飞书实测！生物医药版“小龙虾”来了！清华AIR×水木分子！私人专属药物研发助手！这个由清华大学AIR与水木分子联合推进的

生物医药版“小龙虾”来了！

私人专属药物研发助手！

生物医药版“小龙虾”，真的来了。不过，这次不是一个全新的模型，而是一个你可能早就听说过的项目——OpenBioMed。

这个由清华大学AIR与水木分子联合推进的开源项目，其实已经存在了一段时间，从 BioMedGPT 到 MolFM，再到后来的多模态生物模型体系，它一直在不断迭代。最近在看Github的时候，发现OpenBioMed彻底升级了，一口气发布了45个针对生物医药研发的Skills，不仅可以直接部署到claude Code，还能在飞书、微信等平台直接使用。

这看起来像是一次普通更新，但如果你最近在关注 AI Agent，就会意识到——这一步，意义完全不一样。因为它不再只是一个“能做预测的模型”，而是开始变成一个——可以自动调用工具、组合能力、执行科研流程的系统。

接下来小编就以如何部署安装测试，为大家带来该Skills的实测分析！

（OpenBioMed Skills交流群）

45个Skills功能介绍

OpenBioMed 提供了45个专业的生物医药领域Skills，以下是完整列表

药物相关Skills (11个)

蛋白质相关Skills13个

单细胞相关Skills11个

空间组学Skills2个

分子/生物相关Skills7个

基础设施相关4个

测试实例

(代码为背后逻辑，实操并未涉及代码输入)

【测试环境准备——激活环境】

source /root/miniconda3/etc/profile.d/conda.sh
conda activate OpenBioMed

测试一：BBBP（血脑屏障穿透性预测）

测试代码：

import os
os.environ['dataset_name'] = 'BBBP'
import torch
from open_biomed.core.pipeline import InferencePipeline
from open_biomed.data import Molecule
pipeline = InferencePipeline(
    task='molecule_property_prediction',
    model='graphmvp',
    model_ckpt='./checkpoints/server/graphmvp-BBBP.ckpt',
    additional_config='./configs/dataset/bbbp.yaml',
    device='cuda:0'
)
mol = Molecule.from_smiles('CC(=O)OC1=CC=CC=C1C(=O)O')  # Aspirin
result = pipeline.run(molecule=mol)
print(result[1][0])  # 输出: 0.1882

Agent运行界面👇

推理界面👇

飞书小龙虾运行界面

测试二：SIDER（副作用预测）

测试代码：

import os
os.environ['dataset_name'] = 'SIDER'
import torch
from open_biomed.core.pipeline import InferencePipeline
from open_biomed.data import Molecule
pipeline = InferencePipeline(
    task='molecule_property_prediction',
    model='graphmvp',
    model_ckpt='./checkpoints/server/graphmvp-SIDER.ckpt',
    additional_config='./configs/dataset/sider.yaml',
    device='cuda:0'
)
mol = Molecule.from_smiles('CC(=O)OC1=CC=CC=C1C(=O)O')  # Aspirin
result = pipeline.run(molecule=mol)
print(result[1][0])

Agent运行界面👇

推理界面👇

结果展示👇 风险等级定义——HIGH：概率 > 0.7、MODERATE：概率 0.4-0.7、LOW：概率 < 0.4

飞书小龙虾运行界面

科研流程自动化

所以，OpenBioMed这次真正重要的，并不是那45个skills本身。而是它在回答一个更本质的问题——当模型已经足够多，科研接下来该如何被重新组织？

过去，我们习惯把AI看成一个“更聪明的预测工具”——做结构预测、做分子生成、做单细胞分析。

但现在，这些能力，开始被拆解、被封装、被标准化，变成可以被调用的“技能”。而科研，也开始从“一个一个模型叠加”，变成一个可以被自动组合和执行的流程系统。从这个角度看，OpenBioMed更像一个信号。AI在生物领域的竞争，正在从“谁的模型更强”，转向“谁能把科研流程真正自动化”。

附录——环境创建

创建conda环境

conda create -n OpenBioMed python=3.9
conda activate OpenBioMed

2.2 安装依赖

PyTorch 及相关库：

pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu117

（安装过程中可能会遇到torch和系统cuda版本不适配的问题，小编建议可以先禁用cuda，直接用cpu推理）

PyG 相关库：

pip install pyg_lib torch_scatter torch_sparse torch_cluster torch_spline_conv -f https://data.pyg.org/whl/torch-1.13.1+cu117.html

其他依赖：

pip install pytorch_lightning==2.0.8 peft==0.9.0 accelerate==1.3.0 --no-deps
pip install -r requirements.txt
pip install -e .

安装注意事项

PyG依赖: PyG (PyTorch Geometric) 的安装需要与PyTorch版本匹配
CUDA版本: 确保CUDA版本与PyTorch版本兼容（本文使用cu117）
OpenBabel: 未安装OpenBabel会导致MolCRAFT模型无法解码生成的分子