收录解读
这篇论文把多智能体科研系统从“写写方案、做做文献总结”的阶段推进到了真正的实验科学闭环。作者提出 Virtual Lab：由 LLM Principal Investigator 代理统筹、一组不同角色的 LLM scientist 代理协作，再由人类研究者提供高层反馈，共同完成复杂、跨学科的科研任务。目标不是生成文字结论，而是提出可执行的蛋白设计方案并走到实验验证。
论文把这套系统应用到 SARS-CoV-2 新变体的 nanobody 设计上。Virtual Lab 不是直接吐出答案，而是在一系列研究会议中协调使用 ESM、AlphaFold-Multimer 和 Rosetta，构建出新的计算设计流程，并据此设计出 92 个新 nanobodies。后续实验验证显示其中一批具有有前景的结合特性，尤其有两种新 nanobodies 在保持对祖先毒株良好结合的同时，对较新的 JN.1 或 KP.3 变体表现出更优结合。
这篇论文值得收录，因为它建立了一种高价值的新 scientific workflow pattern：AI agents 不再只是科研辅助工具，而是能围绕真实目标组织研究步骤、调用异构生物计算工具、提出候选并进入实验验证。和很多 agent-for-science 论文不同，这里最重要的不是 benchmark 分数，而是完整的‘agent-driven design -> wet-lab validation’闭环已经出现。对 AI for science、自动科研系统和生物设计平台，这都是强外溢信号。
它没有升到更高一级，原因在于这条路线还没有广泛扩展到更多任务与实验室场景，现阶段更像一个极强的工作流样板而不是已经稳定普适的范式基础设施。另外系统仍依赖人类高层反馈，不是完全自治的科学发现平台。因此更适合定为 disruptive，而不是更高一级。
原始摘要与中文对照
中文对照翻译
科学研究常受益于跨学科研究团队，但许多科学家难以轻易接触到来自多个领域的专家。尽管大型语言模型（LLMs）在辅助跨领域研究人员方面展现出令人印象深刻的能力，但其用途主要局限于回答特定的科学问题，而非进行开放式研究。在本文中，我们通过引入“虚拟实验室”（Virtual Lab）——一种人工智能（AI）与人类协作的研究模式，扩展了LLMs在科学领域的应用能力，以进行复杂的跨学科科学研究。虚拟实验室由一个LLM首席研究员代理引导一个LLM科学家代理团队进行一系列研究会议，并由人类研究员提供高层次反馈。我们将虚拟实验室应用于设计针对SARS-CoV-2最新变种的纳米抗体结合剂。虚拟实验室创建了一个新颖的计算纳米抗体设计流程，该流程整合了蛋白质语言模型ESM、蛋白质折叠模型AlphaFold-Multimer和计算生物学软件Rosetta，并设计了92种新型纳米抗体。实验验证揭示了一系列功能性纳米抗体，它们对SARS-CoV-2变种表现出有前景的结合特性。特别是，两种新型纳米抗体对最近的JN.1或KP.3变种表现出改进的结合能力，同时保持了对祖代病毒刺突蛋白的强结合，这表明它们是值得进一步研究的合适候选物。这项工作展示了虚拟实验室如何能够快速做出有影响力的真实世界科学发现。
原始摘要
Science frequently benefits from teams of interdisciplinary researchers , but many scientists do not have easy access to experts from multiple fields . Although large language models (LLMs) have shown an impressive ability to aid researchers across diverse domains, their uses have been largely limited to answering specific scientific questions rather than performing open-ended research . Here we expand the capabilities of LLMs for science by introducing the Virtual Lab, an artificial intelligence (AI)–human research collaboration to perform sophisticated, interdisciplinary science research. The Virtual Lab consists of an LLM Principal Investigator agent guiding a team of LLM scientist agents through a series of research meetings, with a human researcher providing high-level feedback. We applied the Virtual Lab to design nanobody binders to recent variants of SARS-CoV-2. The Virtual Lab created a novel computational nanobody design pipeline that incorporates the protein language model ESM, the protein folding model AlphaFold-Multimer and the computational biology software Rosetta and designed 92 new nanobodies. Experimental validation reveals a range of functional nanobodies with promising binding profiles across SARS-CoV-2 variants. In particular, two new nanobodies exhibit improved binding to the recent JN.1 or KP.3 variants while maintaining strong binding to the ancestral viral spike protein, suggesting that these are suitable candidates for further investigation. This work demonstrates how the Virtual Lab can rapidly make an impactful, real-world scientific discovery.