Biomni是一个由斯坦福大学开发的通用生物医学AI智能体，旨在彻底改变生物医学研究的效率和范式。它解决了当前生物医学研究中数据庞杂、实验设计复杂、知识获取耗时等痛点，通过自动化和智能化手段，极大地提升了科研生产力。
Biomni的核心价值在于其能够自主执行广泛的生物医学研究任务，从实验规划、数据分析到假设生成。它将先进的大型语言模型（LLM）推理能力与检索增强规划（Retrieval-Augmented Planning）和基于代码的执行相结合。这意味着Biomni不仅能理解复杂的自然语言指令，还能从海量生物医学知识库中检索相关信息，并将其转化为可执行的代码或操作，从而实现任务的自动化。
其工作原理可以概括为：用户通过自然语言提出研究任务，Biomni利用LLM进行理解和规划，结合内置或外部的生物医学工具和数据集，生成并执行相应的代码或分析流程，最终输出结果或可测试的假设。例如，它可以规划CRISPR筛选实验、进行单细胞RNA测序数据分析，甚至预测化合物的ADMET（吸收、分布、代谢、排泄、毒性）性质。
Biomni的关键特性包括：
- 通用性： 能够跨越多个生物医学子领域执行任务，而非局限于特定应用。
- 自主性： 具备从理解任务到执行并生成结果的全流程自动化能力。
- LLM驱动： 利用大型语言模型的强大推理能力，实现对复杂指令的理解和高级规划。
- 可扩展性： 鼓励社区贡献新的工具、数据集和软件集成，不断扩展其功能边界。
- 代码执行： 能够将规划转化为实际可执行的代码，确保结果的准确性和可重复性。
Biomni的实际应用场景非常广泛，包括但不限于：
- 药物发现与开发： 快速筛选潜在药物靶点，预测化合物性质，加速药物研发流程。
- 基因组学与蛋白质组学研究： 自动化基因功能分析、通路富集分析、蛋白质相互作用预测等。
- 疾病机制探索： 辅助研究人员生成关于疾病发生发展机制的可测试假设。
- 生物信息学分析： 简化复杂的生物数据处理和分析流程，降低技术门槛。
- 实验设计优化： 根据研究目标自动生成优化的实验方案，如CRISPR筛选设计。
通过Biomni，科学家可以摆脱繁琐的重复性工作，将更多精力投入到创新性思考和高层次决策中，从而显著加速科学发现的进程。项目还积极推动开源协作，邀请社区共同构建Biomni-E2，旨在打造一个共享的生物医学行动库，进一步加速科学发展。