当研究人员不再需要学习复杂的查询语言，只需要用自然语言向 AI 提问，代谢组学知识图谱能否真正成为人人可用的科研工具？

近年来，质谱技术和非靶向代谢组学的发展产生了海量数据。GNPS、SIRIUS、MZmine 等工具不断提升代谢物分析能力，但数据的整合、关联和深层挖掘仍然需要研究人员掌握复杂的软件工具、数据库结构和编程知识。

2026年7月，Bekbergenova等研究人员在Journal of Cheminformatics发表了一项研究：

MetaboT: an LLM-based multi-agent framework for interactive analysis of mass spectrometry metabolomics knowledge graphs

研究团队提出了一套基于大语言模型的多 Agent 系统 MetaboT，能够将研究人员提出的自然语言问题转换为可执行的 SPARQL 查询，从而实现对质谱代谢组学知识图谱的交互式分析。

一）研究背景：为什么代谢组学需要 AI Agent？

传统非靶向代谢组学分析通常需要经过数据预处理、峰提取、峰对齐、代谢物注释、统计分析和生物学解释等多个环节。

随着公共数据库和质谱资源不断积累，研究人员已经能够获得大量代谢物及其相关信息，但这些信息通常分散在不同的数据资源中。

知识图谱（Knowledge Graph，KG）为解决这一问题提供了一种思路。知识图谱通过节点和关系组织不同类型的信息，将化合物、质谱谱图、物种、化学分类、生物活性等实体连接起来，形成一个能够进行语义查询的网络。

研究人员可以通过这些关联关系，挖掘单一数据库记录难以直接体现的生物学信息。

然而，知识图谱的使用存在一定的门槛，研究人员不仅需要理解图谱中的实体和关系，还需要掌握相应的查询语言。

这就产生了一个问题：

能不能让研究人员直接用自然语言提问，由 AI 自动理解问题、识别实体、生成查询语句，并返回可读的分析结果？

二）MetaboT：基于多 Agent 的代谢组学知识图谱交互系统

MetaboT的核心思路是将自然语言查询任务拆分成多个子任务，再由不同职责的 Agent 协作完成。

与直接让一个 LLM 生成 SPARQL 查询不同，MetaboT 在查询生成之前加入了问题验证、实体解析等步骤，并在查询过程中引入迭代修正机制。

系统主要由六个角色组成：

1. Entry Agent：入口 Agent

负责接收用户问题，判断当前请求是一个新的知识查询，还是对之前分析结果的追问。对于新问题，它会将请求传递给后续处理环节；对于上下文相关的追问，则会结合历史对话进行处理。

2. Validator Agent：验证 Agent

负责判断用户提出的问题是否符合目标知识图谱的 Schema 和数据范围。

3. Supervisor Agent：监督与调度 Agent

负责协调整个工作流，根据当前任务状态决定调用哪些 Agent 和工具。它是系统中的核心调度角色，负责组织不同模块之间的协作。

4. KG Agent：知识图谱实体解析 Agent

负责识别自然语言问题中的关键实体，并将其映射到权威数据库中的标准标识符。系统利用多个专用工具完成实体解析。

这一环节非常重要，因为大语言模型并不总能准确记住知识图谱中的实体 IRI。如果直接让 LLM 根据名称生成查询语句，就容易产生错误标识符，导致查询失败或返回错误结果。

5. SPARQL Query Runner Agent：查询执行 Agent

负责根据用户问题和已经解析的实体信息，结合目标知识图谱的 Schema 生成 SPARQL 查询语句，并提交给知识图谱端点执行。

这里不仅要求查询语句符合 SPARQL 语法，还要求查询中使用的属性、实体和关系符合实际知识图谱的结构。

6. Interpreter Agent：结果解释 Agent

负责将查询结果转换成研究人员更容易理解的自然语言。根据任务需要，还可以进一步生成统计图表、柱状图、关系图以及质谱相关可视化结果。

通过以上六个角色，MetaboT将原本集中在一个 LLM 身上的复杂任务拆解成多个职责明确的处理环节。

三）关键技术：如何降低 LLM 的幻觉？

MetaboT 最值得关注的地方，并不是简单地使用多Agent架构，而是它对查询过程中的错误进行了针对性控制。

1. Entity Resolution：实体解析

在专业科研数据库中，同一个实体可能存在不同名称、缩写或数据库标识符。MetaboT 使用专门的实体解析工具，将自然语言中的实体映射到外部权威资源中的标准标识符。

2. Schema-aware Generation：基于 Schema 的查询生成

这是整套系统的另一个关键设计。

知识图谱的 Schema 定义了图谱中有哪些实体类别、属性以及它们之间允许存在的关系。

例如：一个化合物可能拥有分子式、InChIKey 和化学分类等属性，但并不是所有属性都适用于所有类型的实体。

如果 LLM 不理解这些约束，就可能生成语法正确、但语义完全错误的查询。MetaboT 会将相关 Schema 信息提供给查询生成模块，让模型在明确的数据结构约束下生成 SPARQL。

这实际上是一种将外部结构化知识引入 Agent 推理过程的方式。

3. Iterative Refinement：迭代修正

即使进行了实体解析和 Schema 约束，生成的查询仍然可能存在错误。

因此，MetaboT 还引入了迭代修正机制。

系统根据查询执行结果和错误信息，判断问题究竟出现在实体解析、查询语法还是查询逻辑上，再针对性地进行修正。

尤其值得关注的是，论文区分了两种情况：

• 查询构建错误：查询语句本身存在问题。

• 数据确实不存在：查询正确执行，但知识图谱中没有对应的信息。

这两种情况需要采用不同的处理策略。如果不能区分它们，Agent 就可能陷入反复修改查询语句的循环，却始终无法解决问题。

四）实验结果：多 Agent 是否真的优于单个 LLM？

为了验证 MetaboT 的有效性，研究团队选择了 Experimental Natural Products Knowledge Graph（ENPKG）作为实验对象。

ENPKG 是一个面向天然产物研究的质谱知识图谱，整合了植物提取物、代谢物注释、化学分类以及生物活性等信息。

研究团队构建了一个包含 50 个自然语言问题及其对应参考 SPARQL 查询的测试集，并由领域专家进行人工审核。

随后，研究人员比较了不同配置下的查询表现。

论文报告的主要结果如下：

其中，MetaboT + GPT-4o 的准确率达到 83.67%，相比单次直接生成的 8.16%，提升非常明显。

在高复杂度问题上，MetaboT + GPT-4o 达到 78.95% 的准确率，而单次生成基线为 0%。

这说明，在需要处理复杂实体关系和多条件查询的场景中，单纯依赖 LLM 一次性生成查询语句并不可靠。

多 Agent 的任务拆分、实体解析和迭代修正能够显著改善查询结果。

总结

MetaboT展示了一种将大语言模型与代谢组学知识图谱结合的技术路线。

它通过多 Agent 协作，将自然语言问题拆解为问题验证、实体解析、查询生成、查询执行和结果解释等环节，并利用 Schema 约束和迭代修正降低 LLM 在专业查询任务中的错误。

这项研究最值得关注的，并不是简单地让 AI 能够生成 SPARQL，而是它展示了如何通过明确的职责划分、外部知识约束和可验证的工具调用，让 LLM 更可靠地参与科研数据分析。

当科研数据越来越复杂，AI Agent 的价值或许不只是替代某一个分析工具，而是成为连接数据库、分析算法和研究人员的智能接口。

论文信息

Title: MetaboT: an LLM-based multi-agent framework for interactive analysis of mass spectrometry metabolomics knowledge graphs

Authors: Madina Bekbergenova, Lucas Pradi, Benjamin Navet, et al.

Journal: Journal of Cheminformatics, 2026, 18:146.

DOI:https://doi.org/10.1186/s13321-026-01257-8

论文全文：https://pmc.ncbi.nlm.nih.gov/articles/PMC13689178/

项目 GitHub：https://github.com/HolobiomicsLab/MetaboT

在线演示：https://metabot.holobiomicslab.eu/

项目文档：https://holobiomicslab.github.io/MetaboT/