让AI设计并执行生物实验，机器人生物学家开启实验室自动化新时代

编辑 | ScienceAI

在生物研究中，重复性实验如细胞培养、优化参数往往耗时耗力，且受人为误差影响。传统自动化方案（如液体处理机器人）虽能辅助，却缺乏灵活性 —— 面对复杂协议、动态实验条件时，常需人工干预，难以自主应对错误或优化设计。

如何让 AI 真正 “理解” 并执行生物实验，成为科研加速的关键瓶颈。

最近，来自中国科学技术大学苏州高等研究院的研究团队提出了 BioMARS 系统（Biological Multi-Agent Robotic System），首次将大语言模型（LLMs）与视觉语言模型（VLMs）深度集成到机器人系统中，实现了端到端的生物实验全自动化！

该系统在权威测试中不仅匹配甚至超越人工操作的细胞培养效果，还能自主优化实验参数，大幅提升效率和可重复性。

图 1：系统架构与机器人设置

突破在哪？

三大 Agent 分工协作，像人类研究员一样思考和行动！

BioMARS 创新性地采用分层多 Agent 架构，让 AI “分工合作” 完成实验：

图 2：Biologist Agent 架构与评估

1.Biologist Agent（生物学家 Agent）

通过检索增强生成（RAG）技术分析文献，自动合成可执行协议。例如，输入 “如何传代 HeLa 细胞”，它能生成详细步骤，并适配实验室约束（如培养皿库存、移液器容量），确保协议直接可执行。

图 3：Technician Agent 架构及协议转换与执行框架的性能

2.Technician Agent（技术员 Agent）

将自然语言协议转化为机器人伪代码，支持 11 种基础操作（如移液、离心）。通过 “CodeGenerator + CodeChecker” 双模块，自动修复逻辑错误（如遗漏隐式步骤），指令匹配准确率 96.4%，远超单模块基准（92.4%）！

图 4：Inspector Agent 概览及评估指标

3.Inspector Agent（监察员 Agent）

基于视觉 Transformer（ViT）和 VLM 实时监控实验过程，实现分层错误检测：先通过 ViT 进行初步的快速判断，再用 VLM 进行语义验证（如 “培养皿未盖紧”）。在 23 类常见错误场景中，检测精确率达 95.7%，双阶段联合检测较单阶段检测误报率降低 83%，确保实验稳健性。

实验结果：

细胞培养媲美人工，优化能力远超传统方法！

图 5：自动化 vs. 人工细胞传代结果比较

细胞传代任务：在 HeLa、Y79 等细胞系中，BioMARS 操作后细胞存活率超 92%，与人工操作无显著差异，且变异系数（CV）降低 12-18%，证明更高一致性。操作时间从 60 分钟缩短至 5-8 分钟，效率提升 90%！

图 6：iPSC-RPE 优化实验结果

自主优化能力：在诱导多能干细胞分化为视网膜色素上皮（iPSC-RPE）的优化任务中，BioMARS 调整 7 个参数（如 FGFRi 浓度、离心时间），仅用 20 轮迭代，色素评分达 0.5913，超越贝叶斯优化（0.3130）和 GPT-4o（0.4344），展现强大推理泛化性！

为什么是变革？

语言驱动 + 机器人集成，实验室自动化进入 “智能时代”！

BioMARS 不仅是工具，更是 “AI 研究员”：它通过自然语言交互（如网页输入 “如何传代细胞”）自主执行任务，支持实时人机协作。其模块化后端可扩展集成各类实验室硬件，降低 90% 人工操作负担，为药物发现、再生医学等提供可扩展解决方案。未来将持续优化异常处理能力，迈向完全自主实验室！

论文地址：https://arxiv.org/pdf/2507.01485

在线 Demo：https://github.com/AlexandreQ27/BioMARS