biomni

Biomni

概述

Biomni 是来自 Stanford SNAP 实验室的开源生物医学 AI Agent 框架，可在生物医学各领域中自主执行复杂的研究任务。当你需要处理多步生物学推理任务、分析生物医学数据，或开展涵盖基因组学、药物发现、分子生物学和临床分析的研究时，可使用此技能。

核心能力

Biomni 擅长：

1. 多步生物学推理 - 针对复杂生物医学查询进行自主任务分解与规划
2. 代码生成与执行 - 为数据处理动态创建分析流水线
3. 知识检索 - 可访问约 11GB 的集成生物医学数据库与文献
4. 跨领域问题求解 - 为基因组学、蛋白质组学、药物发现和临床任务提供统一接口

何时使用此技能

在以下场景使用 biomni：

• CRISPR 筛选 - 设计筛选方案、对基因进行优先级排序、分析敲除效应
• 单细胞 RNA-seq - 细胞类型注释、差异表达、轨迹分析
• 药物发现 - ADMET 预测、靶点识别、化合物优化
• GWAS 分析 - 变异解读、因果基因识别、通路富集
• 临床基因组学 - 罕见病诊断、变异致病性、表型-基因型映射
• 实验方案 - 方案优化、文献综合、实验设计

快速开始

安装与设置

安装 Biomni 并为大模型提供商配置 API 密钥：

uv pip install biomni --upgrade

配置 API 密钥（存储在 .env 文件或环境变量中）：

export ANTHROPIC_API_KEY="your-key-here"
# Optional: OpenAI, Azure, Google, Groq, AWS Bedrock keys

使用 scripts/setup_environment.py 获取交互式设置协助。

基本用法模式

from biomni.agent import A1

# Initialize agent with data path and LLM choice
agent = A1(path='./data', llm='claude-sonnet-4-20250514')

# Execute biomedical task autonomously
agent.go("Your biomedical research question or task")

# Save conversation history and results
agent.save_conversation_history("report.pdf")

使用 Biomni

1. Agent 初始化

A1 类是 biomni 的主要接口：

from biomni.agent import A1
from biomni.config import default_config

# Basic initialization
agent = A1(
    path='./data',  # Path to data lake (~11GB downloaded on first use)
    llm='claude-sonnet-4-20250514'  # LLM model selection
)

# Advanced configuration
default_config.llm = "gpt-4"
default_config.timeout_seconds = 1200
default_config.max_iterations = 50

支持的大模型提供商：

• Anthropic Claude（推荐）：claude-sonnet-4-20250514、claude-opus-4-20250514
• OpenAI：gpt-4、gpt-4-turbo
• Azure OpenAI：通过 Azure 配置
• Google Gemini：gemini-2.0-flash-exp
• Groq：llama-3.3-70b-versatile
• AWS Bedrock：通过 Bedrock API 使用各种模型

有关大模型配置的详细说明，请参阅 references/llm_providers.md。

2. 任务执行工作流

Biomni 遵循自主 Agent 工作流：

# Step 1: Initialize agent
agent = A1(path='./data', llm='claude-sonnet-4-20250514')

# Step 2: Execute task with natural language query
result = agent.go("""
Design a CRISPR screen to identify genes regulating autophagy in
HEK293 cells. Prioritize genes based on essentiality and pathway
relevance.
""")

# Step 3: Review generated code and analysis
# Agent autonomously:
# - Decomposes task into sub-steps
# - Retrieves relevant biological knowledge
# - Generates and executes analysis code
# - Interprets results and provides insights

# Step 4: Save results
agent.save_conversation_history("autophagy_screen_report.pdf")

3. 常见任务模式

CRISPR 筛选设计

agent.go("""
Design a genome-wide CRISPR knockout screen for identifying genes
affecting [phenotype] in [cell type]. Include:
1. sgRNA library design
2. Gene prioritization criteria
3. Expected hit genes based on pathway analysis
""")

单细胞 RNA-seq 分析

agent.go("""
Analyze this single-cell RNA-seq dataset:
- Perform quality control and filtering
- Identify cell populations via clustering
- Annotate cell types using marker genes
- Conduct differential expression between conditions
File path: [path/to/data.h5ad]
""")

药物 ADMET 预测

agent.go("""
Predict ADMET properties for these drug candidates:
[SMILES strings or compound IDs]
Focus on:
- Absorption (Caco-2 permeability, HIA)
- Distribution (plasma protein binding, BBB penetration)
- Metabolism (CYP450 interaction)
- Excretion (clearance)
- Toxicity (hERG liability, hepatotoxicity)
""")

GWAS 变异解读

agent.go("""
Interpret GWAS results for [trait/disease]:
- Identify genome-wide significant variants
- Map variants to causal genes
- Perform pathway enrichment analysis
- Predict functional consequences
Summary statistics file: [path/to/gwas_summary.txt]
""")

有关涵盖所有生物医学领域的全面任务示例，请参阅 references/use_cases.md。

4. 数据集成

Biomni 集成了约 11GB 的生物医学知识来源：

• 基因数据库 - Ensembl、NCBI Gene、UniProt
• 蛋白质结构 - PDB、AlphaFold
• 临床数据集 - ClinVar、OMIM、HPO
• 文献索引 - PubMed 摘要、生物医学本体
• 通路数据库 - KEGG、Reactome、GO

首次使用时，数据会自动下载到指定的 path。

5. MCP 服务集成

通过 Model Context Protocol 使用外部工具扩展 biomni：

# MCP servers can provide:
# - FDA drug databases
# - Web search for literature
# - Custom biomedical APIs
# - Laboratory equipment interfaces

# Configure MCP servers in .biomni/mcp_config.json

6. 评估框架

在生物医学任务上对 Agent 性能进行基准测试：

from biomni.eval import BiomniEval1

evaluator = BiomniEval1()

# Evaluate on specific task types
score = evaluator.evaluate(
    task_type='crispr_design',
    instance_id='test_001',
    answer=agent_output
)

# Access evaluation dataset
dataset = evaluator.load_dataset()

最佳实践

任务表述

• 要具体 - 包含生物学背景、生物体、细胞类型、条件
• 明确输出 - 清楚说明期望的分析输出与格式
• 提供数据路径 - 包含待分析数据集的文件路径
• 设置约束 - 如相关，请说明时间/计算限制

安全注意事项

⚠️ 重要：Biomni 会以完整系统权限执行大模型生成的代码。用于生产环境时：

• 在隔离环境中运行（Docker、VM）
• 避免暴露敏感凭据
• 在敏感场景中执行前审查生成的代码
• 尽可能使用沙箱化执行环境

性能优化

• 选择合适的 LLM - 推荐 Claude Sonnet 4，兼顾速度与质量
• 设置合理的超时时间 - 针对复杂任务调整 default_config.timeout_seconds
• 监控迭代次数 - 跟踪 max_iterations 以防止失控循环
• 缓存数据 - 跨会话复用已下载的数据湖

结果文档化

# Always save conversation history for reproducibility
agent.save_conversation_history("results/project_name_YYYYMMDD.pdf")

# Include in reports:
# - Original task description
# - Generated analysis code
# - Results and interpretations
# - Data sources used

资源

参考资料

详细文档位于 references/ 目录：

• api_reference.md - A1 类、配置和评估的完整 API 文档
• llm_providers.md - LLM 提供商设置（Anthropic、OpenAI、Azure、Google、Groq、AWS）
• use_cases.md - 涵盖所有生物医学领域的综合任务示例

脚本

scripts/ 目录中的辅助脚本：

• setup_environment.py - 交互式环境和 API 密钥配置
• generate_report.py - 增强的 PDF 报告生成，支持自定义格式

外部资源

• GitHub：https://github.com/snap-stanford/biomni
• 网页平台：https://biomni.stanford.edu
• 论文：https://www.biorxiv.org/content/10.1101/2025.05.30.656746v1
• 模型：https://huggingface.co/biomni/Biomni-R0-32B-Preview
• 评估数据集：https://huggingface.co/datasets/biomni/Eval1

故障排除

常见问题

数据下载失败

# Manually trigger data lake download
agent = A1(path='./data', llm='your-llm')
# First .go() call will download data

API 密钥错误

# Verify environment variables
echo $ANTHROPIC_API_KEY
# Or check .env file in working directory

复杂任务超时

from biomni.config import default_config
default_config.timeout_seconds = 3600  # 1 hour

大型数据集的内存问题

• 对大文件使用流式处理
• 分块处理数据
• 增加系统内存分配

获取帮助

如有问题或疑问：

• GitHub Issues：https://github.com/snap-stanford/biomni/issues
• 文档：查看 references/ 文件以获取详细指导
• 社区：Stanford SNAP 实验室和 biomni 贡献者