集成105个科研工具与59个专业数据库：Biomni让AI进入生命科学发现全过程

编辑丨&

得益于过去几十年技术的发展，生命科学的数据量达到了一个前所未有的地步。这是一个有喜有悲的事实，数据爆炸并没有让科研变得简单。相反，越来越复杂的数据、越来越庞大的文献体系，以及越来越专业化的分析工具，正在成为新的瓶颈。

一项新的研究提出了一个大胆的方向：如果AI不只是帮助科学家分析某一步，而是能够像一名研究助理一样，自主理解问题、寻找工具、设计流程、执行分析，甚至提出实验方案，会发生什么？

2026 年 7 月 9 日，发表于《Science》的「Autonomous biomedical research with an artificial intelligence agent」文章中，斯坦福大学等团队推出了一种通用型生物医学 AI 智能体——Biomni。它并不是针对某一个任务训练的专用模型，而是一套能够跨越多个生命科学领域，自主完成复杂科研任务的 AI 系统。

研究显示，Biomni 可以处理基因分析、药物研究、疾病诊断、蛋白优化以及实验设计等多种任务，并在多个测试中达到接近专家水平的表现。

论文链接：https://www.science.org/doi/10.1126/science.adz4351

从工具箱开始的 AI 科学家

过去几年，人工智能已经进入生命科学领域。

研究人员利用 AI 预测蛋白结构、寻找疾病相关基因、设计药物分子，也开发出了许多专门解决特定问题的智能系统。例如，有的 AI 负责单细胞 RNA 测序分析，有的负责基因编辑实验设计，有的负责药物筛选。

真实科研环境却完全不同。

一个科学问题往往不会按照固定流程展开。研究人员可能需要先阅读大量论文，再查询数据库寻找相关信息，然后编写分析代码、处理实验数据，根据结果重新调整假设，最后设计下一步实验。

Biomni 的目标，正是解决这一问题。

图 1：Biomni 中统一生物医学行动空间与智能体环境的概述。

研究团队首先构建了一个名为Biomni-E1的生物医学 AI 环境。为了让 AI 理解生命科学领域的“行动空间”，研究人员分析了 25 个生物医学方向的大量论文，让AI自动提取其中涉及的实验任务、工具、数据库和软件资源，最终建立了一个统一的科研工具环境。

在这个环境中，Biomni 整合了 105 个常用生物信息学软件包，以及 59 个经过整理的生物数据库，包括蛋白结构数据库、疾病数据库、基因变异数据库等。在此基础上，研究团队开发了核心智能体架构 Biomni-A1。

它包含三个关键能力。

第一，是动态资源选择。AI 会根据目标自动判断需要哪些数据库、软件和分析方法。

第二，是代码作为通用执行语言。Biomni 让代码成为通用动作接口，将数据库查询、数据处理、模型预测以及分析流程串联起来，形成完整工作流。

第三，是动态规划能力。Biomni 可以根据执行结果不断调整计划，并根据执行反馈进行迭代优化。

面向科研的验证与成果

为了验证 Biomni 是否真的具备通用能力，研究团队设计了 Biomni-Eval1 测试。

该测试包含 443 个问题，覆盖 10 类典型生物医学任务，包括 CRISPR 递送、因果基因识别、基因变异优先级排序、数据库查询、DNA 序列分析、罕见疾病诊断以及扰动实验设计等。

图 2：Biomni 在通用基准测试、专家级任务和强化学习中的表现。

结果显示，Biomni 平均准确率达到 57%。相比之下，基础大语言模型 Claude Sonnet 4.5 平均准确率为 30%，专门用于治疗研究的 TxAgent 为 25%，通用代码智能体 Claude Code 为 43%，即使结合 Biomni 环境的传统 ReAct 系统也为 44%。Biomni 通过这种特定架构展现出了明显优势。

此外，研究团队还选择了多个需要专业知识和复杂分析流程的生物医学任务，让 Biomni 与人类专家进行比较。

在单细胞注释中，Biomni 准确率 45.8%，处于资深专家水平区间（40.5%-50.9%），单数据集分析时间从约 230 分钟压缩至 75 分钟；罕见病诊断的准确率达到了 60%，分析时间从 110 分钟压缩到 3 分钟；GWAS 因果基因检测准确率也达到了与专家水准相当的 80%，时间从 90 分钟压缩到 4 分钟。

进入真实实验室

在一个多组学研究案例中，Biomni 能够自主分析不同来源的数据，并根据结果提出后续研究方向。例如，它可以根据基因表达变化寻找关键调控网络，再结合已有文献提出可能的验证实验。

在蛋白质工程任务中，Biomni 能够调用结构预测工具和相关数据库，分析蛋白稳定性变化，并提出可能改善性能的设计策略。

对接 PyLabRobot 框架，Biomni 可将自然语言的实验需求直接转化为液体处理机器人的可执行代码，打通干实验设计到湿实验执行的壁垒，可完成梯度稀释、细胞活力检测等复杂实验流程。

图 3：AI 指导的蛋白质优化与自动化实验执行。

共同发现的未来

过去，科研竞争的核心是实验设备和数据规模；未来，如何有效利用这些数据和工具，可能成为决定科研效率的重要因素。

Biomni 并不是第一个尝试进入科学研究领域的 AI 系统，科技的发展正向我们展示这样的未来：科学家提出问题，AI 规划方案，机器人执行实验，系统分析结果，再由 AI 根据反馈调整下一轮研究方向。

这或许会是科幻电影走进现实的前兆。