bioRxiv生物信息学
Zeng Z, Meng X, Hu L et al.
将数百个散落的 Python/R 组学方法统一封装为 AI Agent 可调用的标准化接口，首个面向 AI 时代的组学生态系统基础设施。
- 方法：统一 API 封装 scRNA-seq、bulk RNA-seq、蛋白组学等 300+ 分析方法，提供 LLM 可读的工具描述
- 结果：Agent 可完成完整单细胞分析流水线（QC→聚类→注释→差异表达）而无需人工干预
- 亮点：支持 Claude/GPT-4 等通用 LLM 作为后端 Agent，无需专门训练生物信息学模型
编者按工具标准化是 AI Agent 真正进入科研工作流的前提条件。OmicOS 做的事情看起来"不性感"，但实际上是推动组学自动化最关键的基础设施工作之一。
局限 · 目前覆盖的主要是成熟工具，新兴分析方法（如空间多组学、单细胞蛋白组）集成滞后。
AI Agent组学生态科学自动化
bioRxiv生物信息学
Ma C, Trinh L, Bucci M, Regev A, Wang H
Broad Institute 推出的计算机使用 Agent 框架，Agent 可操作 GUI 软件、执行分析、形成假设、设计后续实验，实现生物计算工作流全自动化。
- 方法：CUA 通过屏幕截图感知 + 鼠标键盘操作控制任意桌面/Web 生物信息软件，无需 API 集成
- 结果：在 scRNA-seq 标准分析、基因组变异注释等 7 个任务上完成率达 78%，与人类操作一致性 91%
- 亮点：无需修改现有软件即可集成，大幅降低自动化门槛
编者按Broad Institute 的入场代表了顶级机构对 CUA 范式的认可。与 API 驱动的自动化不同，CUA 可以操控任何现有软件——这意味着几乎所有生物信息工具都能被 Agent 化，而无需重写代码。
局限 · 依赖屏幕截图感知，GUI 布局变化或分辨率差异可能导致操作失败，鲁棒性仍需提升。
计算机使用 Agent实验室自动化科学发现
bioRxiv生物信息学
Kurjan A, Cribbs A P
FlowBench 将生物信息 Agent 能力拆解为规划、故障恢复、结果解读三维独立评测，发现当前最强 LLM 三维能力严重不均衡。
- 方法：设计 120 个生物信息任务场景，分别评测 Agent 的流程规划、错误识别恢复、结果生物学解读能力
- 结果：GPT-4o 规划能力 82%，但故障恢复仅 41%，结果解读 67%；三维相关性极低（r<0.2）
- 亮点：揭示了"任务完成率"这一单一指标严重掩盖 Agent 实际能力短板
编者按在部署 AI Agent 处理生物信息流水线之前，所有团队都应该读这篇——故障恢复能力才是生产环境中最关键的，而这恰恰是当前 LLM 最弱的一环。
局限 · 测试场景主要基于 bulk RNA-seq 和 WGS 流水线，单细胞和空间组学等新兴分析场景覆盖不足。
Agent 评测生物信息学能力拆解