從找文獻到寫實驗流程：Biomni讓AI接手生醫研究的多步驟工作

生醫研究最耗時的環節，往往不是提出問題，而是把散落的論文、資料庫、分析軟體與實驗程序接成一條可執行的路徑。研究團隊在《Science》發表通用型AI代理人Biomni，嘗試讓研究者以自然語言交代任務，再由系統規畫並完成這些彼此相扣的工作。

Biomni不只生成文字答案。它結合大型語言模型的推理、檢索增強規畫與程式碼執行，會先拆解問題，再選取資料來源與工具、撰寫程式並依運算結果調整後續步驟。工作流程並非套用預先寫好的固定範本，因此同一套架構可被派往因果基因排序、藥物再定位、罕見疾病診斷、微生物相分析及分子克隆等不同任務。

為建立可供代理人調用的工作環境，團隊先從25個生醫領域的2,500篇近期bioRxiv論文擷取常用方法，再由人員整理成105套軟體工具、150項專門生物學工具及59個資料庫。這項人工作業相當關鍵：代理人能否提出合理計畫，不只取決於語言模型，也受限於工具是否可靠、資料是否完整，以及不同資源能否正確銜接。

研究報告顯示，Biomni可在未針對個別任務調校的情況下，處理八種先前未見的生醫情境，整體優於多種基準代理架構。分子克隆測試中，它的準確度被報告為接近專家、完成時間則明顯較短；其中一套由系統產生的基因編輯載體克隆流程，也經菌落生長與桑格定序確認插入序列正確。不過，這是特定實驗的成功驗證，不能直接推論所有AI設計的濕實驗程序都同樣可靠。

系統也曾整理458份穿戴式裝置與生理資料試算表，並分析約33.6萬個單核RNA與染色質可及性定序液滴。這些案例顯示，AI代理人可以把資料清理、統計、視覺化與假說生成串在一起；同篇研究另展示蛋白質穩定性最佳化、實驗儀器協調及可供實測的流程設計，將應用範圍由電腦分析推向實驗室操作。

真正的考驗將是系統離開精心挑選的測試後，能否在資料品質不一、工具更新、權限受限或高風險實驗中維持可追溯性。作者也承認，現有評估只涵蓋生醫領域的一部分，若要用於臨床判斷或自動控制儀器，仍須建立人工審核、錯誤攔截、生物安全及責任歸屬機制。這項研究由早期未經同儕審查的預印本發展為正式論文；利益衝突揭露則指出，部分作者任職Genentech，其中一人持有Roche股權。