我目前在组建团队专攻AI for Science (mainly in Biology, Chemistry, and Healthcare)的前沿问题，包括但不限于：

· 基于AI智能体的人工智能科学家 (AI Co-Scientists/Scientists；例如SAGA, Hygieia, etc.)

· 多模态人工智能（Multimodal AI；例如scELMo, spEMO, UNICORN, etc.）

· 规模化的基础模型的各阶段训练（pre-training, mid-training, post-training for foundation models；例如TeamPath, BAITSAO, etc.）

· 数据驱动的科学发现（Data-driven Scientific Discovery；例如spVelo, dGTEx, etc.）

我的研究兴趣总是基于具体的科学问题，并利用先进的技术手段为其提供解答思路。通过和医生以及生物学家等专家合作，我们可以将AI带来的生产力变革尽快落地到解决曾经难以应对的挑战上。同时，我也希望能够利用科学知识，修正AI已有的偏见和修复存在的漏洞，从而实现先验知识利用与创新知识发现的逻辑闭环。

在学术贡献上，我参与提出了一系列用于生物健康研究与发现的人工智能模型，通过和来自耶鲁大学、斯坦福大学、哈佛大学、慕尼黑工业大学、基因泰克等机构的合作，围绕多类科学数据持续开展交叉探索，取得了多个同行评议认可的成就，为科学智能体系的构建和发展做出了多领域、多层次上的贡献。我以主要作者的身份在多个科学领域内的知名期刊（如Nature Biomedical Engineering、Nature Communications、Cell Systems、Patterns、NPJ Digital Medicine、NPJ Artificial Intelligence等）以及旗舰AI会议（如NeurIPS、ICML、EMNLP等）上发表文章，这些工作已经被药物发现和生物医学领域的研究社群广泛认可与采用，同时也被耶鲁大学、美国国家科学基金会、以及The Pathology News等知名媒体机构报道。我在基因泰克实习期间开发的模型也已经被整合进入公司药物研发的管线，从而持续赋能药物发现所需的工作流。我同时也参与组织了领域内多个关键会议和课程，如New England NLP Meeting、ICML 2026 GenBio Workshop、 ACM MM Tutorial等，为领域发展作出了积极贡献。

1. spEMO（Nature Biomedical Engineering 2026）将基础模型的能力扩展到空间多组学，把病理图像、空间转录组与语言模型的先验结合，用于组织层面的空间生物学分析。

2. SAGA（Arxiv 2026）提出一个双层智能体框架，让外层 LLM agent 自动提出、实现并迭代优化目标函数，内层再针对当前目标做求解，从而缓解固定目标带来的 reward hacking——在抗生素设计、无机材料、功能 DNA 序列和化工流程四类任务上均有效。

3. TeamPath（Natuer Communications 2026） 一个多模态计算病理智能体系统，通过动态 router 根据任务复杂度自适应选择监督微调、强化学习与 test-time scaling 等推理策略，统一处理全切片图像与局部病理区域，实现病理问答、图像描述、疾病诊断、诊断纠错及空间转录组预测，并通过病理专家评估验证其临床推理与辅助诊断能力。