因到相关表型，或从化学物到其生物学靶点，支持机制假设生成所必需的深度优先推理模式。总之，这些统一的搜索和关系工具提供了知识基础设施，使研究智能体能够桥接异构知识图谱并跨多个生物医学领域综合证据。

实施知识图谱工具

我们在智能体的工具库中包含了以下知识库：BioThings [6]、ChEMBL [25]、ClinicalTrials.Gov [32]、Gene Ontology [4]、Human Phenotype Ontology [33]、KEGG [3]、NCBI Datasets API [34]、OpenFDA [26]、Open Genes [35]、ProteinAtlas [36]、PubChem [37]、PubTator [1]、PubMed [34]、Reactome [38]、UMLS [39]、UniProt [40]。详细的工具列表见补充表 1。

我们开发了一个模块化工具库，使智能体能够访问和查询 17 个生物医学知识图谱和数据库。每个知识图谱集成遵循一致的两层架构：（1）一个低级客户端类，封装 API 认证、速率限制、错误处理和响应解析；以及（2）高级工具函数，提供面向任务的接口，返回 pandas DataFrame 和适合智能体消费的格式化输出字符串。这种分离允许相同的底层 API 客户端支持多个工具函数，同时保持代码可重用性。所有工具函数都遵循统一的签名模式，接受搜索参数和一个可选的 save_path 参数，并返回一个（DataFrame， formatted_output_string）元组。格式化输出旨在既人类可读又可由 LLM 解析，包括摘要统计、结果预览和文件保存确认。

对于 RESTful API（BioThings、PubChem、KEGG、ClinicalTrials.gov、OpenFDA、ProteinAtlas、Open Genes、NCBI Datasets、HPO），我们使用 requests 库实现了基于 HTTP 的客户端，配备可配置的超时、重试策略和自定义用户代理头。这些客户端将 JSON 或平面文件响应解析为结构化字典。对于基于 GraphQL 的 API（Open Targets Platform），我们构建了带有目标、疾病和药物搜索参数化变量的查询模板。对于需要认证的编程式 API（UMLS、UniProt），我们实现了凭据管理和基于会话的认证流程。PubTator3 集成包括对实体类型布尔查询（例如，@CHEMICAL_remdesivir AND @DISEASE_COVID_19）和使用语义谓词（TREAT、CAUSE、INTERACT、INHIBIT、ASSOCIATE）的基于关系搜索的专门支持。一些知识图谱需要特殊处理：ChEMBL 支持基于 SMILES 的相似性和使用 Tanimoto 系数的子结构搜索；Reactome 使用稳定标识符进行通路层次遍历；KEGG 采用需要自定义解析逻辑的独特平面文件格式。

为实现跨数据库实体解析和综合信息检索，我们实现了统一的搜索工具，通过单一接口聚合来自多个来源的结果。例如，search_genes_unified 同时查询 BioThings (MyGene.info)、KEGG、Open Targets，并可选择查询 MyVariant.info，合并带有交叉引用标识符（Entrez、Ensembl、KEGG IDs）的结果。类似地，search_drugs_unified 聚合来自 BioThings (MyChem.info)、OpenFDA (Drugs@FDA 和药品标签)、KEGG Drug、Open Targets 和 ChEMBL 的结果。这些统一工具使用 ThreadPoolExecutor 进行并发执行以最小化延迟，并返回带有来源归属的合并 DataFrame。工具输出旨在支持下游分析：用于详细记录的 JSON 文件、用于表格数据的 CSV 文件，以及供研究智能体立即解释的 Markdown 格式摘要。