Owkin K Pro多模态发现：自然语言驱动 PubMed文献+组学数据+可视化全流程

一句话结论

这支演示集中展示 K Pro 的多模态发现能力：数据分析任务全程用自然语言驱动——输入提示词，K Pro 自动调用文献库与组学工具，生成从文献聚合、跨癌种表达分析、单细胞定位、空间转录组到双靶点配对排序的完整结果。核心卖点是”消除编程门槛”：几条直白的提示词，产出带文献引用、带可视化、可直接决策的研究产出。对任何想用 AI 智能体替代数据分析师重复劳动的团队，这是一份完整的能力清单。

从文献到数据：第一步锁定候选适应症

演示任务是给 nectin-4 ADC 选最优适应症。K Pro 先并行检索两路信息：PubMed 生物医学文献和 Owkin 数据网络中的多模态组学数据。两边的结果自动综合成泛癌种表达分析，每条结论都附带来源文献引用。

第一轮输出：膀胱癌是领先的可验证适应症——既有 FDA 批准试验支持，又在 MOSAIC 数据集中表现出高表达。文献证据与自有数据互为印证，两条证据线在同一份分析里自动对比完成。

单细胞层面：靶点在哪种细胞里表达

第二条提示词把分辨率推到单细胞层面：nectin-4 在各种细胞类型中的表达分布，以及它在 MOSAIC 全部适应症间的异质性。结果显示 nectin-4 在膀胱恶性细胞和上皮细胞中高表达——这直接决定了药物的作用人群。

空间转录组：从”有没有”到”在哪里”

第三步用 MOSAIC 的空间转录组数据看 nectin-4 的空间表达及其与肿瘤微环境的交互。在这一位患者的切片上，nectin-4 在恶性区域持续高表达——据此可以判断该患者是 nectin-4 靶向治疗的优秀候选者。空间信息把”表达量”升级成”表达位置+微环境关系”，这正是空间组学技术对精准医疗的贡献。

双靶点配对：AI 排序出最优组合

最后一个问题最具工程味：为开发双特异性 ADC，哪些靶点适合与 nectin-4 配对？K Pro 调用 MOSAIC 多模态数据、外部知识库和文献三类数据源，对候选靶点评估排序，输出 TROP-2 为最优配对。演示者总结：K Pro 能把复杂提问高效转化为可执行洞察，通常只需要几条提示词。

编程门槛消失后的分工变化

演示开场一句话点题：这些分析”通常需要生物信息学专业能力”。K Pro 自动生成的可视化（跨癌种表达图、单细胞分布图、空间转录组切片图）正是生信工程师的日常产出。当这类图表可以由自然语言驱动生成，团队分工的重心就从”会跑分析”转向”会问问题、会判断结果可信度”——演示里双数据源交叉验证（文献引用+MOSAIC 数据）就是判断可信度的关键动作，这一步仍然需要人的专业判断。

能力清单的普适价值

抛开制药场景，这条演示定义了一个数据分析智能体的四项核心能力：多源检索与综合（文献+数据库）、逐级下钻（癌种→细胞→空间）、可视化自动生成、候选排序与推荐。任何领域的数据分析团队都可以用这四项能力检验自己的 AI 工具是否完整。

原文信息

• 原视频标题：Conversation with K | Discovery and Multimodal Capabilities
• 频道：Owkin
• 讲者：Owkin 官方演示
• 发布日期：2026-05-18
• 视频时长：约 3 分钟