深势BioMaster获两项全球SOTA：可溯源、自进化、稳定执行科研任务的生命科学AI智能体
· BioMaster 是一个为真实生物科研任务打造的执行型 Agent；
· 基于论文搜索数据库、沙箱环境等一整套科研基建支持，在独立评测数据集上，BioMaster 得分超过 Biomni等智能体；
· BioMaster 能够自进化：每完成一次真实任务，都会沉淀可复用的 biological skills，让下一次类似任务跑得更稳、更快、更可信。
过去一段时间，Biomni、STELLA、Claude Science 等越来越多的生物医学智能体开始出现。它们让研究者看到一种新的科研工作方式：AI 的角色正在从文献总结、代码生成，延展到任务规划、工具调用、数据分析和结果解释。
但对于真实生命科学项目来说，仅仅“会说”还远远不够。单细胞分析、空间组学复现、靶点证据链、模型 benchmark，中间都要考虑论文、数据库、组学对象、R/Python 环境、GPU 资源、统计口径、图表和报告。任何一步掉链子，最后都会变成一个问题：这个结果还能不能信？
针对真实生命科学研究中跨数据、跨工具、跨环境的复杂执行挑战，深势科技正式发布生命科学科研智能体 BioMaster，提供从任务拆解、工具调用、算力支持、数据分析到结果留痕与复核的智能化支持。
BioMaster 会沉淀数据、参数、日志、代码、图表、证据链和报告，让一个开放问题变成可以讨论、可以复核、可以继续迭代的研究版本。
BioMaster：https://www.bohrium.com/agent/biomaster
BioMaster
在两个 benchmark 数据集上
均取得最高准确率
我们在 STELLA Simple Set（来自Princeton University和Stanford University团队）和 Biomni-Eval1（来自Stanford University Biomni 团队）两个 benchmark上，把 BioMaster 与 Bare Model、Claude Code、Claude Code + BioTender Skills、Claude Code + Sci-Agent Skills、STELLA、Biomni-A1 等方案放在同一评价口径下比较。
BioMaster 的准确率在 STELLA Simple Set 上达到 97.73%，在 Biomni-Eval1 上达到 83.58%。这说明，在复杂生物任务中，稳定环境、工具调用、领域技能和结果复核能力会共同拉开交付差距。
BioMaster
拥有稳定基建
支撑计算稳定性和准确性
为什么BioMaster能在复杂推理和分析任务上表现得更加出色呢？其中一个重要原因是BioMaster的基建。
基建决定着任务能不能在真实计算环境里稳定执行：能不能调度 GPU、管理依赖、调用模型和工具、处理报错，并留下中间文件、日志和最终报告。
这也正在成为行业共识。Anthropic Research 在 《Paving the way for agents in biology》 中指出，生物 Agent 的关键瓶颈之一，是缺少稳定、可程序化、可复现的生物数据与执行基础设施。
BioMaster 正是在这件事上持续投入：通过论文搜索数据库、论文解析、沙箱环境、工具调用、计算资源调度和结果复核机制，把生物科研任务从“能理解”推进到“能稳定跑、能复核、能交付”。
稳定环境下 GPU 支持的生信模型与工具调用。BioMaster 接收 baseline 与 scGPT 对比分析任务后，创建稳定沙箱，安装并验证 scanpy、scGPT 等依赖，在执行受限或报错时调整方案，并生成可追溯结果文件。
BioMaster
沉淀 307 个 biological skills
专为生物科研而生
BioMaster 前期从 10,000+ 篇计算生物论文中筛选可复现研究，沉淀了 307 个 biological skills，覆盖转录组、蛋白组、单细胞组学、表观组学、宏基因组、空间组学、代谢组、GWAS、肿瘤生物学、多组学整合等 14 个可扩展的研究方向。这也是 BioMaster 和通用 Agent 最大的区别：它不是临时拼工具，而是把生物科研经验、可运行流程、结果验证和失败修复放进同一个执行系统里。
几个真实任务
轻松上手 BioMaster
最重要的是，BioMaster真的能干活！下面几个案例，分别对应论文复现、组学分析、benchmark 自动化构建和连续建模。
1. 从PDF进行端到端论文复现：别把“能不能复现”留到投稿后
在计算生物和生物信息学论文里，复现失败不是小问题。它会直接影响结果可信度、方法透明度和投稿后的审稿判断；如果数据版本、预处理口径、质控阈值、参考基因组、随机种子、评分脚本或图表口径交代不清，还可能让一项本来严肃的研究陷入“结果到底能不能被独立验证”的质疑。
BioMaster 从论文解析、SubAgent 分工、真实数据运行，到性能记录、scorecard 与复现报告，展示如何把“这篇论文能不能复现”变成一套可运行、可追踪、可复核的过程。
2. 从原始数据进行多组学分析：不止出图，还要讲得出生物学含义
组学数据从来不是“丢进表格就能分析”。单细胞对象、空间坐标、蛋白质组、磷酸化组、糖基化组、突变、甲基化和临床结局，各自有数据结构、噪音来源、批次效应和解释边界。同一条通路，放在不同细胞类型、疾病阶段和处理条件下，含义可能完全不同。
从转录组、蛋白质组、磷酸化组、糖基化组、突变/拷贝数、甲基化和临床数据出发，BioMaster 自动组织多 SubAgent 分析，生成机制解释、图表、LaTeX 与 PDF 初稿。
3. 生物计算模型 benchmark：从领域新方法调研，到统一评测基准
BioMaster 可以围绕一个具体生物计算问题，调研领域内的新模型和代表性方法，解析其数据集、指标与代码实现；再把不同方法放到同一任务、同一数据、同一评分器下复现和比较，形成可复核、可扩展、可持续更新的 benchmark。
从虚拟细胞和单细胞扰动响应预测问题出发，BioMaster 自动调研方法、设计评测、执行计算、汇总指标，并生成报告、PPT 和论文初稿材料。
4. 生物模型的自动化科研：让模型设计、训练、复核对接下一步
在虚拟细胞与动态组学建模中，研究者常常需要回答细胞如何响应扰动、发育和疾病状态如何演化等动态问题。这类任务需要从多个时间点或扰动单细胞数据中构建动态模型，门槛高、链路长。
围绕这一方向，北京大学周沛劼、李铁军团队已开展系统研究，张振毅、王子涵等团队成员持续推进相关理论、算法与工具体系建设，并提出 stDGM 构想和 CytoBridge。CytoBridge 可视为面向虚拟细胞动态建模的领域专精工具，负责数据质控、模型训练、结果验证和报告生成等关键建模环节。
在这一框架下，BioMaster 可调用 CytoBridge 等垂直专精工具，从真实多时间点或扰动单细胞数据出发，连续推进文献检索、算法设计、建模执行与结果解释，使“提出生物学问题—构建动态模型—解释模型结果—进入下一轮模型迭代与实验验证”的过程形成闭环。
（CytoBridge：https://github.com/zhenyiizhang/CytoBridge）
以 A549 癌细胞 EMT 激酶抑制剂扰动数据为例，BioMaster 调度 CytoBridge 构建 Context-Signaling Wasserstein-Fisher-Rao Bridge Flow Matching，用于同时建模药物扰动下的细胞状态迁移和丰度变化；结果显示，该模型在真实 perturbation panel 上优于标准动态建模基线，并能较好预测药物/对照之间的 abundance response。
结果示例：
基于 K562 CRISPRi 单细胞数据，BioMaster 自动调研 GEARS、CPA、scGen 等方法，设计 Attention-based Perturbation Predictor，训练多版模型并交付权重、评估 JSON、脚本和可视化图表。任务完成后，Agent会整合任务中用户反馈和执行中发现的问题，自动完成Skill进化和Research Unit生成，以备将来复用。
5. 组会小助手：文献调研+重点文章分析+PPT制作
BioMaster 完成文献深读、Open Targets 与 STRING 知识图谱构建、候选靶点排序、真实 RNA-seq 验证，并输出可复现的机制证据和汇报 PPT。
把这些生物科研任务交给 BioMaster
如果你手上有一个“知道很重要，但一直没时间完整跑完”的生物科研任务，BioMaster 值得成为你的第一版执行助手。它会先把流程跑通，把证据留下，把报告交出来，再由你做专业判断。
试用名额先到先得：带一个真实生物问题来试试吧！会有惊喜哦！
申请地址：https://dptechnology.feishu.cn/share/base/form/shrcn7RwKelJwReocsPDjsjzUMe
建议带着真实任务申请：一篇想复现的论文、一组待分析的组学数据、一个想验证的靶点假设、一个需要 benchmark 的模型方法，或一个准备写成 technical report 的项目。
任务越具体，越能看到 BioMaster 的价值：它会帮助你把问题拆开、把流程跑通、把证据留住、把第一版结果交到你手上。
带着真实任务来试，BioMaster 才会真正显出价值！
参考文献
[1] BioMaster 的 Tech report: https://doi.org/10.5281/zenodo.21064833
[2] Luebbert, L. Paving the way for agents in biology. Anthropic, 8 June 2026. https://www.anthropic.com/research/agents-in-biology
[3] Zhang, Z., Wang, Z., Sun, Y. et al. Deciphering cell-fate trajectories using spatiotemporal single-cell transcriptomic data. npj Systems Biology and Applications 12, 2 (2026). https://doi.org/10.1038/s41540-025-00624-9
科研边界与专业复核
BioMaster 当前定位为生命科学研究辅助工具，输出结果需要由专业研究人员复核，不作为临床诊断、治疗建议、用药建议或药品疗效判断依据。涉及未公开数据、合作数据或敏感信息时，请在授权范围内使用，并在申请试用时说明数据安全和权限要求。
