arXiv cs.AI· Qingyuan Zeng, Ziyang Chen, Pengxiang Cai, Zixin Guan, Anglin Liu, Lang Qin, Xinyao Lai, Jintai Chen·· 11 小时前AI 评分31
SCENE：将广泛生物医学知识情境化为场景命题的双层多智能体框架
Can Broad Biomedical Knowledge be Contextualized into Scenario-Grounded Propositions?
AI 导读
SCENE 是一个双层多智能体框架，把广泛生物医学知识转化为可检验、场景落地的命题，上层将知识转为搜索方向并对齐数据集 schema，下层用多目标优化筛选兼顾证据强度与数据支持的命题。在临床试验场景中，SCENE 发现具有异质性治疗获益的患者亚组并优于现有基线；在 LINCS L1000 研究中，它识别出目标-响应匹配强、阳性率高的扰动情境。
正文 · AI 翻译
摘要：生物医学发现往往需要将广泛的生物医学知识与具体的实验或临床数据联系起来。背景知识提示了相关机制，但通常过于笼统，无法直接映射到数据集变量上；而数据驱动的模式可能具有数据集特异性，难以从机制上加以解释。我们将这一缺失的环节作为知识情境化来研究：将广泛的生物医学知识转化为有证据支持、以场景为依据的命题，使领域专家能够检查、重放和验证。我们提出 SCENE，一个双层多智能体框架，将知识情境化视为迭代搜索。上层将广泛知识转化为搜索方向，并将其锚定在数据集模式中。下层通过多目标优化执行这些方向，以识别在证据强度和数据支持之间取得平衡的具体命题。两层之间的反馈逐步细化搜索。我们在两种情境下评估 SCENE：在临床试验场景中发现具有异质性治疗获益的患者亚组，以及在 LINCS L1000 研究中识别情境特异性的生物学响应。在临床试验中，SCENE 发现了具体且有充分支持的亚组，并优于现有基线。在 L1000 研究中，SCENE 识别出具有强靶点-响应匹配和高阳性率的扰动情境。这些结果表明，SCENE 弥合了广泛知识与场景特异性证据之间的鸿沟，为后续验证产生可追溯、可检查的假设。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2605.27082 [cs.AI] |
| （或 arXiv:2605.27082v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.27082 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Qingyuan Zeng [查看电子邮件]
[v1]
2026年5月26日星期二 14:33:03 UTC（1,139 KB）
[v2]
2026年10月22日星期四 18:54:23 UTC（1,438 KB）
来源：arXiv cs.AI · arxiv.org