Biomni

概要

Biomni は Stanford の SNAP lab が開発したオープンソースの生物医学 AI エージェント フレームワークで、生物医学領域全体にわたる複雑な研究タスクを自律的に実行します。このスキルは、複数ステップの生物学的推論タスク、生物医学データの分析、またはゲノミクス、創薬、分子生物学、臨床分析にまたがる研究を行う際に使用してください。

コア機能

Biomni は以下の点で優れています:

1. 複数ステップの生物学的推論 - 複雑な生物医学的な質問に対する自律的なタスク分解と計画
2. コード生成と実行 - データ処理のための動的分析パイプライン作成
3. 知識検索 - 約 11GB の統合された生物医学データベースと文献へのアクセス
4. クロスドメイン問題解決 - ゲノミクス、プロテオミクス、創薬、臨床タスクのための統一インターフェース

このスキルを使用する場合

biomni は以下の用途に使用してください:

• CRISPR スクリーニング - スクリーン設計、遺伝子の優先順位付け、ノックアウト効果の分析
• シングルセル RNA-seq - 細胞型注釈、発現差異解析、軌跡解析
• 創薬 - ADMET 予測、ターゲット同定、化合物最適化
• GWAS 解析 - 変異体解釈、因果遺伝子同定、パスウェイ富化解析
• 臨床ゲノミクス - 稀少疾患診断、変異体の病原性評価、表現型-遺伝型マッピング
• ラボプロトコル - プロトコル最適化、文献統合、実験設計

クイックスタート

インストールとセットアップ

Biomni をインストールし、LLM プロバイダーの API キーを設定します:

uv pip install biomni --upgrade

API キーを設定します(.env ファイルまたは環境変数に保存):

export ANTHROPIC_API_KEY="your-key-here"
# オプション: OpenAI, Azure, Google, Groq, AWS Bedrock キー

対話的なセットアップサポートは scripts/setup_environment.py を使用してください。

基本的な使用パターン

from biomni.agent import A1

# データパスと LLM 選択でエージェントを初期化
agent = A1(path='./data', llm='claude-sonnet-4-20250514')

# 生物医学研究タスクを自律的に実行
agent.go("Your biomedical research question or task")

# 会話履歴と結果を保存
agent.save_conversation_history("report.pdf")

Biomni での作業

1. エージェント初期化

A1 クラスは biomni の主要なインターフェースです:

from biomni.agent import A1
from biomni.config import default_config

# 基本的な初期化
agent = A1(
    path='./data',  # データレイクへのパス(初回使用時に約 11GB ダウンロード)
    llm='claude-sonnet-4-20250514'  # LLM モデル選択
)

# 高度な設定
default_config.llm = "gpt-4"
default_config.timeout_seconds = 1200
default_config.max_iterations = 50

サポートされている LLM プロバイダー:

• Anthropic Claude(推奨): claude-sonnet-4-20250514, claude-opus-4-20250514
• OpenAI: gpt-4, gpt-4-turbo
• Azure OpenAI: Azure 設定経由
• Google Gemini: gemini-2.0-flash-exp
• Groq: llama-3.3-70b-versatile
• AWS Bedrock: Bedrock API 経由の各種モデル

詳細な LLM 設定手順については references/llm_providers.md を参照してください。

2. タスク実行ワークフロー

Biomni は自律型エージェント ワークフローに従います:

# ステップ 1: エージェントを初期化
agent = A1(path='./data', llm='claude-sonnet-4-20250514')

# ステップ 2: 自然言語クエリでタスクを実行
result = agent.go("""
Design a CRISPR screen to identify genes regulating autophagy in
HEK293 cells. Prioritize genes based on essentiality and pathway
relevance.
""")

# ステップ 3: 生成されたコードと分析を確認
# エージェントが自律的に:
# - タスクを複数のサブステップに分解
# - 関連する生物学的知識を検索
# - 分析コードを生成して実行
# - 結果を解釈し、洞察を提供

# ステップ 4: 結果を保存
agent.save_conversation_history("autophagy_screen_report.pdf")

3. 一般的なタスクパターン

CRISPR スクリーニング設計

agent.go("""
Design a genome-wide CRISPR knockout screen for identifying genes
affecting [phenotype] in [cell type]. Include:
1. sgRNA library design
2. Gene prioritization criteria
3. Expected hit genes based on pathway analysis
""")

シングルセル RNA-seq 解析

agent.go("""
Analyze this single-cell RNA-seq dataset:
- Perform quality control and filtering
- Identify cell populations via clustering
- Annotate cell types using marker genes
- Conduct differential expression between conditions
File path: [path/to/data.h5ad]
""")

医薬品 ADMET 予測

agent.go("""
Predict ADMET properties for these drug candidates:
[SMILES strings or compound IDs]
Focus on:
- Absorption (Caco-2 permeability, HIA)
- Distribution (plasma protein binding, BBB penetration)
- Metabolism (CYP450 interaction)
- Excretion (clearance)
- Toxicity (hERG liability, hepatotoxicity)
""")

GWAS 変異体解釈

agent.go("""
Interpret GWAS results for [trait/disease]:
- Identify genome-wide significant variants
- Map variants to causal genes
- Perform pathway enrichment analysis
- Predict functional consequences
Summary statistics file: [path/to/gwas_summary.txt]
""")

すべての生物医学領域にわたる包括的なタスク例については、references/use_cases.md を参照してください。

4. データ統合

Biomni は約 11GB の生物医学知識ソースを統合しています:

• 遺伝子データベース - Ensembl, NCBI Gene, UniProt
• タンパク質構造 - PDB, AlphaFold
• 臨床データセット - ClinVar, OMIM, HPO
• 文献インデックス - PubMed 抄録、生物医学オントロジー
• パスウェイデータベース - KEGG, Reactome, GO

データは初回使用時に指定された path に自動的にダウンロードされます。

5. MCP サーバー統合

Model Context Protocol 経由で外部ツールで biomni を拡張します:

# MCP サーバーは以下を提供できます:
# - FDA 医薬品データベース
# - 文献のウェブ検索
# - カスタム生物医学 API
# - ラボ機器インターフェース

# MCP サーバーを .biomni/mcp_config.json で設定

6. 評価フレームワーク

生物医学タスクでのエージェント性能をベンチマークします:

from biomni.eval import BiomniEval1

evaluator = BiomniEval1()

# 特定のタスクタイプで評価
score = evaluator.evaluate(
    task_type='crispr_design',
    instance_id='test_001',
    answer=agent_output
)

# 評価データセットにアクセス
dataset = evaluator.load_dataset()

ベストプラクティス

タスク作成

• 具体的にする - 生物学的背景、生物体、細胞型、条件を含める
• 出力を指定する - 目的の分析出力とフォーマットを明確に述べる
• データパスを提供する - 分析するデータセットのファイルパスを含める
• 制約を設定する - 関連がある場合は時間/計算制限について記述する

セキュリティに関する考慮事項

⚠️ 重要: Biomni は LLM が生成したコードをシステムの完全な権限で実行します。本番環境での使用:

• 分離された環境で実行(Docker, VM)
• センシティブな認証情報を公開しない
• センシティブなコンテキストでの実行前に生成されたコードをレビュー
• 可能な場合はサンドボックス実行環境を使用

パフォーマンス最適化

• 適切な LLM を選択 - Claude Sonnet 4 は速度と品質のバランスで推奨
• 合理的なタイムアウトを設定 - 複雑なタスク用に default_config.timeout_seconds を調整
• イテレーションを監視 - max_iterations を追跡して暴走ループを防止
• データをキャッシュ - セッション間でダウンロード済みデータレイクを再利用

結果ドキュメント化

# 再現性のため、常に会話履歴を保存
agent.save_conversation_history("results/project_name_YYYYMMDD.pdf")

# レポートに含める:
# - 元のタスク説明
# - 生成された分析コード
# - 結果と解釈
# - 使用されたデータソース

リソース

リファレンス

詳細なドキュメントは references/ ディレクトリで入手できます:

• api_reference.md - A1 クラス、設定、評価の完全な API ドキュメント
• llm_providers.md - LLM プロバイダー設定(Anthropic, OpenAI, Azure, Google, Groq, AWS)
• use_cases.md - すべての生物医学領域にわたる包括的なタスク例

スクリプト

scripts/ ディレクトリのヘルパースクリプト:

• setup_environment.py - 対話的な環境と API キー設定
• generate_report.py - カスタムフォーマット付きの拡張 PDF レポート生成

外部リソース

• GitHub: https://github.com/snap-stanford/biomni
• ウェブプラットフォーム: https://biomni.stanford.edu
• 論文: https://www.biorxiv.org/content/10.1101/2025.05.30.656746v1
• モデル: https://huggingface.co/biomni/Biomni-R0-32B-Preview
• 評価データセット: https://huggingface.co/datasets/biomni/Eval1

トラブルシューティング

よくある問題

データダウンロードが失敗する

# データレイクダウンロードを手動でトリガー
agent = A1(path='./data', llm='your-llm')
# 最初の .go() 呼び出しでデータがダウンロードされます

API キーエラー

# 環境変数を確認
echo $ANTHROPIC_API_KEY
# または作業ディレクトリの .env ファイルを確認

複雑なタスク時のタイムアウト

from biomni.config import default_config
default_config.timeout_seconds = 3600  # 1 時間

大規模データセット時のメモリ問題

• 大きなファイルではストリーミングを使用
• データをチャンク単位で処理
• システムメモリ割り当てを増加

ヘルプを得る

問題や質問がある場合:

• GitHub Issues: https://github.com/snap-stanford/biomni/issues
• ドキュメント: 詳細なガイダンスは references/ ファイルを確認
• コミュニティ: Stanford SNAP lab と biomni コントリビューター