Biomni：来自斯坦福的通用型生物医学 AI 智能体，科研"虚拟助手"来了！

在当今生物医学研究中，实验手段和数据量正以前所未有的速度膨胀。从基因组学、单细胞组学到多模态数据，再到可穿戴设备的健康监测，科研人员每天都在与庞大的数据和复杂的分析流程打交道。 然而，实验设计琐碎、工具分散、跨学科整合困难，成为阻碍科研效率的重要瓶颈。想象一下，如果有一个 虚拟 AI 生物学家，能够自动理解研究问题，调用合适的数据库、工具和算法，甚至为你写好代码、执行分析，并输出结果报告------科研的效率会提升多少？

斯坦福 SNAP 团队推出的Biomni，正是这样一位"科研助手"。它不仅能胜任跨领域的数据分析，还能为湿实验研究者设计实验流程，被称为首个通用型生物医学 AI Agent。

一、Biomni 是什么？

Biomni 的目标，是构建一个 "虚拟 AI 生物学家"，能像科研人员一样思考和执行任务，覆盖基因组学、免疫学、药理学、病理学、临床医学等多个领域。

架构组成

Biomni 包括两个核心部分：

• Biomni-E1： 一个统一的生物医学"动作空间"，相当于实验室和计算环境的总和。它整合了：
  • 150 种专用生物医学工具
  • 105 个常用生物信息学软件（支持 Python、R、Bash）
  • 59 个数据库（如 PDB、ClinVar、OpenTarget、BindingDB 等） 并通过 AI 动作发现代理 从 2500 篇最新 bioRxiv 论文中自动提取研究步骤和工具。
• Biomni-A1： 一个智能代理，能够调用 E1 环境。它通过 大语言模型 + 动态规划 + 代码执行，自动检索合适工具，制定执行计划，生成并运行代码，在执行过程中不断调整策略，保证灵活性与准确性。

换句话说，E1 提供实验室，A1 提供大脑。两者结合，使 Biomni 拥有跨学科的"科研执行力"。

二、Biomni 有何优势？

1. 覆盖面广，真正通用

Biomni 并不是为某个单一任务（如 scRNA-seq 分析）定制，而是能在零样本（zero-shot） 情况下，处理多种复杂任务：

• 因果基因优先级排序
• CRISPR 筛选设计
• 罕见病诊断
• 药物重利用
• 微生物组分析
• 分子克隆实验

2. 性能媲美甚至超过专家

在多个权威基准测试中，Biomni 表现突出：

• LAB-Bench 数据库问答 (DbQA) ：准确率 74.4%，与专家持平（74.7%），显著超过其他 AI（40.8%）。
• 序列问答 (SeqQA) ：81.9%，高于专家（78.8%）。
• HLE 跨 14 个学科测试：在陌生任务中，Biomni 得分 17.3%，远高于基础 LLM (6.0%) 和其他 AI agent (12.8%)。
• 平均性能提升 ：比基础 LLM 高402.3%，比编码 Agent 高43%。

3. 自动化多步流程

在真实科研任务中，Biomni 平均每个任务执行 6--24 步，调用多个工具和数据库，自动组合成复杂的工作流，无需研究人员逐步硬编码。

4. 输出可视化报告

不同于只给结果的 LLM，Biomni 会生成：轨迹图、UMAP、热图、PCA 双标图、聚类图等，帮助科研人员快速洞察数据。

三、真实案例展示

案例 1：可穿戴传感器 + 多组学数据

研究者给 Biomni 提供了 485 份餐后体温数据（CGM 监测）、227 晚睡眠数据，以及 脂质组、代谢组、蛋白质组数据。

• Biomni 自动分析后发现：
• 平均餐后体温上升 2.19°C；
• 睡眠效率在周三最高，周日最低，规律性比总时长更关键；
• 脂质、代谢物与蛋白质之间形成紧密调控网络。

这一过程，从原始数据到假设提出，完全自动完成。

案例 2：胚胎骨骼多组学数据

Biomni 处理了 33.6 万个胚胎细胞核的 snRNA-seq + snATAC-seq数据，构建了 10 步分析流程：

• 比较不同解剖位置的细胞组成；
• 构建发育轨迹；
• 分析转录因子与靶基因调控网络。

它自动生成可视化结果，提出了与文献一致且可验证的新假设。

案例 3：分子克隆实验

研究者要求 Biomni 设计"将 B2M 基因的 sgRNA 插入 lentiCRISPR v2 载体"的实验。

• Biomni 自动完成：
• 质粒结构解析
• sgRNA 设计
• 寡核苷酸合成
• Golden Gate 装配
• 菌落筛选与测序验证
• 实验人员严格按照 Biomni 的协议操作，成功获得正确克隆，验证其可靠性。

这意味着，Biomni 不只是"分析助手"，还可以成为湿实验研究的实验设计师。

四、Biomni 的意义

1. 对科研人员：减少重复劳动，把更多精力放在假设生成和创新思考上；
2. 对制药公司：可自动筛选靶点、设计干预实验、加速药物发现；
3. 对临床：辅助罕见病诊断、基因优先排序，提升个性化医疗水平；
4. 对公众健康：结合可穿戴设备，实现实时健康监测与干预。

五、未来展望与挑战

Biomni 虽然表现出色，但仍存在挑战：

• 对临床推理、创新实验设计等高层次任务仍不如专家；
• 倾向依赖最新文献，可能忽略经典方法；
• 尚未整合图像、病理切片等多模态信息。

未来，Biomni 团队计划：

• 引入强化学习机制，让代理能自我迭代提升；
• 更好地整合多模态数据（文本 + 图像 + 结构化信息）；
• 自动发现并引入新工具与数据库，保持长远适用性。

📝 总结

Biomni = 实验室的 AI 科研助手 它能看文献、会写代码、懂组学，还能帮你设计实验。 无论你是生物信息学分析人员，还是实验室的分子生物学家，Biomni 都可能成为你未来工作中最强大的伙伴。

在人工智能推动科研的浪潮中，Biomni 代表着一个新起点------让 AI 真正成为科研过程中的 共同发现者。

• 官网网站 👉 https://biomni.stanford.edu

现在 Biomni 官网显示无法直接使用，是因为该项目还处于受控测试阶段。你可以通过 Request access 填写申请表，进入等待名单，等待官方邀请开放使用权限。

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

Biomni 本地安装与配置

一、环境准备

• 操作系统：推荐使用 Ubuntu 22.04 (64-bit)，已验证兼容性较好。
• 工具需求：安装 Conda（用于创建隔离环境），建议安装 Miniconda 或 Anaconda。

二、克隆仓库 & 环境搭建

克隆官方 GitHub 仓库：

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

执行设置脚本 setup.sh，构建基础环境：

bash setup.sh

此脚本将创建一个名为 biomni_e1 的 Conda 环境，并安装所需依赖包。 > 注意：整个环境可能需要 约 10 小时 构建完成，并消耗 30 GB 存储空间。

环境搭建完成后，激活：

conda activate biomni_e1

三、安装 Python 包

从 PyPI 安装稳定版本：

pip install biomni --upgrade

安装最新源码版本：

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

四、配置 API Key 与环境变量

Biomni 依赖外部 LLM 模型（如 Claude、OpenAI、Gemini 等）。

方法一：通过 .env 文件配置

在项目根目录执行：

cp .env.example .env

编辑 .env 文件：

ANTHROPIC_API_KEY=你的_Claude_API_密钥

# 可选字段
OPENAI_API_KEY=你的_OpenAI_密钥
OPENAI_ENDPOINT=https://...  # Azure OpenAI 的 endpoint
GEMINI_API_KEY=你的_Gemini_密钥
GROQ_API_KEY=你的_groq_密钥
LLM_SOURCE=指定模型来源（"OpenAI" / "Anthropic" / 等）

BIOMNI_DATA_PATH=/path/to/your/data
BIOMNI_TIMEOUT_SECONDS=600

方法二：使用 Shell 环境变量

export ANTHROPIC_API_KEY="你的_API_密钥"
export OPENAI_API_KEY="你的_OpenAI_密钥"
export LLM_SOURCE="Anthropic"

# AWS Bedrock 配置
export AWS_BEARER_TOKEN_BEDROCK="你的_密钥"
export AWS_REGION="us-east-1"

五、安全注意事项

Biomni 会以 系统权限执行 LLM 生成的代码，具备文件、网络、系统命令访问权限。 ⚠️ 务必在隔离或沙箱环境中运行，避免潜在安全风险。

六：运行示例

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)

使用前还要下载一个大概11G大小的文件，我的还在下载中，明天试试效果，给大家继续反馈。