人工智能（AI）与药物发现流程的融合，正通过提升效率、预测准确性和创新能力，重新定义制药研究。传统药物研发受高成本、长周期和低成功率的限制，而深度学习、预测建模和可解释人工智能（XAI）正推动其转型。这些工具能够高通量解读涵盖基因组学、蛋白质组学和代谢组学的多组学数据集，从而加速靶点识别、先导化合物优化和药物重定位。包括变分自编码器（VAEs）、生成对抗网络（GANs）和基于 Transforme

由大语言模型驱动的人工智能智能体的出现，标志着计算生物学领域的变革性转变。在这一新范式下，自主、自适应且智能的智能体被用于应对复杂的生物学挑战，催生了１门名为「智能体生物信息学」的新研究领域。本文探讨了智能体生物信息学的核心原则、不断发展的方法学以及多样化的应用场景。分析了智能体生物信息学系统如何协同工作，以促进数据驱动的决策制定，并实现生物数据集的自主探索。此外，重点阐述了智能体框架在个性化医疗

人工智能（AI）正通过提供适配生物系统复杂性的可扩展计算框架，重塑生物医学研究。这场革命的核心是生物/化学语言模型（LMs），包括大型语言模型（LLMs），将分子结构重新定义为１种 “语言”，适配先进计算技术。本综述批判性地探讨了这些模型在生物与化学领域的作用，追溯其从分子表征到分子生成与优化的发展历程。综述涵盖生物大分子与小分子有机化合物的关键分子表征策略——从蛋白质和核苷酸序列到单细胞数据、基

推出MetaboAnalyst 6.0处理、分析和解释液相色谱-质谱联用（LC-MS）的靶向和非靶向代谢组学数据。2个主要目标支持：① 处理和注释串联质谱（MS2）数据，② 外暴露组学相关实验数据分析。

机器学习(ML)方法为深入了解复杂生物系统的精妙运作提供了机会，在组学数据分析中的应用日益突出，有助于完成诸如新型生物标志物的识别和表型的预测建模等任务。对于科学家和领域专家而言，利用用户友好的ML流程极具价值，能在无需深入编程或算法优化专业知识的情况下运行复杂、稳健且可解释的模型。简化模型开发和训练的过程，研究人员可将时间和精力集中在生物解释和验证的关键任务上，从而最大化ML驱动洞察的科学影响力