在當今生物醫學研究中，實驗手段和數據量正以前所未有的速度膨脹。從基因組學、單細胞組學到多模態數據，再到可穿戴設備的健康監測，科研人員每天都在與龐大的數據和復雜的分析流程打交道。
然而，實驗設計瑣碎、工具分散、跨學科整合困難，成為阻礙科研效率的重要瓶頸。

👉 想象一下，如果有一個 虛擬 AI 生物學家，能夠自動理解研究問題，調用合適的數據庫、工具和算法，甚至為你寫好代碼、執行分析，并輸出結果報告------科研的效率會提升多少？

斯坦福 SNAP 團隊推出的 Biomni，正是這樣一位"科研助手"。它不僅能勝任跨領域的數據分析，還能為濕實驗研究者設計實驗流程，被稱為首個 通用型生物醫學 AI Agent。

一、Biomni 是什么？

Biomni 的目標，是構建一個 "虛擬 AI 生物學家"，能像科研人員一樣思考和執行任務，覆蓋基因組學、免疫學、藥理學、病理學、臨床醫學等多個領域。

架構組成

Biomni 包括兩個核心部分：

• Biomni-E1：
  一個統一的生物醫學"動作空間"，相當于實驗室和計算環境的總和。它整合了：

  • 150 種專用生物醫學工具

  • 105 個常用生物信息學軟件（支持 Python、R、Bash）

  • 59 個數據庫（如 PDB、ClinVar、OpenTarget、BindingDB 等） 并通過 AI 動作發現代理 從 2500 篇最新 bioRxiv 論文中自動提取研究步驟和工具。

• Biomni-A1：
  一個智能代理，能夠調用 E1 環境。它通過 大語言模型 + 動態規劃 + 代碼執行，自動檢索合適工具，制定執行計劃，生成并運行代碼，在執行過程中不斷調整策略，保證靈活性與準確性。

換句話說，E1 提供實驗室，A1 提供大腦。兩者結合，使 Biomni 擁有跨學科的"科研執行力"。

二、Biomni 有何優勢？

1. 覆蓋面廣，真正通用

Biomni 并不是為某個單一任務（如 scRNA-seq 分析）定制，而是能在 零樣本（zero-shot） 情況下，處理多種復雜任務：

• 因果基因優先級排序

• CRISPR 篩選設計

• 罕見病診斷

• 藥物重利用

• 微生物組分析

• 分子克隆實驗

2. 性能媲美甚至超過專家

在多個權威基準測試中，Biomni 表現突出：

• LAB-Bench 數據庫問答 (DbQA) ：準確率 74.4%，與專家持平（74.7%），顯著超過其他 AI（40.8%）。

• 序列問答 (SeqQA) ：81.9%，高于專家（78.8%）。

• HLE 跨 14 個學科測試：在陌生任務中，Biomni 得分 17.3%，遠高于基礎 LLM (6.0%) 和其他 AI agent (12.8%)。

• 平均性能提升 ：比基礎 LLM 高402.3%，比編碼 Agent 高43%。

3. 自動化多步流程

在真實科研任務中，Biomni 平均每個任務執行 6--24 步，調用多個工具和數據庫，自動組合成復雜的工作流，無需研究人員逐步硬編碼。

4. 輸出可視化報告

不同于只給結果的 LLM，Biomni 會生成：軌跡圖、UMAP、熱圖、PCA 雙標圖、聚類圖等，幫助科研人員快速洞察數據。

三、真實案例展示

案例 1：可穿戴傳感器 + 多組學數據

研究者給 Biomni 提供了 485 份餐后體溫數據（CGM 監測）、227 晚睡眠數據，以及 脂質組、代謝組、蛋白質組數據。

• Biomni 自動分析后發現：

• 平均餐后體溫上升 2.19°C；

• 睡眠效率在周三最高，周日最低，規律性比總時長更關鍵；

• 脂質、代謝物與蛋白質之間形成緊密調控網絡。

這一過程，從原始數據到假設提出，完全自動完成。

案例 2：胚胎骨骼多組學數據

Biomni 處理了 33.6 萬個胚胎細胞核的 snRNA-seq + snATAC-seq 數據，構建了 10 步分析流程：

• 比較不同解剖位置的細胞組成；

• 構建發育軌跡；

• 分析轉錄因子與靶基因調控網絡。

它自動生成可視化結果，提出了與文獻一致且可驗證的新假設。

案例 3：分子克隆實驗

研究者要求 Biomni 設計"將 B2M 基因的 sgRNA 插入 lentiCRISPR v2 載體"的實驗。

• Biomni 自動完成：

• 質粒結構解析

• sgRNA 設計

• 寡核苷酸合成

• Golden Gate 裝配

• 菌落篩選與測序驗證

• 實驗人員嚴格按照 Biomni 的協議操作，成功獲得正確克隆，驗證其可靠性。

這意味著，Biomni 不只是"分析助手"，還可以成為 濕實驗研究的實驗設計師。

四、Biomni 的意義

1. 對科研人員：減少重復勞動，把更多精力放在假設生成和創新思考上；

2. 對制藥公司：可自動篩選靶點、設計干預實驗、加速藥物發現；

3. 對臨床：輔助罕見病診斷、基因優先排序，提升個性化醫療水平；

4. 對公眾健康：結合可穿戴設備，實現實時健康監測與干預。

五、未來展望與挑戰

Biomni 雖然表現出色，但仍存在挑戰：

• 對臨床推理、創新實驗設計等高層次任務仍不如專家；

• 傾向依賴最新文獻，可能忽略經典方法；

• 尚未整合圖像、病理切片等多模態信息。

未來，Biomni 團隊計劃：

• 引入強化學習機制，讓代理能自我迭代提升；

• 更好地整合多模態數據（文本 + 圖像 + 結構化信息）；

• 自動發現并引入新工具與數據庫，保持長遠適用性。

📝 總結

Biomni = 實驗室的 AI 科研助手
它能看文獻、會寫代碼、懂組學，還能幫你設計實驗。
無論你是生物信息學分析人員，還是實驗室的分子生物學家，Biomni 都可能成為你未來工作中最強大的伙伴。

在人工智能推動科研的浪潮中，Biomni 代表著一個新起點------讓 AI 真正成為科研過程中的 共同發現者。

• 官網網站 👉 https://biomni.stanford.edu

  

現在 Biomni 官網顯示無法直接使用，是因為該項目還處于受控測試階段。你可以通過 Request access 填寫申請表，進入等待名單，等待官方邀請開放使用權限。

• GitHub 開源地址 👉 https://github.com/snap-stanford/Biomni

Biomni 本地安裝與配置

一、環境準備

• 操作系統：推薦使用 Ubuntu 22.04 (64-bit)，已驗證兼容性較好。

• 工具需求：安裝 Conda（用于創建隔離環境），建議安裝 Miniconda 或 Anaconda。

二、克隆倉庫 & 環境搭建

1. 克隆官方 GitHub 倉庫：

   git?clone?https://github.com/snap-stanford/Biomni.git
   cd?Biomni
   

2. 執行設置腳本 setup.sh，構建基礎環境：

   bash?setup.sh
   

   此腳本將創建一個名為 biomni_e1 的 Conda 環境，并安裝所需依賴包。
   > 注意：整個環境可能需要 約 10 小時 構建完成，并消耗 30?GB 存儲空間。

3. 環境搭建完成后，激活：

   conda?activate?biomni_e1
   

三、安裝 Python 包

• 從 PyPI 安裝穩定版本：

  pip?install?biomni?--upgrade
  

• 安裝最新源碼版本：

  pip?install?git+https://github.com/snap-stanford/Biomni.git@main
  

---

四、配置 API Key 與環境變量

Biomni 依賴外部 LLM 模型（如 Claude、OpenAI、Gemini 等）。

方法一：通過 .env 文件配置

在項目根目錄執行：

cp?.env.example?.env

編輯 .env 文件：

ANTHROPIC_API_KEY=你的_Claude_API_密鑰# 可選字段
OPENAI_API_KEY=你的_OpenAI_密鑰
OPENAI_ENDPOINT=https://...  # Azure OpenAI 的 endpoint
GEMINI_API_KEY=你的_Gemini_密鑰
GROQ_API_KEY=你的_groq_密鑰
LLM_SOURCE=指定模型來源（"OpenAI" / "Anthropic" / 等）BIOMNI_DATA_PATH=/path/to/your/data
BIOMNI_TIMEOUT_SECONDS=600

方法二：使用 Shell 環境變量

export?ANTHROPIC_API_KEY="你的_API_密鑰"
export?OPENAI_API_KEY="你的_OpenAI_密鑰"
export?LLM_SOURCE="Anthropic"#?AWS?Bedrock?配置
export?AWS_BEARER_TOKEN_BEDROCK="你的_密鑰"
export?AWS_REGION="us-east-1"

五、安全注意事項

Biomni 會以 系統權限執行 LLM 生成的代碼，具備文件、網絡、系統命令訪問權限。
?? 務必在隔離或沙箱環境中運行，避免潛在安全風險。

六：運行示例

from?biomni.agent?import?A1
agent?=?A1(path="./data",?llm="claude-sonnet-4-20250514")
result?=?agent.go("Plan?a?CRISPR?screen?to?identify?genes?that?regulate?T?cell?exhaustion,?generate?32?genes…")
print(result)

使用前還要下載一個大概11G大小的文件，我的還在下載中，明天試試效果，給大家繼續反饋。