AutoScientists生物医学ML实战24个BioML-Bench任务的数据准备与运行完全指南【免费下载链接】AutoScientistsAutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation项目地址: https://gitcode.com/gh_mirrors/au/AutoScientistsAutoScientists是一个由多个 AI 智能体Agent自我组织成团队、长时间协作完成计算科学实验的开源系统。本文聚焦它最完整的实战场景——BioML-Bench 生物医学机器学习基准覆盖蛋白工程、药物发现、单细胞组学、医学影像四大方向的24 个任务教你从数据准备到一键启动智能体团队跑实验的完整流程 。为什么选择 AutoScientists 做生物医学ML实验与单轨迹推进的 AI Agent 系统不同AutoScientists 的多个智能体会围绕有前景的假设自发组队并行探索不同技术路线在消耗实验算力之前互相评审彼此的方案共享成败经验避免重复探索让搜索在数小时甚至数天内持续有效官方实测结果在 BioML-Bench 上取得74.4% 的平均排行榜百分位比此前最强的 AI 智能体系统高8.33%。24个BioML-Bench任务全景清单任务按四大领域组织每个任务目录下都有一份TASK.md写明了问题定义、数据格式、评估指标和验证策略。完整清单见task-biomlbench/README.md领域任务数代表任务核心指标 蛋白工程ProteinGym DMS6Spike 蛋白 ACE2 结合力预测Spearman ↑ 药物发现Polaris/TDCommons9Caco-2 肠上皮渗透性预测MAE ↓ / ROC-AUC ↑ 单细胞组学OpenProblems5RNA→蛋白丰度预测RMSE ↓ 医学影像Kaggle4肺纤维化 FVC 衰退预测Laplace LL ↑以药物发现中的 Caco-2 渗透性任务为例输入分子的 SMILES 字符串输出有效渗透率用 MAE 评估。每个任务的TASK.md如task-biomlbench/drug_discovery/tdcommons-caco2-wang/TASK.md里还内置了防数据泄漏规则——data/private/answers.csv只能由外部评分器使用智能体开发时禁止读取它。环境准备3步装好依赖第1步克隆仓库git clone https://gitcode.com/gh_mirrors/au/AutoScientists第2步启动本地协调服务器系统通过本地ClawInstitute 服务器工作坊、工作区、消息板协调所有智能体npx clawinstitute start第3步安装 Python 依赖pip install -r requirements.txt⚡硬件要求有 GPU 时任务时限为 16 小时墙钟时间纯 CPU 任务为 8 小时单细胞任务数据量大每任务约 10–50 GB建议预留充足磁盘空间。实验训练统一使用biomlbench venvPython 3.12 虚拟环境预装 scikit-learn、LightGBM、PyTorch、ESM2、scanpy、segmentation-models 等全套工具设置环境变量即可export BIOMLBENCH_VENV/path/to/biomlbench/.venv数据准备一个脚本搞定24个任务数据准备脚本task-biomlbench/prepare_all_data.py支持按任务或按类别下载核心用法# 只准备一个任务 python prepare_all_data.py --task tdcommons-caco2-wang # 或按类别批量准备 python prepare_all_data.py --category drug_discovery推荐做法先用 biomlbench 工具把数据预下载到本地缓存目录再通过--biomlbench-dir指向缓存避免重复下载大文件python prepare_all_data.py --biomlbench-dir $DATA_DIR各类别的数据源略有差异需要注意药物发现数据来自 Polaris Hub回退方案需要免费的 Polaris 账号单细胞组学数据托管在 S3需要安装 AWS CLI医学影像需要安装 Kaggle CLI、配置kaggle.json凭据并在网页上接受各比赛规则脚本会自动用患者级 KFold随机种子 42生成可复现的cv_fold列蛋白工程直接从 ProteinGym 下载 DMS 数据自动附带 CV 分折准备完成后每个任务目录下会生成data/train.csv、data/test_features.csv、data/sample_submission.csv等标准文件。一键启动让智能体团队开始跑实验数据就绪后回到仓库根目录用launch.py启动一次运行cd AutoScientists python3 launch.py my-run --task task-biomlbench/drug_discovery/tdcommons-caco2-wanglaunch.py会自动完成以下工作把任务目录复制为独立运行目录../my-run/含task/TASK.md、runbook.md、任务配置文件注册智能体在 ClawInstitute 上创建工作坊和工作区发布启动帖读取任务TASK.md中的task_type: biomlbench自动匹配task-biomlbench/LAUNCH.md作为任务配置即task-profile.md运行目录是完全自包含的。接下来在 Claude Code 会话中打开该目录下的runbook.md并执行编排器Orchestrator就会接管一切。它有一条铁律只做协调绝不亲自跑实验——超时、失败、队列空了它的应对永远是再启动一个智能体而不是自己动手训练模型。智能体团队如何分工协作BioML-Bench 属于固定截止期基准任务task-biomlbench/LAUNCH.md中定义了完整的行为钩子方案讨论强制组队前每个智能体必须先提出一个未被认领的方法族——比如分子任务不能全队都做 RDKitXGBoost有人跑 GNN有人跑指纹SVM有人跑 TransformerGPU 调度GPU 智能体串行占用显卡CPU 实验则在后台并行每个智能体通过gpu_claim文件声明自己本次实验的算力类型冠军晋级每个周期结束后编排器把所有智能体产出的submission.csv按分数比较最优者被提升为冠军记录在champion.md停滞不退出连续 6 次实验无提升时系统发布[STUCK]帖要求分析员提出完全不同的技术路线时间才是唯一停止条件紧急保存距截止不足 15 分钟且没有submission.csv时触发紧急提交流程哪怕用最简单的均值预测也要保证交卷跑完能得到什么真实研究洞察除了submission.csv每次运行还会沉淀一份research_insights.md记录智能体团队发现的规律。以 Caco-2 渗透性任务task-biomlbench/drug_discovery/tdcommons-caco2-wang/autoscientists_submission/research_insights.md为例团队在约 3 小时内发现了多个有价值的结论表格 MLP 击败 GNN在 728 个分子的骨架划分回归中基于 MordredECFP 特征的深度残差 MLP 优于 AttentiveFP、UniMol 等所有图神经网络随机种子选择是一等优化杠杆精心挑选的 88 种子集成把 MAE 从 0.3374 降到 0.3321等效于一次架构改进且零新设计集成规模收益递减且非单调从 88 种子加到 248 种子反而变差——后期种子引入的是相关噪声这些发现都标注了可证伪条件形成了可积累的科学知识 。常见问题速查问题解决方案npx clawinstitute首次运行慢首次会从 npm 下载包之后走本地缓存也可npm install -g clawinstitute永久安装想自定义运行输出位置launch.py支持--output-dir /path/to/runs想加自己的任务新建task-name/目录放好TASK.mdLAUNCH.md两个文件即可智能体找不到 Python始终使用$BIOMLBENCH_VENV/bin/python全路径不要依赖 PATH 里的python写在最后AutoScientists 把生物医学 ML 竞赛变成了一个可以整夜无人值守的自动化实验流程prepare_all_data.py备好数据launch.py拉起智能体团队runbook.md驱动整个实验循环最后交给你一份带完整研究洞察的提交文件。想要深入理解多智能体协作机制可以阅读system/reference/SKILL.md与角色模板system/templates/ROLE-GPU.md。【免费下载链接】AutoScientistsAutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation项目地址: https://gitcode.com/gh_mirrors/au/AutoScientists创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 AutoScientists生物医学ML实战：24个BioML-Bench任务的数据准备与运行完全指南
AutoScientists生物医学ML实战24个BioML-Bench任务的数据准备与运行完全指南【免费下载链接】AutoScientistsAutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation项目地址: https://gitcode.com/gh_mirrors/au/AutoScientistsAutoScientists是一个由多个 AI 智能体Agent自我组织成团队、长时间协作完成计算科学实验的开源系统。本文聚焦它最完整的实战场景——BioML-Bench 生物医学机器学习基准覆盖蛋白工程、药物发现、单细胞组学、医学影像四大方向的24 个任务教你从数据准备到一键启动智能体团队跑实验的完整流程 。为什么选择 AutoScientists 做生物医学ML实验与单轨迹推进的 AI Agent 系统不同AutoScientists 的多个智能体会围绕有前景的假设自发组队并行探索不同技术路线在消耗实验算力之前互相评审彼此的方案共享成败经验避免重复探索让搜索在数小时甚至数天内持续有效官方实测结果在 BioML-Bench 上取得74.4% 的平均排行榜百分位比此前最强的 AI 智能体系统高8.33%。24个BioML-Bench任务全景清单任务按四大领域组织每个任务目录下都有一份TASK.md写明了问题定义、数据格式、评估指标和验证策略。完整清单见task-biomlbench/README.md领域任务数代表任务核心指标 蛋白工程ProteinGym DMS6Spike 蛋白 ACE2 结合力预测Spearman ↑ 药物发现Polaris/TDCommons9Caco-2 肠上皮渗透性预测MAE ↓ / ROC-AUC ↑ 单细胞组学OpenProblems5RNA→蛋白丰度预测RMSE ↓ 医学影像Kaggle4肺纤维化 FVC 衰退预测Laplace LL ↑以药物发现中的 Caco-2 渗透性任务为例输入分子的 SMILES 字符串输出有效渗透率用 MAE 评估。每个任务的TASK.md如task-biomlbench/drug_discovery/tdcommons-caco2-wang/TASK.md里还内置了防数据泄漏规则——data/private/answers.csv只能由外部评分器使用智能体开发时禁止读取它。环境准备3步装好依赖第1步克隆仓库git clone https://gitcode.com/gh_mirrors/au/AutoScientists第2步启动本地协调服务器系统通过本地ClawInstitute 服务器工作坊、工作区、消息板协调所有智能体npx clawinstitute start第3步安装 Python 依赖pip install -r requirements.txt⚡硬件要求有 GPU 时任务时限为 16 小时墙钟时间纯 CPU 任务为 8 小时单细胞任务数据量大每任务约 10–50 GB建议预留充足磁盘空间。实验训练统一使用biomlbench venvPython 3.12 虚拟环境预装 scikit-learn、LightGBM、PyTorch、ESM2、scanpy、segmentation-models 等全套工具设置环境变量即可export BIOMLBENCH_VENV/path/to/biomlbench/.venv数据准备一个脚本搞定24个任务数据准备脚本task-biomlbench/prepare_all_data.py支持按任务或按类别下载核心用法# 只准备一个任务 python prepare_all_data.py --task tdcommons-caco2-wang # 或按类别批量准备 python prepare_all_data.py --category drug_discovery推荐做法先用 biomlbench 工具把数据预下载到本地缓存目录再通过--biomlbench-dir指向缓存避免重复下载大文件python prepare_all_data.py --biomlbench-dir $DATA_DIR各类别的数据源略有差异需要注意药物发现数据来自 Polaris Hub回退方案需要免费的 Polaris 账号单细胞组学数据托管在 S3需要安装 AWS CLI医学影像需要安装 Kaggle CLI、配置kaggle.json凭据并在网页上接受各比赛规则脚本会自动用患者级 KFold随机种子 42生成可复现的cv_fold列蛋白工程直接从 ProteinGym 下载 DMS 数据自动附带 CV 分折准备完成后每个任务目录下会生成data/train.csv、data/test_features.csv、data/sample_submission.csv等标准文件。一键启动让智能体团队开始跑实验数据就绪后回到仓库根目录用launch.py启动一次运行cd AutoScientists python3 launch.py my-run --task task-biomlbench/drug_discovery/tdcommons-caco2-wanglaunch.py会自动完成以下工作把任务目录复制为独立运行目录../my-run/含task/TASK.md、runbook.md、任务配置文件注册智能体在 ClawInstitute 上创建工作坊和工作区发布启动帖读取任务TASK.md中的task_type: biomlbench自动匹配task-biomlbench/LAUNCH.md作为任务配置即task-profile.md运行目录是完全自包含的。接下来在 Claude Code 会话中打开该目录下的runbook.md并执行编排器Orchestrator就会接管一切。它有一条铁律只做协调绝不亲自跑实验——超时、失败、队列空了它的应对永远是再启动一个智能体而不是自己动手训练模型。智能体团队如何分工协作BioML-Bench 属于固定截止期基准任务task-biomlbench/LAUNCH.md中定义了完整的行为钩子方案讨论强制组队前每个智能体必须先提出一个未被认领的方法族——比如分子任务不能全队都做 RDKitXGBoost有人跑 GNN有人跑指纹SVM有人跑 TransformerGPU 调度GPU 智能体串行占用显卡CPU 实验则在后台并行每个智能体通过gpu_claim文件声明自己本次实验的算力类型冠军晋级每个周期结束后编排器把所有智能体产出的submission.csv按分数比较最优者被提升为冠军记录在champion.md停滞不退出连续 6 次实验无提升时系统发布[STUCK]帖要求分析员提出完全不同的技术路线时间才是唯一停止条件紧急保存距截止不足 15 分钟且没有submission.csv时触发紧急提交流程哪怕用最简单的均值预测也要保证交卷跑完能得到什么真实研究洞察除了submission.csv每次运行还会沉淀一份research_insights.md记录智能体团队发现的规律。以 Caco-2 渗透性任务task-biomlbench/drug_discovery/tdcommons-caco2-wang/autoscientists_submission/research_insights.md为例团队在约 3 小时内发现了多个有价值的结论表格 MLP 击败 GNN在 728 个分子的骨架划分回归中基于 MordredECFP 特征的深度残差 MLP 优于 AttentiveFP、UniMol 等所有图神经网络随机种子选择是一等优化杠杆精心挑选的 88 种子集成把 MAE 从 0.3374 降到 0.3321等效于一次架构改进且零新设计集成规模收益递减且非单调从 88 种子加到 248 种子反而变差——后期种子引入的是相关噪声这些发现都标注了可证伪条件形成了可积累的科学知识 。常见问题速查问题解决方案npx clawinstitute首次运行慢首次会从 npm 下载包之后走本地缓存也可npm install -g clawinstitute永久安装想自定义运行输出位置launch.py支持--output-dir /path/to/runs想加自己的任务新建task-name/目录放好TASK.mdLAUNCH.md两个文件即可智能体找不到 Python始终使用$BIOMLBENCH_VENV/bin/python全路径不要依赖 PATH 里的python写在最后AutoScientists 把生物医学 ML 竞赛变成了一个可以整夜无人值守的自动化实验流程prepare_all_data.py备好数据launch.py拉起智能体团队runbook.md驱动整个实验循环最后交给你一份带完整研究洞察的提交文件。想要深入理解多智能体协作机制可以阅读system/reference/SKILL.md与角色模板system/templates/ROLE-GPU.md。【免费下载链接】AutoScientistsAutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation项目地址: https://gitcode.com/gh_mirrors/au/AutoScientists创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考