原文研究配图:CGM第505期:Biomni,通用生物医学AI智能体

CGM第505期:Biomni,通用生物医学AI智能体

面对分散的生物医学工具和数据,通用智能体能承担哪些科研任务?报告介绍Biomni如何组合检索、规划与代码执行,在多类研究场景中开展分析,并讨论统一工具环境对科研流程的作用。
黄柯鑫
黄柯鑫

斯坦福大学计算机科学专业 · 博士研究生

斯坦福大学计算机科学专业的四年级博士生,师从Jure Leskovec教授。他的研究致力于利用人工智能推动可部署、可解释的生物医学新发现,同时也解决多模态建模、不确定性量化和智能体推理等人工智能领域的基础性挑战。他的研究成果发表在《Nature Medicine》《Nature Biotechnology》《Nature Chemical Biology》《Nature Biomedical Engineering》《Nature》等期刊,以及NeurIPS、ICML、ICLR等机器学习会议上。他曾获得NeurIPS/ICML Workshop、ISMB和ASHG等多个最佳论文奖,并有研究以封面文章形式刊登在《Nature Biotechnology》和《Cell Patterns》。他的研究成果被《福布斯》《WIRED》杂志和《麻省理工科技评论》等主流媒体广泛报道。他还曾在Genentech、GSK、Pfizer、IQVIA、Flatiron Health、Dana Farber和Rockefeller University等企业和科研机构从事机器学习相关研究。

生物医学研究是人类健康的基石,但如今正日益受到支离破碎的工作流程、复杂的数据以及海量工具与文献的制约。科研进展被人类精力的极限所限制,亟需拓展科学专业能力的规模。我们在此介绍 Biomni —— 一款通用型生物医学人工智能代理,能够在 25 个生物医学子领域中自主执行多种研究任务。Biomni 构建了首个统一的智能体环境,从数万篇生物医学论文中挖掘出关键工具、数据库和实验流程,并结合大语言模型的推理能力、检索增强规划和代码执行功能,动态完成复杂的科研工作流程。无需针对具体任务进行微调,Biomni 即展现出在基因优先排序、药物重定位、罕见病诊断、微生物组分析和分子克隆等任务中的强大表现。在真实研究场景中,它提出了专家验证的新假设,成功解析多模态数据集,并设计出与人类专家相当水平的实验方案。Biomni 作为一名虚拟 AI 生物学家,不仅加速科学发现,还推动生物医学研究的可扩展性与可重复性。Biomni 已在 biomni.stanford.edu 向公众开放。

参考文献

  1. Kexin Huang, Serena Zhang, Hanchen Wang, Yuanhao Qu, Yingzhou Lu, Yusuf Roohani, Ryan Li, Lin Qiu, Gavin Li, Junze Zhang, Di Yin, Shruti Marwaha, Jennefer N. Carter, Xin Zhou, Matthew Wheeler, Jonathan A. Bernstein, Mengdi Wang, Peng He, Jingtian Zhou, Michael Snyder, Le Cong, Aviv Regev, Jure Leskovec. Biomni: A General-Purpose Biomedical AI Agent. bioRxiv. 2025. DOI: 10.1101/2025.05.30.656746

评论(0

登录后即可发表评论。

登录

暂无评论,来发表第一条评论吧!