EvoSika —— 生物医学概念的标准化与进化编译器
就像Palantir用“本体论”让混乱的企业数据说同一种语言，EvoSika正在用“基因集表征法”让混乱的生物医学概念标准化、可量化、可进化。从癌症到衰老，从西医到中医，让医学从“定性描述”走向“可运行的语言”。
标准化 · 进化 · 数据裁判
医学的基础语言，为什么从未被标准化？
Gene Ontology（40,000+术语）、KEGG（186条通路）、Signaling Pathways——这些是所有疾病研究、药物开发的基础词汇表。但同一个"线粒体功能障碍"概念，不同团队使用的基因集可能差异巨大。医学有海量词汇，却没有一套度量衡。
我们如何让这套语言标准化与进化？
基因集表征法：将任何生物医学概念（Aging Hallmarks、Cancer Hallmarks、中医"气虚"）统一转化为一个可量化的基因集合。Hallmarks Engineering Testbed：在公开数据上评测每个概念的解释力、精简度与可干预效力。
谁能成为新的标准？
不是引用量最高的论文说了算，不是权威专家说了算。是公开数据说了算。最优的概念在排行榜上存活，有缺陷的被淘汰，两个优秀的概念自发融合成更好的概念。
覆盖生物医学三大知识圣杯
三篇Cell论文，构成了人类对疾病、衰老与健康最权威的理论框架。但它们从未被工程化——直到现在。
Hallmarks of Cancer
Cell 2011
被引55,317次
所有癌症研究的共同语言。它定义了癌症的六大标志，是癌症生物学研究的“圣杯”，但从未被量化检测。
Hallmarks of Aging
Cell 2013/2023/2025
被引逾13,000次
将衰老机制凝练为14个核心标志。十余年间仅更新两次，完全依赖人类专家的综述周期。
Hallmarks of Health
Cell 2021
新兴体系
一个新兴领域，旨在定义“什么是健康”，目前尚待被充分应用。
EvoSika将这三套独立的“语言系统”全部纳入同一评测框架。衰老是我们的第一个战场，癌症是下一个，健康是最终的目标。
生物医学界的Palantir
随着AI在生物医药领域的爆发，真正的壁垒已不再是算力或模型，而是混乱的数据与缺失的标准。
Palantir
Palantir在企业服务领域证明了这件事：它从服务于美国国防与情报部门的“数据拼接”公司，成长为近4000亿美元的AI基础设施巨头。其核心武器不是某个AI模型，而是“本体论”——一套让所有异构数据使用同一套语义语言的核心技术。
EvoSika
EvoSika在生物医学领域正在做同一件事，但更底层。我们的“基因集表征法”，就是为生物医学知识构建的“本体论”。
Palantir定义了企业数据的语言，EvoSika定义了生物医学概念的语言。
药企AI的真正壁垒是什么？
2026年4月，Bessemer Venture Partners (BVP) 发布的AI制药基础设施报告指出：随着算力成本持续下降，药企AI的真正壁垒，已不再是模型，而是“生物原生数据基础设施”。
BVP将这套能力归结为三层：
规模化生物原生数据
嵌入全流程的Agentic AI
闭环实验自动化
但这个框架有一个被忽视的隐含前提：所有三层都需要同一套“概念语言”才能运转。数据层需要统一的概念标签，Agent层需要统一的概念定义，实验层需要统一的度量衡。
EvoSika要解决的，正是这个底层问题——为整个AI制药基础设施栈，提供一套可量化、可进化、可验证的根因概念语言。
药企在争抢“数据底座”，EvoSika在定义“概念底座”。前者是物资，后者是语法。两者缺一不可。
从定性概念到可运行的语言
Gene Ontology、KEGG、Reactome……这些是所有人类疾病机制的“基础词汇表”。但同一个“线粒体功能障碍”，不同团队使用的基因集可能相差50%以上。医学有海量的词汇，却没有一套度量衡。
EvoSika的“医学语言编译器”正是为解决这一难题而生。它能让任何定性的生物学概念，转化为可量化、可评测的标准化模块。
基因集表征化（标准化）：将“气虚”、“基因组不稳定性”等概念，通过我们的核心发明，统一转化为权威的基因集合标准。
甲基化/蛋白质组学量化（编译）：对这些基因集进行分子层面的量化检测，将语言转化为数字。
AI评测引擎验证（运行）：在Hallmarks Engineering Testbed中，用公开数据检验该概念的解释力与有效性。
输出结果：有效的概念被保留、获得排名并进入应用；无效的概念则被淘汰或修正。
C语言的编译器让程序员不用写机器码。EvoSika让生物学家不用再猜测“这个概念到底有多重要”——AI评测引擎用公开数据给出答案。Palantir的“本体论”在生物医学领域的映射，正体现于此。
两个正交的生物学空间
生理空间 vs 药理空间——当它们融合，发现比任何单一体系都更好的描述
Aging Hallmarks 的基因集来自 MSigDB 通路数据库——描述的是"生物学过程涉及哪些基因"。这是生理空间：细胞正在发生什么。中医功效术语的基因集来自 STITCH 化合物-靶点数据库——描述的是"产生这个功效的药物影响哪些基因"。这是药理空间：药物能干预什么。
我们首次发现，这两个空间几乎完全正交——同一个脏象概念，两种方法生成的基因集 Jaccard 重叠率 < 2%。这意味着它们捕获了完全不同的生物学信息。将两个空间的数据驱动融合，8 维面板在所有测试疾病上都超越了 16 维纯生理面板。
两个正交空间：生理空间（MSigDB 通路）和药理空间（STITCH 化合物-靶点）的基因重叠 < 2%，阿尔茨海默病中交叉相关仅 0.09——它们是两个几乎独立的信息维度。
融合更优：贪心选择从 28 维（16 生理 + 12 药理）中选出 8 维，在抑郁症、帕金森、阿尔茨海默三种疾病上全部超越 16 维纯 Aging 面板，用一半维度获得更高精度。
知识成熟度指标（DIR）：最优面板中药理维度占比，量化了该疾病的通路研究空白。抑郁症 DIR=50%（生理知识不足，药理数据弥补），帕金森 DIR=38%（生理研究部分覆盖）。
药理空间是 data-driven（数千年经验筛选），生理空间是 research-driven（人类知识积累）。当一个疾病的生物学研究不够成熟时，药理学数据可以作为替代特征空间，弥补知识的边界。EvoSika 的评测框架首次让这两个空间在同一个赛道上竞争和融合。
双通道面板 vs 纯 Aging 面板
在 3 种神经/精神疾病上的分类性能对比（5 折交叉验证 AUC）
| 疾病 | 双通道 (8维) | Aging (16维) | 提升 | DIR | 面板组成 |
|---|---|---|---|---|---|
| 抑郁症 | 0.652 | 0.596 | +0.056 | 50% | 4 生理 + 4 药理 (阳+心+气+肺) |
| 阿尔茨海默 | 0.634 | 0.595 | +0.039 | 38% | 5 生理 + 3 药理 (血+肝+温) |
| 帕金森 | 0.732 | 0.704 | +0.028 | 38% | 5 生理 + 3 药理 (肺+阴+神) |
DIR = Druggable Information Ratio，最优面板中药理维度占比。DIR 高表示该疾病的生物学研究积累不足，药理空间提供了关键补充信息。
在抑郁症中，贪心选择的第一个维度不是任何 Aging Hallmark，而是中医的"阳"（vs_yang）——壮阳/温阳类中药的药理靶点基因集。这意味着抗抑郁药物最常干预的靶点空间，恰好捕获了抑郁症最关键的生物学差异。更有说服力的是：纯化合物层级（L1）在抑郁症上 AUC=0.661，甚至超过了融合面板（0.652）——说明最精细粒度的药理数据提供了最强信号。这就是药理空间的力量：它不依赖你理解机制，它依赖数千年试错筛选出的经验数据。
AI4Science生态的精确分工
造车需要两种东西：更快的引擎 和 更精确的地图。
更快的引擎
中科院的磐石大模型、灵境造物等平台在做“更快的引擎”——AI辅助科研全流程，让科学家一天读完1000篇文献。它们是科学家的“科研副驾驶”，加速的是科学家的手脚。
更精确的地图
EvoSika在做“更精确的地图”——让这1000篇文献里提出的根因概念，在同一套评测框架里被比较、淘汰和融合。我们是“科学的语言编译器”，加速的是科学的概念语言本身。
所有AI4S平台都在做“让科学家更强”。EvoSika在做“让科学本身更有序”。
前者加速个体，后者加速文明。二者互补，缺一不可。
核心功能
概念标准化引擎
将任何生物医学概念（通路、Hallmarks、中医术语、用户自定义概念）通过基因集表征法转化为可量化的标准模块。输入一个概念名称和一组基因，系统自动注册为标准化的Hallmark Agent。
自动化基准评测
在Hallmarks Engineering Testbed中，对每个Agent执行四维自动评测（因果涌现、简约性、泛疾病解释力、干预效力）。全部使用公开数据集，任何结果可被独立复现。
多Agent协同进化
不同Agent在统一框架中自动比较、排名、融合。最优概念在排行榜上存活，缺陷概念被淘汰，两个优秀概念自发融合成更好的概念。
开放社区与排行榜
公开透明的评测结果。每个疾病一个榜单，每个评测维度一个分榜，还有一个跨疾病综合总榜。任何科学家都可以提交自己的概念参与竞争。
四维评测体系
Layer 1：因果涌现
这个概念是否真的与疾病因果相关？通过因果涌现指数（CE Index）量化宏观涌现效应——Hallmark级特征比单个基因强出最高9.7个数量级。
Layer 2：简约性
用这个基因集表征这个概念，是否以最少变量达到同等预测精度？通过LASSO/ElasticNet评估精简度得分。
Layer 3：泛疾病解释力
这个概念是否对多种疾病具有普适解释力？跨10种年龄相关疾病数据集验证。
Layer 4：可干预效力
这个概念能否区分有效干预和无效干预？通过GEO真实临床试验数据，验证概念在干预前后的显著变化和疗效中介效应。
三步参与
定义你的概念
输入一个生物学概念名称（如"线粒体功能障碍"、"气虚"），提交你认为最能表征该概念的基因集合。系统自动注册为标准化的Hallmark Agent。
AI自动评测
你的Agent进入Hallmarks Engineering Testbed评测队列。离线评测引擎在公开数据集上自动执行四维评测（因果涌现、简约性、泛疾病解释力、可干预效力）。预计12小时内完成。
查看排名与进化
评测完成后，你的Agent出现在公开排行榜上。在每个疾病的榜单、每个评测维度的分榜、以及跨疾病综合总榜中，你可以看到它的精确排名。优胜者保留，缺陷者淘汰，两个优秀概念可自发融合。
EvoSika —— 进化，是唯一的规则。
定义你的根因概念，提交一个基因集，让它在公开数据的裁判下，与其他Agent同台竞技。从癌症到衰老再到健康，从西医到中医，所有生物医学概念首次在同一套框架下被量化、融合与进化。这是生物医学知识系统的编译器革命。