蛋白质功能理解的交错工具调用推理
人工智能
2026-03-06 v2
摘要
近期大型语言模型（LLM）的进展凸显了链式思维推理在数学和编程等符号领域的有效性。然而，我们的研究表明，直接将此类基于文本的推理范式直接转移到蛋白质功能理解方面是无效的：强化学习主要放大了浅层关键词模式，却未能引入新的生物学知识，导致泛化能力有限。我们认为，蛋白质功能预测是一项知识密集型的科学任务，本质上依赖于外部生物学先验知识和计算工具，而非纯粹的内部推理。为弥合这一差距，我们提出了 PFUA（Protein Function Understanding Agent），一种工具增强型蛋白质推理智能体，将问题分解、工具调用和基于证据的答案生成统一为一体。与依赖长期无约束推理轨迹不同，PFUA 集成了领域特定工具，以产生可验证的中间证据。四项基准测试的实验表明，PFUA 在所有基准上均一致优于仅基于文本的推理模型，平均性能提升 103%。
引用
@article{arxiv.2601.03604,
title = {Interleaved Tool-Call Reasoning for Protein Function Understanding},
author = {Chuanliu Fan and Zicheng Ma and Huanran Meng and Aijia Zhang and Wenjie Du and Jun Zhang and Yi Qin Gao and Ziqiang Cao and Guohong Fu},
journal= {arXiv preprint arXiv:2601.03604},
year = {2026}
}