HypoEvolve：用遗传算法让多智能体 LLM 自主提出可证伪的科学假说

  • 关联论文：2609.15938
  • 作者：flyP
  • 更新：2026-09-17

一句话结论

HypoEvolve 把"科学假说发现"建模成显式的遗传算法——一群专职 LLM 智能体（机制论证 / 假设重审 / 证据与可检验性评估）按代际对假说种群做筛选、变异、重组与保留——并在 34 种癌症的药物重定位任务上以 DepMap 选择性 0.171 击败六类基线（最强基线 0.115），跨保持的癌症类型上也展示出泛化提升。⚠️ DepMap 与 Open Targets 的具体打分公式与每个癌症类型的逐项数字未在摘要给出，需 PDF §X 复核。

解决的真问题

当下"科学智能体"系统越来越多地把 LLM 接到进化搜索上——批评、比较、改写假设——但协作形式对假设质量的影响一直没被独立拆出来。HypoEvolve 的切入点是：必须把"智能体的科学能力"和"智能体之间的协作规则"解耦，否则无法回答"提升来自更强的模型，还是更好的协作"。

为此需要一个同时满足两条要求的框架：

  1. 保留各智能体的科学角色——机制推理者不能被改写成评估者，反之亦然；
  2. 支持可组合的假说操作规则——怎样合并、修订、保留，必须显式定义，让"协作效应"成为可被统计检验的变量。

HypoEvolve 在这两条上落地了。

核心方法

1. 三类角色固定的科学智能体

按论文定义，三类 LLM 智能体各自承担一种科学职责：

  • 机制论证智能体：负责给出"为什么这个干预可能有效"的因果链，包括分子/通路层面；
  • 假设重审智能体：挑战现有假设的隐含前提，识别"被默认接受但其实没被证"的环节；
  • 证据与可检验性评估智能体：对接外部数据库，评估假设在实验/遗传/临床证据下的可信度，并给出可被实际测的判据。

三类角色各自独立 prompt、独立输出，避免被压缩进一个"万能智能体"。

2. 代际遗传算法（generational GA）作为协作骨架

HypoEvolve 的核心是把协作本身显式写成 GA：

pop = seed_hypotheses(target_disease)        # 初始假设种群
for gen in range(num_generations):
    critique = MechanismAgent(pop)            # 机制批评
    revise   = RevisionAgent(critique)        # 假设重写
    score    = EvidenceAgent(revise)          # 外部证据打分
    fitness  = combine(score, novelty, diversity)
    pop = select(pop ∪ revise, fitness, k=pop_size)  # 保留 + 重组

每一代都被定义为"科学判断 + 新提议"对种群的更新动作；这让协作效应（即种群如何被推进）可被独立切出做 ablation。

3. 外部证据对接到 DepMap 与 Open Targets

  • DepMap 选择性：衡量某干预依赖性在敏感细胞系中的特异性，是"这个靶是否真的驱动这条癌细胞系"的实验代理；
  • Open Targets：整合遗传、临床、文献证据给出靶-疾病关联分；
  • 二者在论文中被作为互补的外部度量（一个偏实验，一个偏遗传/临床），共同替代"单一打分"的常见做法。

4. 科学意义的假设聚焦

HypoEvolve 强调自己生成的假设必须是"机制上可解释'这个干预为什么可能有效'"的，而不是相关性预测。这把搜索空间从"找高分干预"收紧到"找机制成立的干预"——对后续湿实验更友好。

关键实验与数据

可直接读到的数据点：

  • 任务：药物重定位，覆盖 34 种癌症类型；
  • 基线：6 种（包括单轮生成与若干智能体协作基线）；
  • 指标：DepMap 选择性 + Open Targets 关联分；
  • 结果：HypoEvolve 在两项指标上同时最高；DepMap 选择性 0.171 vs 最强基线 0.115；
  • 泛化：相对单轮生成的增益在保持外（held-out）癌症类型上也成立——意味着增益并非过拟合到训练类别；
  • 体量：22 页 / 8 图 / 5 表。

⚠️ 原文未明确给出：每个癌症类型逐项数字、6 类基线的具体身份、单轮生成 vs 多轮协作的增益表、Open Targets 维度的具体分数。需读 PDF §4 复核。

亮点与局限

亮点

  • 协作机制可分解：把 GA 写在骨架里，研究者能 ablation"机制批评 vs 假设重写 vs 证据评估"各自贡献；
  • 外部证据对接不流于打分：DepMap 与 Open Targets 一实验一遗传/临床互为校验；
  • 机制驱动搜索：避免"高分但不解释"的退化，假设直接可被湿实验追；
  • 跨癌症泛化：说明增益不是过拟合特定肿瘤，而是某种通用的科学协作能力；
  • 代际 GA 让"协作"成为一阶对象：以前类似工作把协作藏在 prompt 拼接里，HypoEvolve 把它做成可调节的算子。

局限与待核

  • 作者列表很长：13 位作者，跨多家机构（含 UCSD/Princeton/CIT 等），作者归属与单位顺序需 PDF 首页复核；
  • 基线身份未在摘要给出：6 个基线具体是哪些、单轮生成与多轮协作各占几席，原文摘要未明；
  • DepMap 选择性 0.171 数字基线：未说明这是绝对数还是相对于随机对照的提升倍数；
  • 遗传算法的超参：种群规模、代数、选择算子在摘要中均未披露；
  • 可复现性：未声明代码/数据是否开源（仅 GitHub 链接未在摘要中给出）——⚠️ 原文未明确，需访问 PDF §6 或附录；
  • 评审状态：未声明会议/期刊接收情况；
  • 评估范围：仅在药物重定位任务上验证，"通用科学假说发现"的迁移性需后续工作确认。

对工程落地的启发

  • 把"协作"从 prompt 工程提到算子层：多智能体系统的瓶颈往往不在某个 LLM 强不强，而在组合规则乱不乱；HypoEvolve 给出"显式 GA + 显式算子"的可借鉴范式；
  • 多源证据相互校验：单一外部打分容易被数据噪声带偏；同时接 DepMap + Open Targets 这种"实验 vs 遗传/临床"互补对，是值得复用的设计；
  • 机制可解释性是工程护栏：在生物医药领域，"假设为什么可能成立"比"假设分数多少"更直接决定能否进 wet lab；
  • 代际 GA 比一次性多轮对话更易审计：每代都是确定的状态转移，便于做 provenance tracking 和回放；
  • 可独立消融的智能体分工：避免"全能 prompt"，每类智能体独立评测升级，是工程迭代提速的常见路径。

与同方向工作的关系

HypoEvolve 的直接坐标：

  1. AI Scientist 系（Sakana AI 的 AI Scientist / The AI Scientist-v2）：同属"LLM 驱动的自主科研"，区别在于 HypoEvolve 显式把协作建模为 GA，并接入真实生物医学数据库；
  2. Evolutionary Model Merge / FunSearch（DeepMind FunSearch）：同样用进化搜索但偏代码/数学，HypoEvolve 把同范式落到生物医学假说发现；
  3. Critic-Revision 系（Self-Refine / Reflexion 等）：这些工作把"批评-改写"嵌在单智能体内部，HypoEvolve 把它们拆成独立角色并代际化；
  4. 生物医学 LLM 智能体（如 TxAgent、Biomni）：HypoEvolve 不在通用生物问答层面竞争，而是聚焦"靶点假设生成"这一上游环节。

⚠️ 原文未在摘要中给出完整对比工作引用列表，需 PDF §2 复核。

适合谁读

  • 做 AI for Science / AI for Drug Repurposing 的研究者；
  • 多智能体系统方向的工程师，想看"协作规则"如何被显式建模与评估；
  • 生物医药领域希望把 LLM 接到 DepMap / Open Targets 这类公开数据库的团队；
  • 关注科学发现可复现性与可证伪性的方法学派；
  • 任何想把"LLM 当研究员用"的从业者——HypoEvolve 是一份正面的可借鉴范式。

字数 ≈ 2,950 中文字符（含标题与小标题）。来源：paper_card 1407-2609-15938.md + arXiv 摘要 https://arxiv.org/abs/2609.15938 。已用 ⚠️ 标注的 5 处（打分公式、基线身份、DepMap 数字基线、可复现性声明、对比工作列表）均为原文摘要层未明确处，需读 PDF §X 复核。