虚拟细胞建模旨在预测细胞对多种扰动的响应，但面临生物复杂性、多模态数据异质性及跨学科专业知识需求等挑战。本研究提出多智能体框架CELLFORGE，可自主设计并合成针对特定单细胞数据集和扰动任务的神经网络架构。给定原始多组学数据和任务描述，CELLFORGE通过专业智能体间的协作推理发现候选架构，随后生成可执行实现方案。核心贡献在于该框架本身：研究表明，相较于人工设计或单大语言模型提示，多智能体协作

思维导图（mindmap）主要性能结果。

尽管人工智能（AI）已实现生物信息学工作流的自动化，但生物解释仍较为零散，且往往与机制性洞察脱节。现有AI存在２极分化：❶是缺乏逻辑基础的统计「黑盒」 模型，❷是局限于浅层知识检索的简单代理。为填补这一鸿沟，提出１款整合多组学数据与自适应知识进行生物解释的基础代理BiOmics。BiOmics创新采用双轨架构，包括用于知识接地逻辑推理的协调显式推理空间，以及用于高维关联映射的统一潜在嵌入空间。该架

思维导图（mindmap）测序技术：多重化与超高通量升级成像技术：新型探针与应用拓展。

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