Biomni 生物医学 AI 代理完整指南:5 步本地部署,把繁琐的生信分析交给自主 Agent【免费下载链接】BiomniBiomni: a general-purpose biomedical AI agent项目地址: https://gitcode.com/GitHub_Trending/bi/BiomniBiomni 是一款通用的生物医学 AI 代理(biomedical AI agent)框架:你用一句自然语言提出研究问题,它自动完成规划、数据检索、工具调用和代码执行,最后交回可检验的结论。核心功能是把大语言模型推理、检索增强规划与代码执行缝合成一条自主科研流水线;对你而言,收益是三件事——敏感数据留在自己的机器上、每一步输出可复现,并省掉大量手工搬运脚本的重复劳动。10 秒速览:Biomni 值不值得装问题答案是什么斯坦福团队开源的通用生物医学 AI 代理,Apache 2.0 协议,以biomnipip 包形式分发解决什么把 CRISPR 实验设计、单细胞测序注释、药物 ADMET 预测等跨子领域任务,从查数据库→写代码→对结果变成一句自然语言适合谁生信/湿实验交叉的研究者、想本地化部署 AI 代理的团队、以及想研究 LLM工具调用的开发者上手成本基础环境一条命令即可创建;完整环境需 30GB 磁盘与 10 小时以上安装时间;首次运行自动下载约 11GB 数据湖它能帮你把什么活干完先看全景,再拆细节。Biomni 的能力来自四层资产,全部随仓库提供:250 工具函数、20 子领域。代码集中在 biomni/tool/,从基因组学(genomics)、药理(pharmacology,单文件就有 40 多个函数)到实验室自动化(lab_automation)、生物成像都有覆盖。你不用记 API,Agent 自己检索并选择工具。30 公开数据库的本地 schema 索引。biomni/tool/schema_db/ 下预置了 uniprot、pubchem、clinvar、kegg、opentarget、gnomad 等数据库的结构定义,配合 biomni/model/retriever.py 的检索器,Agent 能按你的问题定位到正确的表和字段。标准化实验协议文本库。biomni/tool/protocols/ 收录了 Addgene 与 Thermo Fisher 两套完整实验协议(AAV 生产、CRISPR 文库扩增、流式染色等),回答怎么做这类问题时可直接引用。Know-How 最佳实践库。biomni/know_how/ 里的 sgRNA 设计指南、单细胞注释流程等文档,会在相关查询时自动检索注入,相当于给 Agent 配了一位领域顾问。几个关键卖点,用标签拆开说:本地执行:数据与中间结果都落在你指定的本地目录(默认./data),患者级数据不必上传第三方服务。一句话入口⚡:所有任务都从agent.go(...)发起,不需要拼调用链。可交付输出:执行轨迹可以一键导出 PDF 报告(save_conversation_history),直接进论文材料或组会汇报。开放生态:支持 MCP(Model Context Protocol,一种让 LLM 接入外部工具的标准协议)扩展外部工具,示例见 tutorials/examples/add_mcp_server/。从零跑起来:Biomni 一键安装步骤前提:conda Python 3.11 以上;官方说明setup.sh只在 Ubuntu 22.04(64 位)上做过验证,其他发行版建议从基础环境起步。第一步:克隆仓库git clone https://gitcode.com/GitHub_Trending/bi/Biomni第二步:四选一创建 conda 环境不同用途对应不同的环境文件,均在 biomni_env/ 目录内:用途命令磁盘要求特点快速试用conda env create -f environment.yml未注明,小于完整版基础 Agent 可跑,不含全部工具完整环境 E1cd biomni_env bash setup.sh≥30GB按提示勾选组件,安装耗时 10 小时以上精简环境conda env create -f fixed_env.yml≥13GB不含 R 与 CLI 工具,日常分析够用拷贝数分析专用conda env create -f bio_env_py310.yml随 cnvkit 依赖Python 3.10,专用于analyze_copy_number_purity_ploidy_and_focal_events第三步:激活环境并安装包conda activate biomni_e1 # py310 环境对应 biomni_py310 pip install biomni --upgrade第四步:配置 API 密钥cp .env.example .env # 然后编辑 .env.env中最小可用配置:ANTHROPIC_API_KEYyour_anthropic_api_key_here # 必填:使用 Claude 系列模型 # BIOMNI_DATA_PATH./data # 可选:数据湖目录,默认 ./data # BIOMNI_TIMEOUT_SECONDS600 # 可选:单步超时,默认 600 秒OpenAI、Gemini、Groq、Azure、Bedrock 等密钥均为可选项,按你所选的模型提供方填写即可。内部结构一览装完以后,仓库里真正干活的是这几块:决策引擎biomni/agent/:a1.py是主入口 A1,react.py实现 ReAct 式推理—行动循环;工具层biomni/tool/:各领域工具函数 schema_db/数据库索引 protocols/协议文本;检索器biomni/model/retriever.py:从工具与数据湖中挑出与当前问题相关的部分,避免把全部 250 工具塞进上下文;任务模板biomni/task/:HLE、Lab Bench 等标准评测任务的定义。上手就干这三件事:输入与输出全链路以下三个示例均为官方 README 中的真实用法,把占位符换成你自己的路径即可运行。1. 设计一个 CRISPR 筛选实验from biomni.agent import A1 agent A1(path./data, llmclaude-sonnet-4-20250514) # 首次运行自动下载约 11GB 数据湖 agent.go(Plan a CRISPR screen to identify genes that regulate T cell exhaustion, generate 32 genes that maximize the perturbation effect.)输入:一句实验设计需求。输出:候选基因短名单(32 个)、sgRNA 设计考量、对照组设置与后续数据分析流程。涉及 sgRNA 设计细节时,Agent 会自动引用 Know-How 库中的设计指南。2. 注释单细胞 RNA 测序数据并生成假设agent.go(Perform scRNA-seq annotation at [PATH] and generate meaningful hypothesis)输入:本地 h5ad 文件路径。输出:质控后的细胞类型注释结果,以及基于表达模式生成的、可检验的生物学假设——biomni/know_how/single_cell_annotation.md 里的最佳实践会在此过程中被检索使用。3. 预测化合物的 ADMET 性质,并导出 PDFagent.go(Predict ADMET properties for this compound: CC(C)CC1CCC(CC1)C(C)C(O)O) agent.save_conversation_history(admet_report.pdf) # 执行轨迹导出为 PDF输入:一个 SMILES 字符串(这里是布洛芬)。输出:吸收、分布、代谢、排泄、毒性五个维度的预测,以及一份可直接归档的 PDF 报告。PDF 依赖(weasyprint、markdown2pdf 或 pandoc 三选一)在 README 中有完整安装说明。不想写代码也可以:agent.launch_gradio_demo() # 启动 Web 界面,默认 http://localhost:7860从能跑到跑得快:四条调优建议1. 用双模型策略压低 API 成本这是 docs/configuration.md 推荐的做法:数据库查询用便宜模型,推理规划用强模型,两者独立配置:from biomni.config import default_config from biomni.agent import A1 default_config.llm claude-3-5-haiku-20241022 # 廉价模型:负责索引/检索等数据库查询 agent A1(llmclaude-3-5-sonnet-20241022) # 强模型:负责 Agent 推理注意:直接传给A1()的参数只影响推理链路,数据库查询仍走default_config——统一行为请改全局配置或环境变量。2. 给长任务调大超时默认单步超时 600 秒,跑全库扫描类任务容易超时中断:default_config.timeout_seconds 1200 # 或在 .env 中设 BIOMNI_TIMEOUT_SECONDS12003. 磁盘紧张时跳过数据湖数据湖约 11GB,默认首次创建 Agent 时自动下载。只测试 Agent 逻辑或存储受限时,可以显式跳过:agent A1(path./data, llmclaude-sonnet-4-20250514, expected_data_lake_files[])跳过后,依赖本地数据的工具不可用,但推理与外部 API 类工具正常。4. 推理链切到本地模型:部署 Biomni-R0团队已发布Biomni-R0——基于 Qwen-32B、用 Agent 交互数据做强化学习训练的推理模型,支持 131K 上下文,专攻工具调用与多步纠错。用 SGLang 起本地服务,再让 Agent 的推理走本地端点、数据库查询仍走原提供方:python -m sglang.launch_server --model-path RyanLi0802/Biomni-R0-Preview --port 30000 \ --host 0.0.0.0 --mem-fraction-static 0.8 --tp 2 --trust-remote-code \ --json-model-override-args {rope_scaling:{rope_type:yarn,factor:1.0,original_max_position_embeddings:32768}, max_position_embeddings: 131072}default_config.llm claude-3-5-sonnet-20241022 # 数据库查询仍用 API default_config.source Anthropic agent A1(llmbiomni/Biomni-R0-32B-Preview, sourceCustom, base_urlhttp://localhost:30000/v1, api_keyEMPTY) # 推理走本地双卡(tp 2)起步,显存与--mem-fraction-static参数请按你的硬件调整。别踩这些坑:4 个高频问题 FAQ坑 1:某功能 import 报错、包找不到?先查 docs/known_conflicts.md。hyperimpute、langchain_aws、cnvkit、panhumanpy四个包因依赖冲突默认不装,需要时手动安装(后两者建议独立 conda 环境),部分还需取消源码中的注释才能启用。坑 2:第一次运行卡住不动?大概率是在下载 11GB 数据湖。带宽差就先看上一条的跳过方案;磁盘小于 13GB 则改用fixed_env.yml精简环境。坑 3:Gradio 界面报错、版本不兼容?界面依赖 Gradio 5.x 的 API,6.x 会不兼容。锁定版本:pip install gradio5.0,6.0坑 4:以为可以直接上生产环境?官方明确提示两点风险。其一,Agent 执行 LLM 生成的代码时拥有完整系统权限(可触达文件、网络与系统命令),生产用途必须放进隔离沙箱,敏感凭证不要放在它够得着的路径。其二,主包是 Apache 2.0,但部分集成的数据库与工具带更严格的商业许可,商用前逐组件核对;另外本仓库代码冻结于 2025-04-15,与线上平台存在差异。走向何方:版本规划与你的下一步Biomni-E2 正在与社区共建。官方认为 E1 只覆盖了生物医学动作空间的一角,下一代环境将围绕社区共同定义的标准动作库展开。贡献方向包括:新工具、数据集、软件集成、基准评测与 Know-How 文档;累计 10 个以上被采纳的工具贡献者可受邀成为论文共同作者,其余贡献者会在出版物中致谢。入口文档是 CONTRIBUTION.md。评测侧也已就绪:biomni/eval/ 内置Biomni-Eval1基准(433 个实例、10 类生物推理任务,从 GWAS 因果基因识别到罕见病诊断),想对比不同模型表现可以直接跑:from biomni.eval import BiomniEval1 evaluator BiomniEval1() score evaluator.evaluate(gwas_causal_gene_opentargets, 0, BRCA1)现在就能做的 5 件事:用conda env create -f environment.yml建好基础环境,pip install biomni --upgrade;写好.env(至少填ANTHROPIC_API_KEY),跑通第一个A1().go(...);按 tutorials/biomni_101.ipynb 走一遍官方入门 notebook;launch_gradio_demo()起 Web 界面,让组里不写代码的同学也能用;读一遍 CONTRIBUTION.md,挑一个你熟悉的实验方向,提交第一份工具或 Know-How 文档。避坑提醒:Biomni 执行的是 LLM 生成的代码,权限完整;正式跑患者数据或涉密项目前,请务必先搭好沙箱(容器/虚拟机),并确认所用数据库与工具的许可证覆盖你的使用场景。【免费下载链接】BiomniBiomni: a general-purpose biomedical AI agent项目地址: https://gitcode.com/GitHub_Trending/bi/Biomni创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
