Agentic AI and the rise of in silico team science in biomedical research

مقاله درباره هوش مصنوعی ایجنت‌محور (Agentic AI) در پژوهش زیست‌پزشکی است و توضیح می‌دهد چگونه سامانه‌هایی متشکل از ایجنت‌های هوشمند می‌توانند بخشی از کارهای پرزحمت پژوهش علمی را انجام دهند. نویسندگان این سامانه‌ها را نه صرفا مدل‌هایی برای تولید متن، بلکه چارچوب‌هایی می‌دانند که می‌توانند هدفی کلی را دنبال کنند، داده و متن علمی را پردازش کنند، از ابزارها استفاده کنند، با انسان یا ایجنت‌های دیگر تایجنت داشته باشند و در برخی موارد تصمیم‌های مرحله‌ای بگیرند. مسئله اصلی مقاله این است که پژوهش زیست‌پزشکی معمولا به تیم‌های چندتخصصی، مرور گسترده ادبیات، طراحی آزمایش، تحلیل داده‌های پیچیده و تفسیر نتایج نیاز دارد. این فرایندها زمان‌بر، پرهزینه و وابسته به دسترسی به متخصصان مختلف هستند. مقاله استدلال می‌کند که سامانه‌های ایجنتیک می‌توانند مانند یک تیم پژوهشی درون رایانه‌ای عمل کنند و با تقسیم نقش‌ها، مانند ایجنت مرورگر ادبیات، ایجنت برنامه‌نویس، ایجنت تحلیلگر داده و ایجنت منتقد، بخشی از این فشار را کاهش دهند. رویکرد مقاله مروری و مفهومی است. نویسندگان ابتدا الگوریتم‌های کلیدی سازنده این حوزه را معرفی می‌کنند، سپس ویژگی‌های بنیادین ایجنت‌ها را توضیح می‌دهند، کاربردهای فعلی آن‌ها در زیست‌پزشکی را مرور می‌کنند و در ادامه چالش‌ها، فرصت‌ها و چشم‌اندازهای آینده را بررسی می‌کنند. بنابراین مقاله بیشتر به ترسیم نقشه راه، مفاهیم، طراحی سامانه و ملاحظات مسئولانه می‌پردازد تا ارائه یک آزمایش تجربی واحد. این مقاله برای دانشجویان و پژوهشگرانی مفید است که می‌خواهند بفهمند Agentic AI چگونه می‌تواند در پژوهش زیست‌پزشکی به کار رود، چه تفاوتی با ابزارهای معمول هوش مصنوعی دارد و چرا استفاده از آن در حوزه‌های حساس پزشکی و زیستی نیازمند ارزیابی، نظارت انسانی، امنیت داده و توجه اخلاقی است.

مقاله با این ایده آغاز می‌شود که پیشرفت‌های اخیر در مدل‌های زبانی بزرگ (Large Language Models, LLMs) و یادگیری تقویتی (Reinforcement Learning, RL)، نگاه به هوش مصنوعی را از ابزارهای منفعل تولید متن به سامانه‌های تصمیم‌گیر و عمل‌کننده تغییر داده است. نویسندگان «ایجنت» را سامانه‌ای شامل یک یا چند مدل محاسباتی تعریف می‌کنند که برای رسیدن به هدف تعیین‌شده توسط انسان، داده را پردازش می‌کند، راه‌حل تولید می‌کند، تصمیم می‌گیرد و اقدام انجام می‌دهد. تفاوت مهم ایجنت‌ها با مدل‌های سنتی در انعطاف آن‌هاست. مدل‌های سنتی اغلب از میان مجموعه‌ای محدود و از پیش تعریف‌شده از اقدامات انتخاب می‌کنند، اما ایجنت‌ها می‌توانند فرایند تصمیم‌گیری پویاتری بسازند و فراتر از دستورالعمل‌های ثابت عمل کنند. هوش مصنوعی ایجنت‌محور نیز چارچوبی است که در آن یک یا چند ایجنت مستقل برای رسیدن به یک هدف سطح بالا همکاری می‌کنند.   تعریف مهم:

• AI Agent یک عامل یا موجودیت مشخص است که وظیفه‌ای را به‌صورت نیمه‌مستقل یا مستقل انجام می‌دهد؛ مثلا یک سیستم که ایمیل‌ها را دسته‌بندی می‌کند، اطلاعات جستجو می‌کند یا برای کاربر رزرو انجام می‌دهد.
• Agentic AI یک رویکرد یا معماری کلی برای ساخت سیستم‌های هوش مصنوعی است که بتوانند با کمترین دخالت انسان هدف‌گذاری، تصمیم‌گیری، برنامه‌ریزی و اجرای چندمرحله‌ای انجام دهند. در این معماری، AI Agentها نقش اجزای اجرایی سیستم را دارند.

بنابراین:

• AI Agent = عامل اجرایی
• Agentic AI = مفهوم یا سیستم کلی مبتنی بر رفتار عامل‌محور و خودمختار

  نویسندگان این چارچوب را برای پژوهش زیست‌پزشکی مهم می‌دانند، زیرا پژوهش در این حوزه معمولا شامل کارهای تکراری و تخصصی مانند مرور منابع، تولید فرضیه، طراحی آزمایش، تحلیل داده و اعتبارسنجی است. شکل 1 مقاله نیز مقایسه‌ای میان تیم پژوهشی انسانی و تیم ایجنت‌محور ارائه می‌کند و نشان می‌دهد هر ایجنت می‌تواند نقشی شبیه یک عضو متخصص تیم داشته باشد.  

نویسندگان سه خانواده الگوریتمی را به عنوان موتور محرکه سیستم‌های Agentic AI معرفی می‌کنند. نخست، یادگیری عمیق و مدل‌های زبانی بزرگ (LLM) که موتور استدلال کلامی اصلی این سیستم‌ها هستند. LLMها مدل‌های یادگیری عمیقی هستند که بر روی پیکره‌های عظیم متنی آموزش دیده‌اند و وظیفه پیش‌بینی توکن بعدی یا توکن‌های پنهان را بر عهده دارند. نویسندگان دسته‌بندی LLMها را بر اساس میزان دسترسی به وزن‌ها و داده‌های آموزشی (منبع بسته، وزن‌باز، و کاملا منبع‌باز) توضیح می‌دهند و به پدیده توهم (Hallucination) در این مدل‌ها اشاره می‌کنند که گرچه با روش‌هایی کاهش می‌یابد، اما به دلیل ماهیت احتمالاتی LLMها، قابل حذف کامل نیست. دومین الگوریتم، یادگیری تقویتی (RL) است که از طریق تعامل عامل با محیط و دریافت پاداش، رفتار بهینه را یاد می‌گیرد. RL امکان هم‌راستاسازی پاسخ‌ها با ترجیحات انسانی (RLHF) یا استراتژی‌های استدلالی را فراهم می‌کند. نویسندگان دو زیرشاخه مهم را متمایز می‌کنند: RL با پاداش‌های قابل تایید (RLVR) که برای فرایندهای دارای درستی قابل آزمون عینی به کار می‌رود، و RL مبتنی بر ترجیح (شامل RLHF و RLAIF) که برای مواردی کاربرد دارد که ارزیابی فقط از طریق ترجیح ممکن است. چالش‌های RL شامل Reward Hacking (سوءاستفاده عامل از ابهام تابع پاداش)، کمبود داده‌های برچسب‌خورده توسط متخصص، و دشواری ارزیابی در کاربردهای زیست‌پزشکی به دلیل ملاحظات ایمنی و هزینه است. سومین الگوریتم، الگوریتم‌های تکاملی (Evolutionary Algorithms) است که با الهام از اصول تکامل زیستی، جمعیتی از راه‌حل‌های نامزد را به صورت تکراری اصلاح می‌کنند. کاربرد این الگوریتم‌ها در Agentic AI نسبتا جدید است و به ویژه در بهبود عامل‌های کدنویس نتایج امیدوارکننده‌ای داشته است. مزیت کلیدی آن‌ها کشف راه‌حل‌هایی است که با شهود انسانی متفاوت است و می‌تواند به کشف رفتارها و معماری‌های جدید برای عامل‌ها منجر شود.

نویسندگان هفت ویژگی را برای ساخت سیستم‌های Agentic AI مناسب پژوهش زیست‌پزشکی ضروری می‌دانند:

• استدلال (Reasoning): فرایند استنتاج نتایج از دانش درونی و اطلاعات زمینه‌ای با تقلید از راهبردهای شناختی انسان. تکنیک‌های Inference-time مانند In-Context Learning، مهندسی پرامپت، Chain-of-Thought، Tree-of-Thoughts و Graph-of-Thoughts برای بهبود استدلال بدون نیاز به آموزش اضافی به کار می‌روند. با این حال نویسندگان هشدار می‌دهند که این تکنیک‌ها استدلال مقاوم را تضمین نمی‌کنند و ممکن است در مسائل با پیچیدگی بالا دچار افت عملکرد شوند. نکته مهم اینکه سیستم‌های Agentic AI هنوز در استدلال domain-specific از انسان پیشی نگرفته‌اند؛ برای مثال بهترین مدل در PubMedQA دقت ۶۸ درصد دارد در برابر ۷۸ درصد برای پاسخ‌دهندگان انسانی.
• راستی‌آزمایی (Verifying): برخلاف استدلال، راستی‌آزمایی مولد نیست، بلکه با هدف کاهش توهم از طریق پاداش‌دهی به گام‌های میانی و خروجی‌های صحیح انجام می‌شود. این فرایند نیازمند حجم زیادی از برچسب‌گذاری انسانی با کیفیت است. روش‌هایی مانند Math-Shepherd نشان داده‌اند که راستی‌آزمایی خودکار گام‌های میانی بدون نظارت انسانی ممکن است، و نویسندگان استدلال می‌کنند که موفقیت در اثبات ریاضی می‌تواند معیاری برای سنجش توانایی استدلال نظام‌مند ایجنت‌ها در پژوهش زیست‌پزشکی باشد.
• بازتاب (Reflection): فرایند خودبهبودی تکراری از طریق نقد و تحلیل اشتباهات. سه رویکرد اصلی معرفی می‌شود: Reflexion که هر گام را نقد و به خاطر می‌سپارد، CRITIC که از ابزارهای خارجی برای نقد استفاده می‌کند، و Self-Refine که از LLMهای دیگر برای بازخورد و بهبود بهره می‌گیرد.
• برنامه‌ریزی (Planning): توانایی تجزیه وظایف پیچیده به زیروظایف ساده‌تر. نویسندگان سه رویکرد را متمایز می‌کنند: تجزیه کامل پیش از حل (مانند least-to-most)، تجزیه و حل پویا (مانند ReAct و HuggingGPT)، و برنامه‌ریزی در صورت نیاز (مانند AdaPT). برنامه‌ریزی نمادین (Symbolic Planning) مزیت ارائه برنامه‌های قابل خواندن برای انسان و امکان گنجاندن قواعد صریح و رهنمودهای اخلاقی را دارد. برای پژوهش زیست‌پزشکی، برنامه‌ریزی پویا ضروری است زیرا پیچیدگی پژوهش اغلب تا زمان اجرا قابل پیش‌بینی نیست.
• استفاده از ابزار (Tool Use): وجه تمایز اصلی Agentic AI از مدل‌های سنتی. پژوهش زیست‌پزشکی نیازمند ابزارهای تخصصی مانند PLINK، scikit-learn، TPOT و گراف‌های دانش (knowledge graphs) مانند Hetionet است. چارچوب‌هایی مانند ToolFormer به ایجنت‌ها امکان می‌دهند به شکل خودیادگیرنده تشخیص دهند چه زمانی و کدام ابزار خارجی را فراخوانی کنند. همچنین RAG به عنوان یک کلاس مهم از ابزارها معرفی می‌شود که امکان به‌روزرسانی مقرون‌به‌صرفه دانش LLMها را از طریق بازیابی اسناد مرتبط فراهم می‌کند. روش‌هایی مانند Self-BioRAG با آموزش بیشتر LLM بر روی مجموعه‌داده‌های آموزشی بالینی و مولکولی، دقت بازیابی اسناد زیست‌پزشکی را بهبود می‌بخشند.
• حافظه (Memory): سازوکاری برای ذخیره و بازیابی اطلاعات زمینه‌ای و خلاصه رویدادهای گذشته. سیستم‌های Agentic AI ذاتا حافظه ندارند و ممکن است در مکالمات طولانی دچار از دست دادن زمینه (Context Drift) شوند. نویسندگان حافظه کوتاه‌مدت (افزودن تاریخچه گفت‌وگو به پرامپت به قیمت افزایش مصرف توکن و تاخیر استنتاج) و حافظه بلندمدت (شامل خلاصه‌سازی درونی گفت‌وگوها، ذخیره در پایگاه‌های داده خارجی، و گراف‌های دانش مانند GraphRAG) را بررسی می‌کنند. با این حال تاکید می‌شود که حافظه به تنهایی توهم را کاهش نمی‌دهد.
• ارتباط (Communication): ارتباط موثر میان ایجنت‌ها، انسان و رایانه. با ظهور سیستم‌های چندایجنتی، تکنیک‌های مختلف ارتباط ایجنت-به-ایجنت مانند ChatDev (زنجیره گفت‌وگوی رفت‌وبرگشتی)، MetaGPT (استخر پیام مشترک) و GPTSwarm (مدل‌سازی گرافی) توسعه یافته‌اند. پروتکل‌های باز مانند Agent2Agent و Model Context Protocol (MCP) برای استانداردسازی ارتباطات معرفی شده‌اند، اگرچه امنیت MCP در پژوهش‌های حساس زیست‌پزشکی هنوز یک پرسش باز است. همچنین بر تعامل انسان-ایجنت با رویکرد انسان‌محور تاکید می‌شود که در آن پژوهشگر می‌تواند فرایندهای زمان‌بر را قطع کرده یا خروجی‌های میانی را اصلاح کند.

مقاله کاربردهای Agentic AI را در چند مرحله اصلی پژوهش زیست‌پزشکی بررسی می‌کند. در مرور ادبیات، سامانه‌هایی مانند SciLitLLM یا روش‌های ترکیب مدل‌های زبانی با گراف‌های دانش می‌توانند بازیابی منابع، تشخیص کلیدواژه‌ها و خلاصه‌سازی متون علمی را تسهیل کنند. مقاله تاکید می‌کند که این ابزارها جایگزین مسئولیت پژوهشگر برای مرور دقیق منابع نیستند، بلکه دستیارهایی برای کاهش زمان و افزایش دامنه جست‌وجو هستند. در تولید فرضیه، سامانه‌های چندایجنتی می‌توانند بر اساس چرخه‌های بازیابی ادبیات، فرضیه‌های زیست‌پزشکی بسازند و آن‌ها را از نظر ارتباط، تازگی، امکان‌پذیری و اهمیت ارزیابی کنند. نمونه‌هایی مانند AI Co-Scientist، iKraph و POPPER نشان می‌دهند که این حوزه به سمت تولید، رتبه‌بندی و حتی ابطال آزمایشی فرضیه‌های تولیدشده توسط هوش مصنوعی حرکت می‌کند. در طراحی آزمایش، سامانه‌هایی مانند BioPlanner و BioDiscoveryAgent نشان می‌دهند که ایجنت‌ها می‌توانند پروتکل‌های آزمایشگاهی را به شبه‌کد تبدیل کنند یا به‌صورت پویا اهداف دارویی یا ژنی بعدی را پیشنهاد دهند. این کاربردها نیازمند دانش عمیق آزمایشگاهی، توجه به محدودیت‌های عملی و تایجنت نزدیک با انسان هستند. در تحلیل داده، سامانه‌هایی مانند DrugAgent، GenieAgent، CellForge و TusoAI می‌توانند مسیرهای تحلیل، کدنویسی، رفع خطا و بهینه‌سازی روش‌های محاسباتی را خودکار کنند. مقاله این حوزه را برای پژوهش‌های وابسته به برنامه‌نویسی و داده‌های چندبعدی بسیار مهم می‌داند، چون ایجنت‌ها می‌توانند ابزار مناسب را انتخاب کنند و بخشی از بار فنی تحلیل را کاهش دهند. در چرخه کامل پژوهش، نمونه‌هایی مانند Biomni، AI Scientist و Virtual Lab معرفی می‌شوند. Virtual Lab به‌عنوان یک سامانه چندایجنتی آزمایشی، هدف پژوهش را از انسان دریافت می‌کند و ایجنت‌هایی مانند محقق اصلی و دانشمندهای تخصصی را برای حل مسئله هماهنگ می‌کند. مقاله گزارش می‌کند که این سامانه در یک نمونه، 92 طراحی جدید نانوبادی برای گونه‌های SARS-CoV-2 شناسایی کرده است. این مثال برای نویسندگان نشانه‌ای از توان بالقوه ایجنت‌ها به‌عنوان دستیار پژوهشی است، نه اثبات جایگزینی کامل انسان.

مقاله تاکید می‌کند که پیش از استفاده واقعی از Agentic AI در زیست‌پزشکی، باید توانایی‌ها و محدودیت‌های آن در محیط‌های کنترل‌شده سنجیده شود. بسیاری از benchmarkهای موجود برای توانایی‌های عمومی مانند استدلال انتزاعی، هماهنگی با انتظارات انسانی یا ساخت پروژه‌های یادگیری ماشین طراحی شده‌اند و پیچیدگی‌های اختصاصی زیست‌پزشکی را به‌خوبی پوشش نمی‌دهند. نویسندگان پیشنهاد می‌کنند benchmarkهای زیست‌پزشکی باید توانایی‌هایی مانند نوشتن کد تخصصی، اجرای پایپ‌لاین‌های تحلیل، تفسیر مقاله‌های علمی، تولید فرضیه‌های آزمون‌پذیر و مدیریت منابع آزمایشگاهی یا محاسباتی را بسنجند. مثال‌هایی مانند BIG-Bench، MedQC، MedMCQA، AAAR-1.0، PubMedQA، SciFact، LABBench و AstaBench در متن مطرح می‌شوند. با این حال، مقاله نتیجه می‌گیرد که این حوزه هنوز در مراحل ابتدایی است و به معیارهای تخصصی‌تر، expert-curated و متناسب با زیرشاخه‌های گوناگون زیست‌پزشکی نیاز دارد.

نویسندگان پنج چالش اصلی را برای استفاده از سامانه‌های ایجنت‌محور در زیست‌پزشکی برجسته می‌کنند: داده، حریم خصوصی و امنیت، هزینه و انرژی، عدالت و قابلیت اعتماد. چالش داده از آنجا ناشی می‌شود که داده‌های زیست‌پزشکی معمولا پراکنده، ناهمگون، چندبعدی و وابسته به قالب‌ها و استانداردهای متفاوت هستند. پرونده‌های سلامت الکترونیک، داده‌های ژنومی، تصویربرداری پزشکی و داده‌های آزمایشگاهی هرکدام ساختار و خطاهای خاص خود را دارند. در زمینه حریم خصوصی و امنیت، مقاله به حساسیت داده‌های بیمار و چارچوب‌هایی مانند GDPR و HIPAA اشاره می‌کند. مدل‌های زبانی ممکن است داده‌های آموزشی حساس را حفظ یا افشا کنند و همچنین در برابر حملات مبتنی بر prompt یا داده آموزشی آسیب‌پذیر باشند. بنابراین، استفاده از داده‌های عمومی، حفاظت از داده‌های خصوصی، شفافیت و رعایت مقررات برای کاربردهای زیست‌پزشکی ضروری است. هزینه، مصرف انرژی و سخت‌افزار نیز مانع مهمی است. آموزش مدل‌های زبانی از پایه پرهزینه است و حتی در مرحله inference نیز مدل‌های بزرگ انرژی قابل توجهی مصرف می‌کنند. مقاله یادآور می‌شود که پاسخ‌های طولانی‌تر و مدل‌های بزرگ‌تر معمولا مصرف انرژی بیشتری دارند و این موضوع علاوه بر هزینه مالی، پیامدهای زیست‌محیطی مانند ردپای کربن و آب دارد. عدالت الگوریتمی در سلامت اهمیت بالایی دارد، زیرا مدل‌های ناعادلانه می‌توانند نابرابری‌های تشخیص، درمان و هزینه‌های درمانی را تشدید کنند. نویسندگان آموزش بر داده‌های نماینده‌تر و روش‌هایی مانند یادگیری فدرال را از راه‌های احتمالی کاهش سوگیری می‌دانند، هرچند اجرای آن‌ها به دلیل تفاوت قوانین، زیرساخت‌ها و چارچوب‌های اخلاقی کشورها دشوار است. قابلیت اعتماد نیز با پیچیده‌تر شدن سامانه‌های چندایجنتی دشوارتر می‌شود. شکست ممکن است از معماری نامناسب، نقش‌های مبهم، همکاری ناکارآمد میان ایجنت‌ها یا تعریف ضعیف سوال پژوهشی ناشی شود. این نکته نشان می‌دهد که طراحی سامانه، تعریف هدف و نظارت انسانی بخشی جدایی‌ناپذیر از کاربرد مسئولانه Agentic AI است.

مقاله چند فرصت مهم را برای آینده مطرح می‌کند. نخست، ادغام گراف‌های دانش و RAG می‌تواند دانش زمینه‌ای ایجنت‌ها را تقویت کند و توهم را کاهش دهد. مثال‌هایی مانند ESCARGOT و BioChatter نشان می‌دهند که پیوند ایجنت‌ها با پایگاه‌های دانش زیست‌پزشکی می‌تواند توانایی پاسخ‌گویی و استدلال چندمرحله‌ای را بهبود دهد. دوم، برنامه‌نویسی زیست‌پزشکی حوزه‌ای است که می‌تواند از ایجنت‌های تخصصی سود ببرد. اگر ایجنت‌ها بتوانند زبان‌ها و ابزارهای رایج در زیست‌پزشکی، مانند R یا PLINK، را بهتر به کار بگیرند، پژوهشگران کمتر به محدودیت مهارت فنی وابسته خواهند بود و می‌توانند بیشتر بر ایده علمی و تفسیر نتایج تمرکز کنند. سوم، همسویی اخلاقی و اثر اجتماعی اهمیت زیادی دارد. مقاله یادآور می‌شود که RLHF می‌تواند به ایمن‌تر و قابل اعتمادتر شدن رفتار مدل‌ها کمک کند، اما استفاده از هوش مصنوعی مولد ممکن است تفکر انتقادی کاربران را کاهش دهد یا آثار نامطمئنی بر بهره‌وری و بازار کار داشته باشد. شواهد گزارش‌شده در مقاله نشان می‌دهد بهره‌وری در کارهای ساختارمند ممکن است 15 تا 30 درصد افزایش یابد، اما در یک کارآزمایی تصادفی، توسعه‌دهندگان باتجربه نرم‌افزار 19 درصد زمان بیشتری صرف انجام کار کردند؛ بنابراین اثر واقعی به نوع کار و سطح تخصص بستگی دارد. چهارم، تعامل مستقیم ایجنت‌ها با دستگاه‌ها و نرم‌افزارهای کاربر می‌تواند پژوهش را عملی‌تر کند. سامانه‌هایی که رابط‌های گرافیکی را می‌خوانند و با ماوس و صفحه‌کلید کار می‌کنند، در آینده ممکن است مرور منابع، تحلیل داده و اجرای نرم‌افزارها را خودکارتر کنند. با این حال، چنین قابلیتی در زیست‌پزشکی باید با امنیت، کنترل دسترسی و نظارت دقیق همراه باشد.

نویسندگان برای ساخت یک سامانه Agentic AI سه گام پیشنهاد می‌کنند: گام نخست تعریف هدف کلی سامانه و زیرکارهای لازم برای رسیدن به آن است؛ مثلا آیا سامانه باید مرور ادبیات انجام دهد، فرضیه بسازد، تحلیل داده کند یا کل چرخه پژوهش را پوشش دهد. این گام دامنه کار را روشن می‌کند. گام دوم تعیین حداقل نیازهای عملکردی است. در این مرحله باید مشخص شود چند ایجنت لازم است، چه ابزارهایی باید ادغام شود، آیا حافظه بلندمدت لازم است و ارتباط میان ایجنت‌ها چگونه باید طراحی شود. این گام از پیچیده شدن غیرضروری سامانه جلوگیری می‌کند. گام سوم بهبود و ارزیابی تکراری سامانه است. این کار می‌تواند شامل انتخاب مدل مناسب، طراحی prompt، افزودن ابزارهای تخصصی، روشن کردن نقش ایجنت‌ها، استفاده از سازوکارهای بازتابی و سنجش عملکرد با benchmarkهای زیست‌پزشکی باشد. اگر سامانه به هدف نرسد، باید هدف، زیرکارها یا ترکیب ایجنت‌ها بازنگری شود.

مقاله پیش‌بینی می‌کند که Agentic AI در حوزه‌هایی مانند ژنومیک عملکردی، ویرایش ژنی، طراحی دارو، مهندسی آنتی‌بادی، ژنومیک فضایی و پروتئومیکس گسترش یابد. شکل 3 نمونه‌هایی از کاربردهای آینده را نشان می‌دهد؛ از پیشنهاد آزمایش‌های perturbation ژنی تا طراحی آزمایش‌های CRISPR، اولویت‌بندی ترکیبات دارویی، طراحی پنل ژنی و طراحی de novo پروتئین.     نویسندگان انتظار دارند حرکت از سامانه‌های تک‌ایجنتی تخصصی به سامانه‌های چندایجنتی عمومی‌تر ادامه پیدا کند. سامانه‌های چندایجنتی ممکن است در کارهای پیچیده مانند پالایش فرضیه عملکرد بهتری داشته باشند، اما هماهنگی، نقش‌دهی و ارتباط میان ایجنت‌ها چالش بزرگی خواهد بود. مقاله همچنین میان نقش‌های ثابت و نقش‌های پویا تفاوت می‌گذارد و آینده را به سمت مونتاژ خودکار تیم‌های ایجنت بر اساس نیاز هر مسئله می‌بیند. در بحث خودمختاری، مقاله موضعی محتاطانه دارد. نویسندگان با خودمختاری کامل در پژوهش‌های پرخطر زیست‌پزشکی موافق نیستند و به‌جای آن از «خودمختاری تطبیقی» دفاع می‌کنند؛ یعنی سامانه در کارهای قاعده‌مند و کم‌ابهام مستقل‌تر عمل کند، اما در تصمیم‌های نیازمند قضاوت انسانی، ارزیابی اخلاقی یا سنجش آسیب بیمار از انسان بازخورد بخواهد. در پایان، مقاله تفاوت میان سامانه‌های جامعه‌محور و صنعتی را نیز بررسی می‌کند. سامانه‌های دانشگاهی و غیرانتفاعی معمولا بر شفافیت، دسترسی آزاد، همسویی اخلاقی و رعایت مقررات تاکید دارند، اما از نظر منابع سخت‌افزاری و بودجه محدودترند. سامانه‌های صنعتی مقیاس‌پذیرتر و مهندسی‌شده‌ترند، اما ممکن است با مالکیت بسته، تفسیرپذیری محدود و سوگیری سودمحور روبه‌رو باشند. نویسندگان همکاری‌های ترکیبی جامعه و صنعت را مسیری بالقوه برای تلفیق مزایای هر دو طرف می‌دانند.

پیام اصلی مقاله این است که Agentic AI می‌تواند پژوهش زیست‌پزشکی را از استفاده منفرد از ابزارهای هوش مصنوعی به سمت همکاری با تیم‌هایی از ایجنت‌های محاسباتی سوق دهد. چنین تیم‌هایی می‌توانند وظایفی مانند مرور ادبیات، تولید فرضیه، طراحی آزمایش، تحلیل داده و حتی اجرای چرخه‌های پژوهشی گسترده‌تر را پشتیبانی کنند. با این حال، مقاله این فناوری را بالغ و بی‌خطر معرفی نمی‌کند. نویسندگان بارها تاکید می‌کنند که بسیاری از نمونه‌ها هنوز در مرحله اثبات مفهوم، preprint یا گزارش فنی هستند و برای استفاده واقعی به ارزیابی دقیق، معیارهای اختصاصی، امنیت داده، عدالت، کاهش هزینه و نظارت انسانی نیاز دارند. از نظر مفهومی، مقاله نشان می‌دهد که موفقیت Agentic AI فقط به قدرت مدل زبانی وابسته نیست. یک سامانه موثر باید استدلال، راستی‌آزمایی، بازتاب، برنامه‌ریزی، استفاده از ابزار، حافظه و ارتباط قابل اعتماد داشته باشد. ضعف در هر یک از این اجزا می‌تواند باعث خطا، توهم، انتخاب ابزار نامناسب یا نتیجه‌گیری علمی نادرست شود. نتیجه نهایی مقاله این است که هوش مصنوعی ایجنت‌محور احتمالا به همکار پژوهشی انسان تبدیل می‌شود، نه جایگزین کامل او. انسان همچنان برای تعریف سوال علمی، ارزیابی اخلاقی، نظارت بر پیامدهای واقعی، تفسیر انتقادی و تصمیم‌گیری در شرایط پرخطر نقش ضروری دارد.