🚀 TxAgent-T1模型

TxAgent-T1是一个基于多模态自适应的AI模型，它利用多步推理和实时生物医学知识检索，能为患者提供个性化的治疗建议，在药物推理和治疗方案制定上表现出色。

🚀 快速开始

安装ToolUniverse

# 从源代码安装：
git clone https://github.com/mims-harvard/ToolUniverse.git
cd ToolUniverse
python -m pip install . --no-cache-dir

# 从pypi安装：
pip install tooluniverse

安装TxAgent

# 从源代码安装：
git clone https://github.com/mims-harvard/TxAgent.git
python -m pip install . --no-cache-dir

# 从pypi安装：
pip install txagent

运行示例

使用 run_example.py 运行示例。

运行Gradio演示

使用 run_txagent_app.py 运行Gradio演示。

✨ 主要特性

• 精准治疗评估：TxAgent能够在分子、药代动力学和临床层面评估药物相互作用，根据患者的合并症和同时服用的药物识别禁忌症，并根据患者的年龄、遗传因素和疾病进展等个体特征量身定制治疗策略。
• 多源知识整合：它可以从多个生物医学来源检索和综合证据，评估药物与患者病情之间的相互作用，并通过迭代推理完善治疗建议。它根据任务目标选择工具，并执行结构化的函数调用，以解决需要临床推理和跨源验证的治疗任务。
• 工具丰富多样：ToolUniverse整合了来自可靠来源的211个工具，包括自1939年以来所有美国FDA批准的药物以及来自Open Targets的经过验证的临床见解。
• 性能表现优异：TxAgent在五个新的基准测试（DrugPC、BrandPC、GenericPC、TreatmentPC和DescriptionPC）中表现优于领先的大语言模型、工具使用模型和推理代理，涵盖3168个药物推理任务和456个个性化治疗场景。它在开放式药物推理任务中达到了92.1%的准确率，比GPT - 4o高出25.8%，在结构化多步推理中优于DeepSeek - R1（671B）。

📚 详细文档

模型信息

TxAgent-T1-Llama-3.1-8B是基于TxAgent-Instruct数据集进行指令调优的，这是一个多样化的合成多步推理和大规模函数调用训练数据集，以生物医学知识为基础。TxAgent-T1-Llama-3.1-8B是在Llama3.1-88-Instrcut的基础上进行微调的。

模型训练与数据

为了生成TxAgent-Instruct数据集，我们使用辅助代理系统构建了三个数据集：

• 工具数据集：由ToolUniverse中211个工具的增强版本组成，每个工具的描述都被随机改写以增强可变性，这使TxAgent能够学习如何使用新工具，而不仅仅是记住ToolUniverse中的工具。
• 综合治疗问题数据集：包括85340个治疗问题和功能指令，旨在训练TxAgent的能力，这些是由QuestionGen代理系统生成的。
• 推理轨迹数据集：包含85340个用于回答治疗问题的详细推理轨迹，这些轨迹总共包含177626个推理步骤和281695个函数调用，由TraceGen代理系统生成。

通过处理这三个数据集的数据，我们构建了TxAgent-Instruct数据集，其中包含378027个指令调优数据样本。代理系统通过从经过验证的来源随机采样药物和疾病信息，生成基于生物医学知识和治疗场景的训练数据。药物信息来自FDA药物标签文件，疾病列表来自PrimeKG。药物、疾病、表型和靶点之间的关联来自Open Targets。

为避免评估数据泄露到训练集中，我们将2023年后批准的所有药物排除在训练集之外，并使用2024年批准的药物作为评估数据的来源。

模型介绍

精准治疗需要能够生成个性化治疗建议的多模态自适应模型。我们推出了TxAgent，这是一个AI代理，它利用多步推理和实时生物医学知识检索，通过一个包含211个工具的工具箱，分析药物相互作用、禁忌症和针对患者的特定治疗策略。

📄 许可证

本模型使用llama3.1许可证。

📚 引用

@misc{gao2025txagent,
      title={TxAgent: An AI Agent for Therapeutic Reasoning Across a Universe of Tools}, 
      author={Shanghua Gao and Richard Zhu and Zhenglun Kong and Ayush Noori and Xiaorui Su and Curtis Ginder and Theodoros Tsiligkaridis and Marinka Zitnik},
      year={2025},
      eprint={2503.10970},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2503.10970}, 
}

📞 联系我们

如果您有任何问题或建议，请发送电子邮件至 Shanghua Gao 和 Marinka Zitnik。