NVAITC AI科学家：一个受管控的端到端研究系统——高血压GWAS案例研究
TLDR
一个受管控的端到端智能体研究系统，在包含286,422名个体的真实高血压GWAS中验证。
评分理由
The paper presents a novel system (NAIS) that integrates planning, orchestration, and human oversight for reproducible research, with strong real-world validation. However, the abstract lacks details on generalizability beyond GWAS and does not address literature review or survey generation.
Read-first 评分解释
综合优先阅读分 66.5，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 84。
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：48。
关键词评分
深度分析
创新点
- 一个受管控的端到端智能体研究系统（NAIS），集成了提案评审、执行规划、受管控的计算路由、可重复的工作流编排、证据生成和科学家在环监督，同时将数据保留在机构隐私边界内。
- 通过真实世界GWAS中的人机评审实现迭代表型细化，能够纠正表型差异并改进高血压定义。
- 通过重现已知的高血压相关位点并支持二次药物性肝损伤预测任务来验证系统，显示输出与专家主导工作流相当。
方法
NAIS是一个通用领域智能体系统，通过受管控的研究规划、数据访问和可重复性机制来编排科学工作流。该系统在高血压GWAS中进行了验证，使用了来自286,422名个体的基因型和电子健康记录数据，遵循仅聚合数据政策。智能体规划了队列提取、执行了GWAS、生成了质量控制摘要，并起草了面向发表的输出。二次药物性肝损伤预测任务使用了多模态图神经网络。
关键结果
智能体编排的GWAS重现了已知的高血压相关位点（FGF5、ATP2B1、CNNM2、FTO、GRB14），其中FGF5的信号最强，达到−log₁₀(p) ~ 70；药物性肝损伤预测模型实现了AUC为0.842。