BioMedAgentは、中国科学院計算技術研究所（ICT, CAS）が開発し、2026年3月にNature Biomedical Engineeringに掲載された、自己進化型マルチエージェント生物情報学分析フレームワークである。研究者が自然言語で分析目標を入力すると、LLMベースの複数のエージェントが連携し、多段階の計画策定、ツール選択、コード実行、結果の要約まで、全プロセスを自律的に実行する。ChatGPTに「このRNA-seqデータから、発現量が異なる遺伝子を見つけて」と言うように、BioMedAgentに仮説とデータを渡すと、オミクス分析から機械学習モデリング、病理画像のセグメンテーション、統計的検定、可視化まで、包括的な分析レポートが生成される。 従来のLLMベースの分析ツールは、単一のモデルが単一のタスクを処理する構造であったため、複雑なバイオインフォマティクスパイプライン（数十個のツールを順番に接続する必要があるワークフロー）において、明確な限界があった。BioMedAgentは、Interactive Exploration（IE）アルゴリズムとMemory Retrieval（MR）アルゴリズムという2つの軸で、この問題を解決する。IEは、エージェントが中間結果を分析しながら、探索経路を能動的に調整する対話型探索メカニズムであり、MRは、成功したツールの組み合わせ、ワークフロー、実行コードをメモリバンクに体系的に記録し、新しい課題に再利用する自己進化エンジンである。この2つのアルゴリズムのおかげで、BioMedAgentは、経験を積むほど、より正確で効率的な分析経路を選択できるようになる。327個の生物医学分析質問で構成されたBioMed-AQAベンチマークにおいて、77%の成功率を達成し、ChatGPT-4oの47%を大きく上回り、外部のBixBenchデータセットでも一貫したパフォーマンスを示し、汎用性を証明した。 生命工学研究者の視点から、BioMedAgentの活用シナリオは広範囲である。臨床ゲノム研究において、患者コホートのRNA-seq生データを入力し、「生存率に関連するバイオマーカーを見つけて」と指示すると、前処理（cel2matrix）、発現量差分析、生存曲線（Kaplan-Meier）の可視化、統計的検定（t検定、QQプロット）まで、自動パイプラインを構成して実行する。精密医療の分野では、複数のオミクスデータを統合して、患者の層別化（stratification）機械学習モデルを自律的に構築することができ、病理学では、組織画像の細胞セグメンテーションと定量分析も処理する。プログラミングの経験がない生物学者や臨床医でも、自然言語プロンプトだけで、このような多段階の分析を実行できることが、BioMedAgentの主要な価値である。