← 返回首頁

從找基因到寫實驗流程:Biomni把生醫研究的零散工具接成一名AI代理人

這套系統能拆解研究問題、查找資料並執行分析程式,已在25個生醫領域接受測試;但它擅長加速流程,不等於能取代臨床判斷、實驗驗證與研究者的生物學洞察。

By SURL BioNews

生醫研究的瓶頸,往往不只是缺少資料,而是資料散落在不同格式、資料庫與分析工具之間。發表於《Science》的研究介紹通用型生醫AI代理人Biomni,試圖把查文獻、選工具、撰寫程式、分析結果與設計實驗流程串在一起,讓研究者以自然語言提出問題,再逐步檢查與修正系統的工作。

Biomni結合語言模型推理、資訊檢索與可執行工具。據史丹福大學團隊資料,其運作環境涵蓋逾150項專業工具、59個整理過的資料庫與約百套軟體;官方專案頁將軟體數目列為105套。面對未曾專門訓練過的任務,系統會先挑選資源、擬定計畫,繼而撰寫並執行程式,研究者則可查看過程並在中途改變方向。

論文的基準測試與案例橫跨25個領域,包括疾病相關基因排序、舊藥新用、罕見疾病診斷、蛋白質穩定性最佳化、多模態資料分析,以及實驗流程生成。具體應用還包括變異判讀、Perturb-seq與單細胞RNA定序分析、ADMET性質預測、分子對接、分子選殖和CRISPR篩選設計;這些任務共同考驗的不是單次問答,而是能否把多個分析步驟連成可執行的工作流。

一項較貼近真實研究現場的案例,涉及30名參與者數月累積、分散在458個試算表中的連續血糖與體溫資料。Biomni建立並執行十步分析,從血糖升幅推測進食事件,再整理餐前、餐後體溫變化,形成可供研究者檢視的報告。這顯示它可能縮短資料清理到提出可檢驗假說的距離,但分析所得的模式仍須由獨立資料與實驗確認。

實際採用規模也提供了不同於基準分數的線索。史丹福人本AI研究院表示,Biomni開源後首九個月有逾1.5萬名科學家使用,合計自動化10萬個工作流;這些數字來自開發團隊,不能直接視為研究品質或發現獲得重現的證明。公開程式碼採Apache 2.0授權,約11 GB的資料湖可在本地部署,並支援多種語言模型供應商。

系統的邊界同樣清楚。研究團隊承認,Biomni在細緻臨床判斷、真正新穎的實驗推理與深層生物學整合上仍有弱點,部分重要領域尚未評估;論文中的廣泛案例也不能替代前瞻性臨床驗證。若用於病人資料或醫療決策,資料治理、可重現性、責任歸屬與監管要求都需要另行處理。

部署安全則是更直接的風險。專案儲存庫警告,Biomni可能以完整系統權限執行模型生成的程式碼,因此涉及敏感資料、憑證或內部系統時,應置於隔離或沙盒環境。儲存庫也說明,2025年4月15日凍結的公開版本與現行網路平台並不完全相同;評估效能與風險時,必須先釐清實際使用的是哪一套模型、工具與資料版本。

References

  1. Science via PubMed
  2. Stanford Institute for Human-Centered Artificial Intelligence
  3. Stanford University Biomni project
  4. Stanford SNAP GitHub repository