研究提案已修订

科研工作流逆向工程：从 BioMedAgent 式系统的执行日志中提取自主科研训练数据

Nature 发表的 BioMedAgent 展示了多 Agent 自主完成生物信息学全链路的能力。本方案提出从这类系统的执行日志中系统性提取'工具选择→参数调整→结果解读→下一步决策'的完整科研推理链。

2026年4月12日科研Agent BioMedAgent 生物信息学自主科研中训练工作流数据数据合成

触发动机

2026 年 3 月底 Nature Biomedical Engineering 发表了 BioMedAgent——一个能自主完成生物信息学全链路的多 Agent 系统。它的核心不是对话，而是工作流编排：自动选择生物信息学工具（BLAST、Samtools、DESeq2 等）、串联成 pipeline、执行、解读结果、根据结果调整下一步。

读到这篇时我第一反应不是”模型又进步了”，而是”这个系统跑的每一条 pipeline 都是科研训练数据”。BioMedAgent 的执行日志天然包含：

面对一个生物学问题，选了哪些工具？（工具选择决策）
工具 A 的输出怎么变换后喂给工具 B？（数据格式适配）
结果不符合预期时怎么调整参数？（科研调试能力）
最终怎么解读结果得出生物学结论？（跨域推理）

这正好填补了站内科研数据 proposal 的一个缺口——现有 proposal 偏”静态”（论文复现、图表 QA），缺少”动态科研执行过程”的数据。

战略判断：为什么”科研执行过程”数据是最稀缺的

行业信号

AI for Science 系统正在爆发：BioMedAgent（Nature）、The AI Scientist（Nature）、EvoScientist（6/6 论文被接收）——都是能”做科研”的系统。但它们的能力来自精心设计的 pipeline 和 prompt，不来自训练数据。
OpenAI 的 FrontierScience benchmark：GPT-5.2 在博士级 Research 任务上仅 25%。差距不在知识量，在于”怎么做科研”的过程性知识。
ScienceBench（sciencebench.com）代表了新一代科研评测：不只评知识，评的是”设计实验→执行→分析→结论”的全链路能力。

关键洞察

现有的科学训练数据大致分两类：

知识型：教材、论文、百科——模型学的是”什么”
结果型：数据集+标注——模型学的是”对不对”

缺失的第三类是过程型：科研人员在实验室里”做了什么、为什么这么做、做完之后怎么判断”。BioMedAgent 这类系统的执行日志恰好填补了这个空白——它们是自动化记录的科研过程。

方法论

核心思路：搭建科研 Agent → 让它做科研 → 收割执行日志

这不是”先有数据再训模型”的传统路径，而是“先跑系统再收割数据”的 Harness 路径。

Step 1: 收集公开的科研任务
         │
Step 2: 用 Science Agent 系统自动执行
         │
Step 3: 记录完整执行轨迹（工具选择、参数、结果、决策）
         │
Step 4: 人工/自动验证结果正确性
         │
Step 5: 将正确轨迹转化为中训练语料

数据源 1：生物信息学工作流

任务来源：

Galaxy Project 的公开 workflow 教程（>200 个标准分析流程）
Bioconductor 的 vignette（每个 R 包的标准使用教程）
GEO/SRA 数据库中附带分析代码的数据集

执行方式：在 Docker 容器中搭建 BioMedAgent 式系统，输入：

一个生物学问题（如”分析这组 RNA-seq 数据中的差异表达基因”）
原始数据（从 GEO 下载）

记录完整执行轨迹：

[TASK] 分析 GSE12345 中对照组 vs. 处理组的差异表达基因
[PLAN] 步骤规划：
  1. 数据质控（FastQC）
  2. 比对（STAR）
  3. 定量（featureCounts）
  4. 差异分析（DESeq2）
  5. 功能注释（enrichGO）
[EXEC] FastQC(input=reads.fastq) → 报告显示 Q30>90%，无异常
[DECISION] 质量合格，无需 trimming，进入比对步骤
[EXEC] STAR(input=reads.fastq, genome=hg38) → BAM 文件
[EXEC] featureCounts(input=aligned.bam) → 计数矩阵
[EXEC] DESeq2(counts=matrix, design=~condition) 
[RESULT] 发现 234 个上调基因，156 个下调基因（padj<0.05）
[INTERPRET] 上调基因 enrichment 主要集中在炎症通路（NF-κB, TNF），
            与处理条件（LPS刺激）的已知生物学机制一致
[META-EVALUATE] 分析结果合理性评估：
  - 差异基因数量在预期范围内 ✅
  - 通路注释与生物学预期一致 ✅
  - 但样本量仅 n=3，统计效力有限 ⚠️

数据源 2：计算化学工作流

任务来源：ReactionSeek（Nature Communications 2026）提取的有机化学反应参数 + PubChem 数据

执行方式：在化学计算环境中执行分子模拟工作流（RDKit + Gaussian/ORCA）

数据源 3：天文学数据分析

任务来源：SDSS、Kepler 等公开天文数据集 + AstroPy 生态

中训练语料转化

将执行轨迹转化为叙事体：

## 科研分析过程：RNA-seq 差异表达分析

面对一组 LPS 刺激的 RNA-seq 数据（GEO: GSE12345），
分析目标是识别对照组与处理组之间的差异表达基因。

首先进行数据质控。使用 FastQC 对原始 reads 进行质量评估，
结果显示所有样本的 Q30 质量分数均大于 90%，GC 含量分布
正常，无明显的 adapter 污染。基于这些指标，判定数据质量
合格，无需额外的 trimming 处理。

这里的决策逻辑是：如果 Q30 < 80% 或检测到 adapter 序列，
应使用 Trim Galore 进行质量修剪。但过度修剪会损失有效
reads，因此只在必要时进行。

比对阶段选择 STAR 而非 HISAT2，原因是数据量较大（>50M 
reads/样本），STAR 在大数据量下的速度优势更明显...

关键的转化原则：每个工具选择和参数决策都附带”为什么”的解释，这是纯执行日志中没有的，需要 LLM 补充生成并由领域专家审核。

规模估算

科研领域	可用任务数	成功轨迹	Token 量
生物信息学（Galaxy+Bioconductor）	500	300-400	6000-8000 万
计算化学（ReactionSeek+RDKit）	200	120-160	2400-3200 万
天文学（AstroPy 生态）	100	60-80	1200-1600 万
地球科学（Climate 数据分析）	80	50-60	1000-1200 万
总计	880	530-700	1-1.4 亿 token

规模不算巨大，但每条数据的信息密度极高——一条完整的科研工作流轨迹包含的推理步骤数、工具调用数、决策点数远超普通 QA 数据。

落地路径

Week 1-2：搭建生物信息学执行环境（Docker + Galaxy 工具链）
Week 3-4：在 50 个 Galaxy 教程任务上生成执行轨迹
Week 5：构建叙事化转换器 + “为什么”解释生成
Week 6：领域专家审核 50 条，校准质量
Week 7-10：扩展到其他科研领域 + 规模化

与已有方案的关系

与站内 6 篇科研数据 proposal 的关系：

论文复现踩坑记录：聚焦”复现失败的诊断”，本方案聚焦”成功执行的全流程”
反向假设生成：从论文倒推研究问题（静态），本方案从执行过程提取决策链（动态）
科研能力数据体系总览：本方案补充了其中缺失的”工具编排与执行监控”维度
Terminal-Bench 数据合成：结构兼容（Docker 容器 + 终端执行），可以共享执行基础设施

relatedContent:

collection: research slug: “automated-scientific-research-training-data-proposal” relation: “相关”
collection: research slug: “lineage-aware-trajectory-data-engineering-for-autonomous-scientific-agents” relation: “相关”
collection: research slug: “skillgraph-driven-science-data-synthesis-proposal” relation: “相关”