BioDyad：让生物医学发现与机器学习工程协同并进

arXiv:2609.31939v1 公告类型：new 摘要：Agentic 生物医学机器学习（ML）借鉴了生物医学证据获取与可执行程序搜索两方面的互补性进展。现有系统已能将这两类能力的某些方面连接起来，但在整个程序搜索过程中对它们进行协调仍然充满挑战。新获取的证据必须指导候选方案的构建，执行结果必须反哺后续的发现与复用，而验证需求又必须契合搜索预算。我们提出 BioDyad，通过在 Monte Carlo 图搜索中构建两个层级体系，将生物医学发现与 ML 工程紧密耦合。其科学层级将先验生物医学指导与迭代式发现相结合，并把生物医学计划与执行结果关联存储于记忆中，以便跨候选方案复用；其工程层级则推动候选程序从冒烟执行，逐步推进到训练/验证评估，再到全量数据重训练。我们在包含 76 项任务的 BioXArena benchmark 上评估了 BioDyad，每项任务预算为两小时，并匹配了三种 LLM 后端。在每个后端下，BioDyad 在四种 agent 方法与一个 one-shot 基线中均取得了最高的惩罚后全任务得分与任务成功率。这些结果支持通过协调生物医学发现与 ML 工程，将外部知识整合为可执行程序，以应对异构的生物医学任务。