整合105個科研工具與59個專業(yè)數(shù)據(jù)庫：Biomni讓AI進(jìn)入生命科學(xué)發(fā)現(xiàn)全過程

編輯丨&

得益于過去幾十年技術(shù)的發(fā)展，生命科學(xué)的數(shù)據(jù)量達(dá)到了一個前所未有的地步。這是一個有喜有悲的事實，數(shù)據(jù)爆炸并沒有讓科研變得簡單。相反，越來越復(fù)雜的數(shù)據(jù)、越來越龐大的文獻(xiàn)體系，以及越來越專業(yè)化的分析工具，正在成為新的瓶頸。

一項新的研究提出了一個大膽的方向：如果AI不只是幫助科學(xué)家分析某一步，而是能夠像一名研究助理一樣，自主理解問題、尋找工具、設(shè)計流程、執(zhí)行分析，甚至提出實驗方案，會發(fā)生什么？

2026 年 7 月 9 日，發(fā)表于《Science》的「Autonomous biomedical research with an artificial intelligence agent」文章中，斯坦福大學(xué)等團隊推出了一種通用型生物醫(yī)學(xué) AI 智能體——Biomni。它并不是針對某一個任務(wù)訓(xùn)練的專用模型，而是一套能夠跨越多個生命科學(xué)領(lǐng)域，自主完成復(fù)雜科研任務(wù)的 AI 系統(tǒng)。

研究顯示，Biomni 可以處理基因分析、藥物研究、疾病診斷、蛋白優(yōu)化以及實驗設(shè)計等多種任務(wù)，并在多個測試中達(dá)到接近專家水平的表現(xiàn)。

論文鏈接：https://www.science.org/doi/10.1126/science.adz4351

從工具箱開始的 AI 科學(xué)家

過去幾年，人工智能已經(jīng)進(jìn)入生命科學(xué)領(lǐng)域。

研究人員利用 AI 預(yù)測蛋白結(jié)構(gòu)、尋找疾病相關(guān)基因、設(shè)計藥物分子，也開發(fā)出了許多專門解決特定問題的智能系統(tǒng)。例如，有的 AI 負(fù)責(zé)單細(xì)胞 RNA 測序分析，有的負(fù)責(zé)基因編輯實驗設(shè)計，有的負(fù)責(zé)藥物篩選。

真實科研環(huán)境卻完全不同。

一個科學(xué)問題往往不會按照固定流程展開。研究人員可能需要先閱讀大量論文，再查詢數(shù)據(jù)庫尋找相關(guān)信息，然后編寫分析代碼、處理實驗數(shù)據(jù)，根據(jù)結(jié)果重新調(diào)整假設(shè)，最后設(shè)計下一步實驗。

Biomni 的目標(biāo)，正是解決這一問題。

圖 1：Biomni 中統(tǒng)一生物醫(yī)學(xué)行動空間與智能體環(huán)境的概述。

研究團隊首先構(gòu)建了一個名為Biomni-E1的生物醫(yī)學(xué) AI 環(huán)境。為了讓 AI 理解生命科學(xué)領(lǐng)域的“行動空間”，研究人員分析了 25 個生物醫(yī)學(xué)方向的大量論文，讓AI自動提取其中涉及的實驗任務(wù)、工具、數(shù)據(jù)庫和軟件資源，最終建立了一個統(tǒng)一的科研工具環(huán)境。

在這個環(huán)境中，Biomni 整合了 105 個常用生物信息學(xué)軟件包，以及 59 個經(jīng)過整理的生物數(shù)據(jù)庫，包括蛋白結(jié)構(gòu)數(shù)據(jù)庫、疾病數(shù)據(jù)庫、基因變異數(shù)據(jù)庫等。在此基礎(chǔ)上，研究團隊開發(fā)了核心智能體架構(gòu) Biomni-A1。

它包含三個關(guān)鍵能力。

第一，是動態(tài)資源選擇。AI 會根據(jù)目標(biāo)自動判斷需要哪些數(shù)據(jù)庫、軟件和分析方法。

第二，是代碼作為通用執(zhí)行語言。Biomni 讓代碼成為通用動作接口，將數(shù)據(jù)庫查詢、數(shù)據(jù)處理、模型預(yù)測以及分析流程串聯(lián)起來，形成完整工作流。

第三，是動態(tài)規(guī)劃能力。Biomni 可以根據(jù)執(zhí)行結(jié)果不斷調(diào)整計劃，并根據(jù)執(zhí)行反饋進(jìn)行迭代優(yōu)化。

面向科研的驗證與成果

為了驗證 Biomni 是否真的具備通用能力，研究團隊設(shè)計了 Biomni-Eval1 測試。

該測試包含 443 個問題，覆蓋 10 類典型生物醫(yī)學(xué)任務(wù)，包括 CRISPR 遞送、因果基因識別、基因變異優(yōu)先級排序、數(shù)據(jù)庫查詢、DNA 序列分析、罕見疾病診斷以及擾動實驗設(shè)計等。

圖 2：Biomni 在通用基準(zhǔn)測試、專家級任務(wù)和強化學(xué)習(xí)中的表現(xiàn)。

結(jié)果顯示，Biomni 平均準(zhǔn)確率達(dá)到 57%。相比之下，基礎(chǔ)大語言模型 Claude Sonnet 4.5 平均準(zhǔn)確率為 30%，專門用于治療研究的 TxAgent 為 25%，通用代碼智能體 Claude Code 為 43%，即使結(jié)合 Biomni 環(huán)境的傳統(tǒng) ReAct 系統(tǒng)也為 44%。Biomni 通過這種特定架構(gòu)展現(xiàn)出了明顯優(yōu)勢。

此外，研究團隊還選擇了多個需要專業(yè)知識和復(fù)雜分析流程的生物醫(yī)學(xué)任務(wù)，讓 Biomni 與人類專家進(jìn)行比較。

在單細(xì)胞注釋中，Biomni 準(zhǔn)確率 45.8%，處于資深專家水平區(qū)間（40.5%-50.9%），單數(shù)據(jù)集分析時間從約 230 分鐘壓縮至 75 分鐘；罕見病診斷的準(zhǔn)確率達(dá)到了 60%，分析時間從 110 分鐘壓縮到 3 分鐘；GWAS 因果基因檢測準(zhǔn)確率也達(dá)到了與專家水準(zhǔn)相當(dāng)?shù)?80%，時間從 90 分鐘壓縮到 4 分鐘。

進(jìn)入真實實驗室

在一個多組學(xué)研究案例中，Biomni 能夠自主分析不同來源的數(shù)據(jù)，并根據(jù)結(jié)果提出后續(xù)研究方向。例如，它可以根據(jù)基因表達(dá)變化尋找關(guān)鍵調(diào)控網(wǎng)絡(luò)，再結(jié)合已有文獻(xiàn)提出可能的驗證實驗。

在蛋白質(zhì)工程任務(wù)中，Biomni 能夠調(diào)用結(jié)構(gòu)預(yù)測工具和相關(guān)數(shù)據(jù)庫，分析蛋白穩(wěn)定性變化，并提出可能改善性能的設(shè)計策略。

對接 PyLabRobot 框架，Biomni 可將自然語言的實驗需求直接轉(zhuǎn)化為液體處理機器人的可執(zhí)行代碼，打通干實驗設(shè)計到濕實驗執(zhí)行的壁壘，可完成梯度稀釋、細(xì)胞活力檢測等復(fù)雜實驗流程。

圖 3：AI 指導(dǎo)的蛋白質(zhì)優(yōu)化與自動化實驗執(zhí)行。

共同發(fā)的未來

過去，科研競爭的核心是實驗設(shè)備和數(shù)據(jù)規(guī)模；未來，如何有效利用這些數(shù)據(jù)和工具，可能成為決定科研效率的重要因素。

Biomni 并不是第一個嘗試進(jìn)入科學(xué)研究領(lǐng)域的 AI 系統(tǒng)，科技的發(fā)展正向我們展示這樣的未來：科學(xué)家提出問題，AI 規(guī)劃方案，機器人執(zhí)行實驗，系統(tǒng)分析結(jié)果，再由 AI 根據(jù)反饋調(diào)整下一輪研究方向。

這或許會是科幻電影走進(jìn)現(xiàn)實的前兆。