Wie KI von Stanford Biologen bei der Experimentplanung hilft

Stellen Sie sich vor, Sie müssen einen CRISPR-Screen planen, um Gene zu finden, die für die T-Zell-Erschöpfung verantwortlich sind. Bisher bedeutete das Wochen des Lesens von Studien, manuelle Auswahl von Zielen und endloses Arbeiten mit Tabellenkalkulationen. Jetzt können Sie einfach eine einzige Zeile Python-Code schreiben.

Ein Team von Stanford (die SNAP-Gruppe) hat Biomni als Open Source veröffentlicht — einen universellen Agenten basierend auf Large Language Models, zugeschnitten auf biomedizinische Aufgaben. Er kann Fragen beantworten, Code für die Datenanalyse schreiben, Experimente planen und sogar überprüfbare Hypothesen generieren.

Was Biomni kann

Das Projekt ist interessant, weil es nicht nur ein Wrapper um GPT-4 oder Claude ist. Es ist ein System, das LLM-Logik mit Suchwerkzeugen (RAG) und einer Code-Ausführungsumgebung kombiniert. Der Agent „versteht", wann er eine Datenbank abfragen muss und wann er ein Skript für die scRNA-seq-Verarbeitung ausführen muss.

Hier sind einige echte Beispiele für das, was es tut:

• Experimentplanung. Sie beschreiben die Aufgabe in einfacher Sprache, und der Agent gibt eine Liste von zu editierenden Genen oder ein Forschungsprotokoll aus.
• Datenanalyse in Echtzeit. Sie können ihm einen Pfad zu Single-Cell-Sequenzierungsergebnissen geben, und er führt Annotationen durch und schlägt Hypothesen vor.
• Vorhersage von Verbindungseigenschaften. Der Agent arbeitet mit chemischen Formeln (SMILES) und kann ADMET-Parameter bewerten (Absorption, Verteilung, Metabolismus, Ausscheidung und Toxizität).

Technische Implementierung

Die Entwickler haben sich nicht darauf beschränkt, einfach fertige Modelle zu verwenden. Das Repository enthält Biomni-R0 — ein spezialisiertes Modell basierend auf Qwen-32B, feinabgestimmt mittels Reinforcement Learning (RL). Es ist für die Werkzeugnutzung und mehrstufiges Reasoning im biologischen Kontext optimiert.

Ein interessantes Detail: Beim ersten Start lädt der Agent einen „Data Lake" von etwa 11 GB herunter. Dies ist eine lokale Wissensbasis, die es dem Modell ermöglicht, Halluzinationen zu vermeiden und sich auf verifizierte Protokolle und Publikationen zu verlassen.

Zur Qualitätsbewertung erstellten die Autoren den Biomni-Eval1 Benchmark. Er enthält 433 Szenarien: von der Identifizierung kausaler Gene in GWAS bis zur Auswahl von CRISPR-Liefermethoden. Wenn Sie in der Bioinformatik arbeiten, könnte dieser Datensatz allein nützlich sein, um Ihre Modelle zu testen.

So führen Sie das Projekt aus

Die Installation erfordert Geduld, da die Umgebung ziemlich umfangreich ist. Die Autoren haben ein Setup-Skript vorbereitet:

conda activate biomni_e1
pip install biomni --upgrade

Sie benötigen API-Schlüssel von Anthropic oder OpenAI. Die Initialisierung des Agenten sieht prägnant aus:

from biomni.agent import A1

# Инициализируем агента, он сам подтянет нужные данные
agent = A1(path='./data', llm='claude-sonnet-4-20250514')

# Пример задачи: планирование CRISPR скрининга
agent.go("Plan a CRISPR screen to identify genes that regulate T cell exhaustion, generate 32 genes that maximize the perturbation effect.")

Wenn Sie keinen Code schreiben möchten, bietet das Projekt eine Gradio-Oberfläche. Sie können sie mit einem einzigen Befehl lokal starten agent.launch_gradio_demo(), und Sie erhalten einen voll funktionsfähigen Chat in Ihrem Browser.

Sicherheit und Überlegungen

Bevor Sie dies in der Produktion einsetzen, sollten Sie einige Dinge beachten:

1. Code-Ausführung. Der Agent generiert und führt Python-Code mit vollen Systemberechtigungen aus. Die README warnt ehrlich: Führen Sie dies nur in isolierten Sandboxes oder Containern aus.
2. Lizenzen. Biomni selbst steht unter Apache 2.0, aber es verwendet Datenbanken und Tools von Drittanbietern, die möglicherweise eigene Einschränkungen für die kommerzielle Nutzung haben.

Fazit: Lohnt es sich, es auszuprobieren?

Biomni ist ein großartiges Beispiel dafür, wie LLMs sich von „intelligenten Papageien" zu wirklich nützlichen Arbeitswerkzeugen entwickeln. Es ist nützlich für Bioinformatiker, die Routineaufgaben automatisieren möchten, und für Forscher, die schnellen Zugang zur Synthese von Wissen aus Hunderten von Publikationen benötigen.

Derzeit baut das Team eine Community für die nächste Version auf — Biomni-E2. Wenn Sie Erfahrung in der biomedizinischen Softwareentwicklung haben oder großartige offene Protokolle kennen, ist dies eine gute Gelegenheit, zu einem ernstzunehmenden Open-Source-Projekt von Stanford beizutragen.

Sie können die Web-Version ohne Installation auf der offiziellen Website des Projekts ausprobieren.