AI 全流程接管实验室?哈佛医学院领衔发布 ToolUniverse!AI 科学家真的来了!

多客科技

作者：微信文章
ToolUniverse

AI 科学家真的来了？

BioTender | AI 科学家

科学史的每一次飞跃，往往伴随着工具的革新。随着近期大模型和智能体的飞速发展，这条路径正在通向一种全新的阶段：“AI 科学家”。 在AI赋能科研的前沿，我们正见证一个重要的里程碑：从证明AI智能体“能否”解决特定科学问题，转向思考如何让它“高效、可靠、规模化”地参与整个研究过程。





Nature 近期发布的新闻解析《How AI agents will change research: a scientist’s guide》中， 报道了由哈佛大学Marinka Zitnik和高尚华团队与MIT发布的首款大规模工具开源框架 - ToolUniverse， 这一开放的在线环境让研究人员能够用自然语言将 各类大模型和智能体 连接到不同科学领域常用的工具，为打造 AI 科学家奠定了基础。


点击查看原文ToolUniverse.pdf



ToolUniverse 网站 https://aiscientist.tools/

（视频资料）

当 AI 生成模型不再足够：

AI 科学家为何而来？





传统 LLM（大语言模型）的核心能力是 “文本生成”，但科学研究需要的远不止于此：它需要分解复杂问题（如 “如何优化降胆固醇药物”）、规划实验步骤、调用专业工具（如分子模拟软件）、验证数据合理性，甚至在结果偏离预期时自我修正。这种 “推理 + 行动” 的闭环，正是 AI 从 “模型” 升级为 “科学家” 的关键。

AI 智能体的突破在于将 LLM 与三大机制深度耦合：

1.规划能力：将 “发现新药物” 拆解为 “靶点识别→化合物筛选→性质优化→专利验证” 等可执行步骤；

2.记忆系统：追踪中间结果（如 “某化合物对肝组织的渗透率”），避免重复计算或逻辑断裂；

3.工具调用：连接外部数据库、模拟器、分析软件，弥补 LLM 自身在专业计算（如分子结合能预测）上的短板。

但科学研究的特殊性给 AI智能体 其提出了更高要求：不同学科（生物、化学、物理）的工具格式不统一、数据需可复现、实验流程需严谨验证。若仅依赖通用的工具调用协议（如 MCP，模型上下文协议），无法解决 “如何让 AI 理解质谱数据格式”“如何协调分子模拟与临床数据库的输出” 等专业问题。而这，正是ToolUniverse 解决的核心问题之一。

ToolUniverse：

科学 AI Agent 的生态基石





ToolUniverse 并非单一工具，而是一套 “连接 LLM 与科学工具” 的标准化生态（图 1）。它的核心目标是：让任何 LLM 都能通过统一接口，调用 600 + 科学工具，完成从 “提出假设” 到 “验证结论” 的全流程研究。



图1：ToolUniverse 是一个用于打造 AI 科学家的生态系统。通用型大语言模型（LLM）、推理模型与智能体可连接 ToolUniverse 提供的 600 余种科学工具，实现科研工作流自动化。

统一科学工具的“HTTP”：

解决三大痛点





就像 HTTP 协议统一了互联网通信，ToolUniverse 为 AI 科学家定义了专属的 “科学工具交互标准”（图 2），既能够无缝集成本地部署的开源工具，也能安全、规范地连接强大的闭源模型与API服务，解决了 MCP 协议在科研场景中的三大痛点：



图2: ToolUniverse 通过统一协议连接机器学习模型、智能体、科学软件工具、数据库与 API。它引入了标准化的工具规范框架，使语言模型能够一致地发现、调用并解析各类工具。类似于 HTTP 在互联网通信中确立标准的方式，ToolUniverse 协议通过两项核心操作：Find Tool（查找工具） 与 Call Tool（调用工具）， 定义了 AI 科学家如何请求工具并接收结果。

1.工具发现难：通过“Tool Finder” 组件，AI 可结合关键词搜索、向量嵌入检索、LLM 推理，从 600 + 工具中精准匹配需求（如 “需要预测化合物肝毒性” 时，自动定位 ADMET-AI 工具）；



2.调用不规范：“Tool Caller” 组件会先验证输入（如分子结构格式是否符合 SMILES 标准），再执行工具，最后将输出转化为结构化数据（如 “结合能 - 8.2 kcal/mol” 而非杂乱文本）；





3.推理难闭环：新增“推理控制层”，让 AI 能理解工具输出的科学意义（如 “该化合物脑渗透率高→可能引发中枢副作用”），而非仅机械调用。

这种标准化设计，让 AI 从 “会用工具” 升级为 “会用科学工具解决问题”。

四大核心组件：

支撑 AI 科学家的完整生命周期





ToolUniverse 通过四大组件（图 3），覆盖了 AI 科学家从 “工具获取” 到 “ workflow 优化” 的全流程需求，真正实现 “可编程的科学协作”：

（1）Tool Manager：工具的 “注册与管理中心”

它解决了 “如何将新工具接入生态” 的问题：

1.本地工具（如实验室自研的数据分析脚本）只需提交 “功能描述 + 参数格式 + 输出示例”，即可被自动纳入统一 schema；



2.远程工具（如云端分子模拟平台）通过 MCP 协议接入，无需暴露内部代码，兼顾安全性与兼容性；



3.自动验证工具有效性（如 “输入错误分子结构时是否返回提示”），确保 AI 调用时的可靠性。（同上Tool Caller）

（2）Tool Composer：科学 workflow 的 “搭建者”

科学研究很少依赖单一工具，比如 “药物筛选” 需要串联 “靶点数据库→化合物库→分子对接工具→毒性预测工具”。Tool Composer 的作用就是：

1.定义工具间的数据流（如 “分子对接工具的输出结构，直接作为毒性预测工具的输入”）；

2.支持条件逻辑（如 “若毒性预测超标，则返回上一步重新筛选化合物”）；

3.生成可复现的 workflow 脚本，方便人类科学家追溯或修改。

4.通过智能体系统，实现工具间调用关系的自动构建与优化。




This example demonstrates a composable tool, built with the Tool Composer

（3）Tool Discover：工具的 “自动生成器”



当现有工具无法满足需求（如 “需要一种新的基因表达数据可视化工具”），AI 可通过自然语言描述需求，Tool Discover 会：

1.将文本描述转化为结构化工具规格（如 “输入：CSV 格式表达矩阵；输出：热图 + 火山图”）；

2.自动生成代码、测试用例，通过 “预期行为 vs 实际输出” 的反馈循环迭代优化；

3.无需人工编码，让工具库随科研需求动态扩展。

（4）Tool Optimizer：工具的 “质量守护者”



科学研究强调可复现性，Tool Optimizer 通过三大动作保障工具稳定性：

1.定期生成测试用例（如 “用已知活性的化合物验证分子对接工具的准确性”）；

2.分析工具输出与规格的偏差（如 “某工具预测的结合能与实验值误差突然增大”）；

3.自动更新工具文档或参数设置，确保 AI 调用时的一致性。


图3: ToolUniverse 提供了六项关键能力，支持 AI 科学家完整的生命周期：查找工具、调用工具、添加新工具、将工具串联为工作流、从自然语言生成新工具，以及优化工具规范以提升可用性。

跨模型兼容：

让每类 LLM 都能成为科学助手





不同科研场景对 LLM 的需求差异极大：实验室本地分析可能需要轻量开源模型（如 Llama 3），而复杂 hypothesis 推理可能依赖云端大模型（如 Claude 3），生物医药研究还需专业模型（如 TxAgent）。

ToolUniverse 的兼容性设计打破了 “模型绑定” 局限（图 4）：它将工具调用转化为 “标准化函数调用”，无需修改 LLM 的权重或 Tokenizer—— 只需通过轻量级包装器，向模型传递 “工具列表 + 参数格式”，模型输出即可被解析为工具调用指令。



这种设计的价值在于：

科研团队可根据成本、隐私需求选择模型，无需担心 “换模型就要重写工具调用逻辑”；

能在相同实验条件下对比不同模型的性能（如 “用 Gemini-CLI vs Claude 3 做药物筛选，哪个准确率更高”）；

支持专业模型与通用工具的结合（如 “让 TxAgent 调用 ChEMBL 数据库，分析药物 - 靶点相互作用”）。


图4: ToolUniverse 为构建不同类型的 AI 科学家提供了简洁而高效的协议：既可用于基于通用大语言模型（如左图的 Claude），也可用于具备更强推理与控制能力的智能体系统（如右图的 Gemini-CLI），以及专注于生物医学研究的 AI 智能体（如 TxAgent）。
案例实证：

AI 科学家如何优化降胆固醇药物





理论架构需要实践验证。我们以 “寻找更安全的降胆固醇药物” 为例，看看 ToolUniverse 构建的 AI 科学家（基于 Gemini-CLI agent）如何完成全流程研究（图 5）。

步骤 1：靶点识别 —— 锁定 “关键蛋白”



AI 首先调用 “文献挖掘工具” 和 “药物 - 靶点数据库”，通过分析 thousands of 研究论文与临床数据，得出结论：HMG-CoA 还原酶是胆固醇合成的关键酶，且该酶在肝脏外的过度抑制会引发肌肉疼痛等副作用。这一步完全复刻了人类科学家的 “靶点发现” 逻辑，但效率提升 10 倍以上。



步骤 2：起始化合物筛选 —— 从现有药物入手



AI 通过 ToolUniverse 查询 “已上市降胆固醇药物库”，筛选出以 HMG-CoA 还原酶为靶点的药物，最终选择 “洛伐他汀（lovastatin）” 作为起始化合物 —— 理由是 “临床验证充分，但肝外组织渗透率高，存在副作用风险”。

步骤 3：化合物优化 —— 提升安全性与有效性



AI 调用三大工具协作：

ChEMBL 数据库：获取洛伐他汀的 100 + 结构类似物；

Boltz-2 工具：预测每个类似物与 HMG-CoA 还原酶的结合能（数值越低，结合越强）；

ADMET-AI 工具：预测类似物的肝渗透率、脑渗透率、代谢稳定性。

通过综合排序，AI 筛选出两个候选：



普伐他汀（pravastatin）：已知药物，肝外渗透率低，副作用更少（验证了 AI 的可靠性）；

CHEMBL2347006/CHEMBL3970138：新化合物，结合能比洛伐他汀高 30%，脑渗透率降低 50%，生物利用度提升 25%。



步骤 4：专利与验证 —— 规避法律风险



最后，AI 调用 “专利检索工具”，发现新化合物已被注册用于心血管疾病治疗，虽无法直接开发，但为后续结构修饰提供了方向。

整个过程中，AI 不仅完成了 “调用工具” 的动作，更体现了科学推理能力：它能解释 “为何选择该靶点”“为何淘汰某化合物”，甚至能根据副作用风险调整优化方向 —— 这正是 “AI 科学家” 与普通工具调用的本质区别。


图5：展示了一个基于 ToolUniverse 构建并应用于药物发现的 AI 科学家实例。该系统与 Gemini-CLI 智能体相连，能够识别生物学靶点、筛选并优化候选药物、评估分子性质，并利用计算工具验证结果。整个工作流程展示了 AI 科学家如何在药物研发的各个阶段进行推理、整合多源证据，并在必要时融入人类反馈。

从用到建：

当“使用者”成为“共创者”





一个健康的生态系统，其生命力不仅来源于使用，更来源于创造与贡献。

ToolUniverse内置了Tool Discover和Tool Optimizer等核心组件。前者允许用户通过自然语言描述，自动化生成新工具的规范与代码框架；后者能通过多轮测试与反馈，持续优化现有工具的说明与易用性。这一机制巧妙地将用户从纯粹的“消费者”转变为潜在的“共建者”，激励社区智慧反哺生态，形成一个自我完善、持续生长的良性循环。


ToolUniverse的终极愿景，是赋能各个科学领域的专家，而不仅仅是AI专家。当生物学家、化学家、药物研发人员能够基于一个稳定、丰富的工具生态，轻松定制符合其独特研究需求的“AI科研伙伴”时，或许将迎来一个真正AI辅助科研的全新时代。AI 科学家不仅能调用数据库、模拟器，还能通过标准化协议控制实验室自动化设备（如液体处理机器人、质谱仪），实现 “提出假设→设计实验→自动执行→分析结果” 的全流程闭环。

开源链接





项目主页：

https://aiscientist.tools

代码开源：

https://github.com/mims-harvard/ToolUniverse

结语





当 AI 能真正理解科学问题、自主协调工具、与人类共同推进认知边界时，我们或许正站在 “科学发现新范式” 的起点。

作者信息





高尚华（一作）：

https://scholar.google.com/citations?user=zW32dXsAAAAJ&hl=en

隋芃玮（共二）：

https://psui3905.github.io

孔正伦（共二）：

https://zlkong.github.io/homepage

致谢





该推文主体部分由论文作者隋芃玮提供，在此表示感谢！！！

如果你想跟进这类“AI × 生物科研”的最新进展，欢迎关注我们

如果你也在研究 AI4Bio、AI4Chem、AI4Protein、AI4Med、蛋白互作预测、抗体设计，欢迎扫码添加小编，加入交流群👇一起追踪最新进展！