跳到正文
Xaira Therapeutics·· 27 天前AI 评分58

Xaira 推出药物发现智能体平台 X-Scientist

X-Scientist: A Recursive Self-Improving Agentic AI Platform for Drug Discovery

AI 导读

Xaira 推出面向药物发现与设计的智能体平台 X-Scientist,将前沿语言模型、生物工具、内部数据集以及 X-Cell、X-Design、X-Patient 等自研模型接入同一套多智能体框架,由主导智能体负责任务协调与验证。

正文 · AI 翻译

概要

我们推出 X-Scientist,这是 Xaira 用于药物发现与设计的智能体 AI 平台。X-Scientist 汇聚了前沿语言模型、生物学工具、Xaira 的内部数据集以及我们的专有模型,以支持涵盖机制研究、靶点识别、治疗方案设计以及分析与实验规划的研究工作。

X-Scientist 在药物发现的全流程中充当 AI 协同科学家,与研究人员并肩工作,探究复杂问题、执行计算工作流,并随着新证据的出现不断深化科学理解。通过将这些能力与实验研究相结合,X-Scientist 有助于将 Xaira 在 AI 和生物学方面的进展转化为治疗项目,推动我们为患者发现和开发新药物的使命。

我们在公开的科学基准上对 X-Scientist 框架进行了评估。在 DrugDiscoveryBench [1] 和 Terminal-Bench-Science 0.1 的生命科学子集 [2] 上,X-Scientist 的表现优于其他受测配置。我们在 TGF-β 处理的肝细胞中对 X-Scientist 推荐的遗传扰动进行了实验验证,命中率与人工筛选相当,并识别出能够逆转 TGF-β 反应的典型基因和非典型基因的扰动,且推荐生成速度约为人工筛选的 10 倍。这些结果提供了初步证据,表明 X-Scientist 能够执行复杂的科学任务、将专门的生物学模型整合到靶点发现研究中,并加快发现的速度。

X-Scientist 的下一阶段是将科学推理与自动化实验相结合。通过将提出的实验与实验室执行相连接,并将结果反馈回系统,我们旨在构建一个假设、实验与分析的持续循环。每个结果都将为下一步的研究提供依据,而科学家将引导那些最需要其专业判断的决策。我们很快将分享更多关于 X-Automate(我们的 AI 机器人平台)的信息,以及我们如何将其与 X-Scientist 相连接,从而将这一循环带入实验室。

1. 围绕 Xaira 的科学构建

大语言模型(LLM)已经在蛋白质设计和经实验验证的生物学发现中发挥作用 [3, 4, 5]。将这些能力应用于药物发现需要一个框架——一个将 LLM 与科学的实际工作相连接的系统。该框架使 LLM 能够调用软件工具和程序,并在无需人工干预的情况下在越来越长的时间内完成任务。

我们的设计原则是围绕 Xaira 能够开发并持续改进的三个组件来构建 X-Scientist 框架:

  1. 领域专用工具和模型,包括我们的 AI 模型 X-Cell(用于靶点识别)和 X-Design(用于分子设计),它们建立在我们的内部数据和生物学专业知识之上。
  2. 自适应研究工作流,编码了我们如何分解科学问题、协调工具与分析、解读研究发现,以及如何随着证据的出现修订计划。
  3. 严格而全面的验证,定义了我们如何质疑假设、评估结果,以及如何判断证据是否足以支持下一个科学决策。

‍

2. X-Scientist 如何组织科学工作

X-Scientist 是一个多智能体框架,它将协调与验证同任务执行分离开来。一个主导智能体负责指导调查、分派任务,并评估常驻工作智能体返回的证据。工作智能体利用数据、工具、算力和科学模型,产出带有支撑证据的研究发现。一个动态任务图记录不断演进的计划和依赖关系,并作为工作记忆,在新的研究发现出现时指导后续步骤。(图 1)

图 1. X-Scientist 智能体架构。研究问题在规划、执行和验证的迭代循环中推进,并由数据、工具和科学模型提供支持。

‍

2.1 领域工具与模型:将 Xaira 的能力带入调查

X-Scientist 将广泛的定制生物信息学和科学分析工具与 Xaira 的专有数据及内部模型相结合,包括 X-Cell(靶点识别)、X-Design(分子设计)和 X-Patient(患者分层)。API 和模型上下文协议(MCP)服务器将这些资源连接到该框架,使智能体能够在同一次调查中将成熟的科学方法与 Xaira 的专业能力结合起来。

整合我们的内部模型不仅仅是让预测结果可用。为每个模型定制的解释层会捕捉其输出代表什么、生物学和实验背景如何影响其含义,以及这些输出支持哪些结论。

‍

2.2 智能体执行图:编码与优化研究策略

X-Scientist 采用动态任务图,这些图会随着科学任务和证据的演进而变化。主导智能体构建一个包含适合该研究问题的各个阶段的初始图,并将执行工作委派给一个工作智能体。工作智能体维护该图,并在每个阶段结束后向主导智能体汇报,共享研究发现和当前的图状态。主导智能体随后决定是继续执行、通过额外的智能体探索其他方案,还是修改剩余的工作。

将协调与执行分离开来,使得这一过程中的科学决策成为明确的改进目标。我们会保留已完成的图,以研究哪些策略产生了有用的证据,以及哪些努力未能消除不确定性。这些记录让我们能够在固定任务执行能力的前提下,研究并优化主导智能体如何选择分析、分配精力以及请求验证。

‍

2.3 验证:使科学标准显式化

对于每项任务,X-Scientist 都使用明确定义的评估标准。当部署多个独立的智能体工作体来尝试同一项任务时,主导智能体会将其执行记录与一系列备选方案进行权衡,从而使 X-Scientist 能够全面搜索并选出表现最佳的分析。

这种方法借鉴了将语言模型作为已完成智能体轨迹的评判者和验证者的研究 [6, 7]。生成多个候选方案为找到正确答案创造了机会,但要提高最终结果的可靠性,还需要识别出证据所支持的是哪个候选方案。与编码和数学不同,验证在药物发现和设计任务中尤其具有挑战性,但在 X-Scientist 中将这些标准显式化,为随着能力和经验的积累而在此基础上继续构建提供了基础。

‍

3. 评估 X-Scientist

我们在两个互补的基准上评估了 X-Scientist。DrugDiscoveryBench 包含 82 项任务,涵盖靶点鉴定与验证、苗头化合物鉴定、构效关系分析以及先导化合物优化 [8]。Terminal-Bench-Science 使用针对具体任务的验证测试来评估智能体在科学研究工作流上的表现 [9];我们使用了其 0.1 版本的生命科学子集。这两个基准共同评估了与药物发现及更广泛生命科学研究相关的能力。

我们在不使用领域专用工具或技能的情况下评估了该框架。在每次评估中,主导智能体和工作智能体使用相同的模型和推理强度。在两个基准上,X-Scientist 均采用了三选一的验证流程。X-Scientist 在使用相同模型和推理强度的情况下,始终优于对比框架:

  • DrugDiscoveryBench,三个框架均使用 GPT-6-Astra 并采用最大推理强度: X-Scientist 比 Codex 高出 7.4 个百分点,比 mini-SWE-agent 高出 4.1 个百分点。
  • DrugDiscoveryBench,两个框架均使用 Claude Sonnet 5 并采用最大推理强度: X-Scientist 比 Claude Code 高出 13.4 个百分点(图 2a)。
  • Terminal-Bench-Science 0.1 生命科学子集,两个框架均使用 GPT-6-Astra: 在最大推理强度下,X-Scientist 比 Codex 高出 7.1 个百分点;在低推理强度下高出 3.5 个百分点(图 2b)。

X-Scientist 在跨模型对比中同样保持了优势。使用 Claude Sonnet 5 时,它在 DrugDiscoveryBench 上得分为 58.1%,比使用 Claude Opus 5 的 Claude Code 高出 4.4 个百分点,两个模型均采用最大推理强度。

图 2. 在两个公开基准上评估的 X-Scientist 框架。(a) DrugDiscoveryBench 得分。(b) Terminal-Bench-Science 0.1 生命科学子集的解决率。品红色柱条表示 X-Scientist;蓝色柱条表示对比框架。标注显示以百分点计的提升幅度。

‍

4. X-Scientist 提出逆转肝细胞中 TGF-β 信号的靶点

作为 X-Scientist 驱动生物学发现的概念验证,我们在肝癌细胞系(HepG2)中,于十二种不同的疾病相关化学暴露条件下,实验测试了 X-Scientist 提出的遗传扰动。其中一种暴露——TGF-β 信号——调节着全身的组织修复、细胞生长与分化,而其失调可能促进癌症进展。它也是慢性肝病中纤维化和疾病进展的关键驱动因素。在此背景下,我们评估了由 Xaira 完整智能技术栈驱动的 X-Scientist 是否能够识别出逆转 TGF-β 诱导的细胞表型的遗传干预手段。

为了评估 X-Scientist 识别此类扰动的能力,我们将它的提名与通过人类科学家策展选出的扰动以及从表达基因中随机选取的扰动进行了比较(分别为 n = 381、321 和 433 个扰动)。我们在湿实验中通过 Perturb-seq 实验评估了这些提名,并根据每个扰动将 TGF-β 处理细胞的基因表达谱向未处理状态转变的程度进行评分。利用这些谱的低维嵌入,我们计算了 TGF-β 失活评分,其标度设定为 0 代表 TGF-β 处理的细胞,1 代表未处理的对照。逆转 z 分数 ≥ 3 的扰动被归类为命中。X-Scientist 的命中率为 7.1%,而人类策展的遗传扰动为 6.9%,随机选取的扰动为 0.9%(图 3a)。因此,X-Scientist 识别有效扰动的比率与人类科学家策展相当,同时其提名生成速度快约 10 倍(图 3b)。

比速度本身更有趣的是,X-Scientist 在识别非显而易见的候选方面显著优于人类策展。X-Scientist 库中经实验确认的命中在湿实验中既识别出了经典的 TGF-β 通路基因,包括阳性对照 TGFBR1、TGFBR2、SMAD3 和 SMAD4,也识别出了核心通路之外的非经典基因(图 3c)。经典命中通常产生更强的 TGF-β 抑制效应,但非经典命中也使细胞向未处理状态转变,其中三个超过了经典命中的 TGF-β 失活评分中位数(图 3d)。这三个中没有一个出现在人类策展的库中,这表明 X-Scientist 可以通过揭示不太明显的生物学关系来补充专家策展。这些结果共同表明,X-Scientist 能够在特定的细胞环境中识别有效的遗传扰动,达到与人类策展相当的命中率,同时识别出经典通路之外的命中。


图 3. X-Scientist 识别经典和非经典的 TGF-β 逆转靶点。  (a) X-Scientist(n=381)、人类策展(n=321)和随机(n=433)库中的扰动命中率。每个扰动在 ≥30 个细胞中测量。(b) 使用 X-Scientist(20 分钟)与人类科学家策展(>3 小时)提名靶点所需的时间。(c) X-Scientist 库的 TGF-β 失活评分,按从低到高排序。负分表示进一步向 TGF-β 状态转变,高于 1 的分数表示转变超出未处理状态。排名靠前的经典(TGFBR1、TGFBR2、SMAD3 和 SMAD4)通路基因已标注。排名靠前的非经典命中定义为超过经典命中 TGF-β 失活评分中位数的非经典命中。(d) 经典 X-Scientist 命中、非经典 X-Scientist 命中和随机库的 TGF-β 失活评分。从随机库中随机选取了 50 个扰动作图。方框显示各组的 TGF-β 失活评分中位数和四分位距(IQR),须线显示完整范围。虚线标记 TGF-β 处理(0)和未处理(1)的对照细胞。扰动命中通过是否属于 Reactome 基因集“Signaling by TGF beta Receptor Complex”被归类为经典或非经典。

‍

5. 迈向递归自我改进的 X-Scientist

X-Scientist 的另一项能力是自主研究:设计计算实验、构建模型、评估结果,并利用所得证据确定下一步的研究方向。  其关键使能因素是通过异步执行实现的模型与研究框架的协同演进:模型实验,以及指导实验选择与执行的研究流程的优化,都可以在无需等待任一过程完成的情况下推进。这使得 X-Scientist 能够随着证据的积累动态优化模型与研究框架,带版本管理的框架更新会指导后续实验,同时保留正在进行的运行的配置。 

在一项初步试点研究(图 4)中,我们在 PerturbQA [12] 上将 X-Scientist 与 AutoScientists [10] 和 AutoResearch [11] 进行了评估,该任务涉及预测基因对遗传扰动的表达响应。每个系统获得四小时的研究时长和 100 美元的 API 预算上限。X-Scientist 在所有受评系统中取得了最高的迄今最佳验证 AUROC:0.6789,而 AutoScientists 为 0.6728,AutoResearch 为 0.6441。其预估 API 支出为 30.52 美元,AutoScientists 为 93.27 美元,AutoResearch 为 18.75 美元。在本次试点中,X-Scientist 取得了更高的验证性能,同时预估 API 成本比 AutoScientists 低约 67%。它在整个运行过程中始终采用单智能体工作流,这表明轻量级的研究配置无需更大智能体团队的开销,也能取得具有竞争力的验证性能。 

基于这些初步结果,我们正继续推动 X-Scientist 开展更长久、更深入的持续自主科学研究,从实验反馈中学习,优化研究策略,并从初始问题推进到可经实验检验的发现。

图 4. PerturbQA 上的自主研究进展与 API 成本。(A) 迄今最佳验证 AUROC。(B) 在四小时时长和 100 美元 API 预算上限下的累计预估 API 成本。在本次对比中,X-Scientist 取得了最高的验证 AUROC,且 API 成本比 AutoScientists 低约 67%;虚线延伸部分表示终止后的结果。

‍

X-Scientist 的未来:虚拟药物猎手

构建真正的虚拟药物猎手,不仅仅是解决单个科学任务。它需要一个能够跨研究整合证据、识别仍存不确定性、并判断哪些实验最能有效推进工作的系统。X-Scientist 为这一愿景提供了基础,将科学协调、验证和专业能力整合到一个随 Xaira 研究发展而成长的平台中。下一步是在这些结果的基础上,构建一个持续的发现闭环。上述肝细胞实验展示了一个初步流程:X-Scientist 提出了遗传扰动候选,湿实验测试识别出了能够逆转 TGF-β 响应的典型与非典型靶点。将这些实验结果反馈给 X-Cell 等模型以及智能体的研究策略,将闭合该闭环并指导下一轮实验。 

这种方法对于组合式靶点发现等问题可能尤其有价值,因为可能的组合数量庞大,穷尽性地在实验室中测试并不现实。虚拟实验可以帮助优先筛选出有前景的组合进行实验室测试,而每一轮实验反馈都会进一步优化后续的预测。在科学家指导研究重点并解读关键发现的情况下,每一个循环都会加深我们对生物学的理解,并提升我们选择有信息量的实验的能力。

将这一循环与自动化实验相结合,将使科学推理与实验室执行同步推进。在一篇配套文章中,我们介绍了我们的 AI 机器人平台 X-Automate,并阐述了如何将其与 X-Scientist 连接起来,以加速从实验规划到执行与学习的循环。

我们的目标是构建一个虚拟药物猎手,拓展科学家能够研究的范围,并让每一次研究都成为下一次研究的基础,从而加速从生物学洞察到新药的路径。

‍

X-Scientist 贡献者‍

Adam Litterman, Ann Huang, Avani Nandini, Bo Wang*, Brian Fox, Ci Chu*, Dan Gulbranson, David Nusinow, Haotian Cui, Haoyang Zeng, Matthew Wilken, Neal Ravindra, Shihao Ma, Sukwon Yun, Tom Crevier, Xinyue Rui

*通讯作者:bo.wang@xaira.com, ci.chu@xaira.com

‍

参考文献:

1. Scale AI. (n.d.). DrugDiscoveryBench. https://labs.scale.com/leaderboard/drugdiscoverybench

2. Dillmann, S. (2026). Terminal-Bench-Science 0.1. https://www.terminal-bench-science.ai/announcement

3. Anthropic. (2026). Claude 如何加速蛋白质设计与分析化学。 https://www.anthropic.com/research/Claude-accelerates-protein-design

4. Gottweis, J., Weng, W.-H., Daryin, A., Tu, T., Sirkovic, P., Myaskovsky, A., Glowaty, G., Weissenberger, F., Orlandi, A., Popovici, D., Palepu, A., Rong, K., Tanno, R., Saab, K., Zhang, F., Blum, J., Carroll, A., Kulkarni, K., Tomašev, N., Zverinski, D., Rendulic, I., Vedadi, E., Hasler, F., Rimanic, L., Boia, M., Budiselic, I., Feinstein, B., Bellaiche, M., Sheffer, T., Freyberg, J., Ratcliff, J., Bertolli, O., Chou, K., Hassidim, A., Gokturk, B., Vahdat, A., Guan, Y., Dhillon, V., Vaishnav, E. D., Lee, B., Costa, T. R. D., Penadés, J. R., Peltz, G., Matias, Y., Manyika, J., Hassabis, D., Xu, Y., Kohli, P., Pawlosky, A., Karthikesalingam, A., & Natarajan, V. (2026). 用 Co-Scientist 加速科学发现。Nature, 655, 487 to 496. https://doi.org/10.1038/s41586-026-10644-y

5. Ghareeb, A. E., Chang, B., Mitchener, L., Yiu, A., Szostkiewicz, C. J., Shved, D., Gyimesi, G. J., Laurent, J. M., Wright, S. M., Razzak, M. T., White, A. D., Finnemann, S. C., Hinks, M. M., & Rodriques, S. G. (2026). 一个用于自动化科学发现的多智能体系统。Nature, 655, 497 to 505. https://doi.org/10.1038/s41586-026-10652-y

6. Zhang, A., & Khattab, O. (2026). 语言模型 harness 是组合泛化器。 https://alexzhang13.github.io/blog/2026/harness/

7. Sakana AI. (2026). 用 Conductor 以自然语言学习编排智能体。 https://sakana.ai/learning-to-orchestrate/

8. Zheng, L., Chiang, W.-L., Sheng, Y., Zhuang, S., Wu, Z., Zhuang, Y., Lin, Z., Li, Z., Li, D., Xing, E. P., Zhang, H., Gonzalez, J. E., & Stoica, I. (2023). 用 MT-Bench 和 Chatbot Arena 评判 LLM-as-a-Judge。arXiv 2306.05685. https://doi.org/10.48550/arXiv.2306.05685

9. Kwok, J., Li, S., Atreya, P., Liu, Y., Jiang, Y., Finn, C., Pavone, M., Stoica, I., & Mirhoseini, A. (2026). LLM-as-a-Verifier:一个通用验证框架。arXiv 2607.05391. https://doi.org/10.48550/arXiv.2607.05391‍

10. Gao, S., Fang, A., & Zitnik, M. (2026). AutoScientists:用于长时间科学实验的自组织智能体团队。arXiv 2605.28655. https://arxiv.org/abs/2605.28655‍

11. Karpathy, A. (2026). Autoresearch:在单 GPU 上自动运行 nanochat 训练研究的 AI 智能体。GitHub 仓库。https://github.com/karpathy/autoresearch‍

12. Wu, M., Littman, R., Levine, J., Qiu, L., Biancalani, T., Richmond, D., & Huetter, J.-C. (2025). 通过语言对生物扰动实验进行语境化。arXiv 2502.21290. https://arxiv.org/abs/2502.21290

来源:Xaira Therapeutics · xaira.com