Biomni 深度解析：AI 如何統一生物多模態數據，引領精準醫療革命

#ai #bioinformatics #healthcare

Biomni 深度解析：AI 如何統一生物多模態數據，引領精準醫療革命

如果能把實驗室裡產生的各種數據 — — 基因序列 (omics)、蛋白質交互作用 (proteomics)、細胞長什麼樣子 (imaging)、病人的臨床紀錄 (EHR) — — 全部串在一起，問一個簡單卻關鍵的問題：「到底是什麼導致了這個疾病？」

UpdatedMarch 24, 2026•2 min readJ JhihHao Wu **近期研究重點包含 AI Agent 的供應鏈攻擊、PII 偵測模型評估，以及醫療 AI 在臨床流程中的安全落地。

在這裡，我分享深度技術實測報告（如 NVIDIA NeMo, WildGuard）與職場技術成長心得，致力於在 AI 浪潮中打造具備資安韌性的解決方案。

On this page

Biomni 深度解析：AI 如何統一生物多模態數據，引領精準醫療革命 Biomni 的核心概念從官方範例了解Biomni 第一步：安裝與設定第二步：定義你的問題 (BOQL)第三步：執行查詢與解讀 Output 未來？

Biomni 深度解析：AI 如何統一生物多模態數據，引領精準醫療革命

Biomni 的核心概念

簡單來說，Biomni 想做的事情，就是訓練一個能理解「生物學本體 (Ontology)」的大語言模型。這裡的「本體」你可以想像成是一本生物學的辭海，它不只定義了什麼是基因、什麼是蛋白質，也定義了這些東西之間的「關係」，例如「Ａ基因 轉錄成 某個RNA」、「蛋白質 C 抑制了 代寫流程 D」。

傳統的 LLM 懂人類的自然語言，但它不懂這些生物學的複雜邏輯。Biomni 試圖讓 LLM 學會這套邏輯。如此一來，我們就可以用更接近自然語言的方式，去「查詢」整個生物系統。

Bio-Ontology Query Language (BOQL): 這是一套專為生物學設計的查詢語言。例如，你可以寫一段 BOQL 來問：「在肺腺癌細胞中，哪些基因的表現量顯著上升，並且會跟 EGFR 這個重要的Gene產生交互作用？」在以前，我們通常需要先得到基因表現的數據與資料庫、再去比對蛋白質交互作用資料庫，常常會花不少時間且容易出錯。
多模態 GNN 骨幹: 再來，當你用 BOQL 下達指令後，Biomni 會把這個查詢「翻譯」成一個圖譜查詢任務。它背後有個強大的圖神經網路（GNN），這個 GNN 學習了龐大的生物知識圖譜（Knowledge Graph），裡面包含了基因、藥物、疾病、細胞類型等節點，以及它們之間的關係。然後在這個巨大網路中尋找特定路徑與模式。

在我們繼續介紹之前，官方團隊提供了一部非常清楚的教學影片，直接展示了 Biomni 網路平台的操作介面與核心功能，強烈建議大家花點時間看看。

Biomni Platform Tutorial

Executor [[02:15**](http://www.youtube.com/watch?v=E0BRvl23hLs&t=135)]:** 當你提出一個複雜的分析任務時，例如「比較不同藥物擾動對基因表現的影響」，Biomni 會啟動ＥExector 並即時顯示它的思考過程：包括如何理解你的問題、規劃分析步驟、編寫程式碼來執行分析，以及觀察執行結果。
自我修正能力 [[03:57**](http://www.youtube.com/watch?v=E0BRvl23hLs&t=237)]:** 影片中一個很酷的demo是，Biomni 能夠自我偵錯，並修正它的計畫來完成任務。
成果產出與匯出 [[05:00**](http://www.youtube.com/watch?v=E0BRvl23hLs&t=300)]:** 分析完成後，Biomni 會生成一份包含圖表、關鍵發現、生物學意義和方法的綜合報告。還可以匯出成一個 Jupyter Notebook ，方便後續的修改或研究。

從官方範例了解Biomni

第一步：安裝與設定

這部分很直接，就是把 Biomni 的套件裝起來，然後把需要的模型跟本體資料庫下載下來。

# Install biomni  
!pip install -q biomni  

# Download the core ontology and the pretrained models  
import biomni  
biomni.download_core_ontologies()  
biomni.download_pretrained_weights()

第二步：定義你的問題 (BOQL)

範例中，他們定義了一個叫做 query_fn 的函式，這就是 BOQL 的具體實現。

import biomni.query as bq  

@bq.query_fn  
def query_fn(graph: bq.Graph):  
    # 1. Start with a specific gene, let's say 'CD47'  
    gene = graph.get_entity("Gene", "CD47")  

    # 2. Find drugs that target this gene  
    drug = gene.neighbors("Drug", "targets")  

    # 3. From those drugs, find associated diseases  
    disease = drug.neighbors("Disease", "associated_with")  

    # 4. Return the names of these diseases  
    return bq.Return(disease.name)

來拆解一下這段程式碼在幹嘛：

gene.neighbors("Drug", "targets"): 從 CD47 這個節點出發，去尋找與它有 targets (靶向) 關係的 Drug (藥物) 鄰居。換句話說：「有哪些藥物是針對 CD47 開發的？」
drug.neighbors("Disease", "associated_with"): 接著，從上一步找到的那些藥物出發，再去尋找與這些藥物有 associated_with (相關) 關係的 Disease (疾病) 鄰居。這一步很有意思，它在問：「 CD47相關的藥物，還會被用來治療哪些疾病？」
bq.Return(disease.name): 最後，把找到的疾病名稱回傳。

你不需要知道底層資料庫的 table schema，只需要用這種直觀的、描述關係的方式來建構你的問題。

第三步：執行查詢與解讀 Output

# Load the pre-trained Biomni model  
model = biomni.Biomni.from_pretrained()  

# Execute the query  
result_df = model.execute(query_fn)  
print(result_df)

disease.name  
0                             Breast Cancer  
1                                  Leukemia  
2                                   Myeloma  
3                      Non-Hodgkin Lymphoma  
...                                     ...

這個看似簡單的Output，藏的資訊量滿大的。

藥物再利用 (Drug Repurposing): 假設研究皮膚癌的研究人員看到這個列表，發現靶向 CD47 的藥物主要都跟血液腫瘤有關。就可以提出一個假說：「CD47 在皮膚癌中是否也扮演重要角色？這些現成的血液腫瘤藥物，有沒有可能對皮膚癌也有效？」
新適應症開發: 對於藥廠來說，這個結果可以幫助他們思考現有藥物的新市場。如果他們有一款 CD47 的藥物，這個清單就提供了潛在的新適應症開發方向。
機制探索: 為什麼這些看似無關的疾病，都會連結到同一個分子標靶 (CD47)？這背後是不是有共通的生物學機制？