HypoEvolve：遗传算法使多智能体大语言模型能够发现科学假说
TLDR
提出HypoEvolve，用遗传算法协调多智能体LLM发现并优化科学假说，基于外部证据在药物重定位中评估。
评分理由
The paper presents a clear framework for studying how agent collaboration affects hypothesis quality, with a strong design for separating agent capabilities from collaboration effects. Its main limitation is the narrow application to drug repurposing, and the abstract does not report detailed experimental results or baselines.
Read-first 评分解释
综合优先阅读分 52.1，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 54。
研究版图角色
前沿论文方法锚点
排序敏感性
稳定性：volatile；排名波动范围：43。
关键词评分
深度分析
创新点
- HypoEvolve通过对假说群体的逐代更新使智能体协作明确化。
- 代际遗传算法协调专门的大语言模型智能体，整合机制论证、重新审视假设并评估证据与可检验性。
- 该框架通过规定每一代科学判断和新提案如何重塑群体，直接检验协作对假说质量的影响。
- 评估采用具有科学意义的药物重定位假说，并将其与靶点层面的生物学主张相关联。
- 将DepMap和Open Targets调整为互补的外部衡量指标，基于实验、遗传和临床证据。
方法
HypoEvolve使用代际遗传算法协调专门的大语言模型智能体，整合机制论证、重新审视假设并评估证据与可检验性，每一代更新一个假说群体。研究在34种癌症类型上使用调整后的DepMap和Open Targets指标评估药物重定位假说，并与六条基线进行比较。
关键结果
在34种癌症类型中，HypoEvolve在两种外部衡量指标上均取得六条基线中的最高分，其中DepMap选择性达到0.171，而最强基线为0.115。相对于单次生成的提升也能推广到留出的癌症类型。