中文 | English

欢迎在该网站使用我们的生物医药与生命科学智能体平台！

更新信息 🎉

• [2026/05/01] 🔥 发布 CodeFP (📃论文) 。

CodeFP 是由水木分子与清华大学智能产业研究院（AIR）联合发布的一个序列-结构联合生成蛋白质语言模型框架，通过统一序列与结构的生成以推进功能蛋白质的从头设计。基准测试的评估表明，CodeFP 在功能蛋白质的从头设计任务上的功能一致性与结构可折叠性方面均达到了SOTA水平。

欢迎使用 functional-protein-design 技能来尝试 CodeFP。

• [2026/03/20] 🔥 发布 OpenBioMed Skills，一套由 Claude Code 驱动的、涵盖 45 项技能的生物医学研究与药物发现技能集。

OpenBioMed Skills 是由水木分子与清华大学智能产业研究院（AIR）联合发布的一套技能集，为复杂生物医学研究任务提供端到端解决方案，覆盖药物发现、蛋白质分析与设计、单细胞组学数据分析等生物医药热门研究领域。同时，我们提供了 copilot 模式，允许用户通过与 LLM 智能体和 OpenBioMed 工具包交互来创建你自己的技能。欢迎 快速试用 并 了解我们的技能。

目录

• 介绍
• 环境搭建
• 快速开始
• 教程
• 先前版本
• 局限性
• 引用

介绍

本仓库为 OpenBioMed，一个面向 AI 赋能生物医药的 Python 深度学习工具包。OpenBioMed 旨在帮助研究者构建并使用 AI 驱动的工作流以解决复杂生物医学研究任务。OpenBioMed 提供 20+ 工具，覆盖从传统 AI 药物发现到新兴多模态任务等多种下游应用。在 Claude Code 支持下，OpenBioMed 提供 45 项技能，为复杂生物医学研究提供端到端方案，并通过顺畅的人机协作便于你构建自己的技能。

OpenBioMed 为研究者提供：

• 45 项技能：提供复杂生物医学研究任务的端到端解决方案，覆盖药物发现、蛋白质分析与工程、单细胞组学数据分析以及数据检索与知识。
• 4 类数据模态：分子、蛋白质、口袋与文本的易用访问与处理接口。
• 20+ 工具（由深度学习模型驱动）：包含如 PharmolixFM、BioMedGPT-R1、BioMedGPT 与 MutaPLM 等自研模型。

以下为当前支持的技能列表（持续更新）：

以下为当前支持的工具列表：

环境搭建

如需启用 OpenBioMed 的基本功能，请执行：

conda create -n OpenBioMed python=3.9
conda activate OpenBioMed
pip install torch==1.13.1+{your_cuda_version} torchvision==0.14.1+{your_cuda_version} torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/{your_cuda_version}  
pip install pyg_lib torch_scatter torch_sparse torch_cluster torch_spline_conv -f https://data.pyg.org/whl/torch-1.13.1+{your_cuda_version}.html
pip install pytorch_lightning==2.0.8 peft==0.9.0 accelerate==1.3.0 --no-deps -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install -r requirements.txt

建议使用 cuda=11.7 配置环境，其他版本的 cudatoolkit 可能导致异常。

若要使用可视化工具与 vina 分数计算工具，请安装以下依赖：

# 可视化
conda install -c conda-forge pymol-open-source
pip install imageio

# AutoDockVina
pip install meeko==0.1.dev3 pdb2pqr vina==1.2.2 
python -m pip install git+https://github.com/Valdes-Tresanco-MS/AutoDockTools_py3

# PoseBusters
pip install posebusters==0.3.1

# 基于重叠的评估
pip install spacy rouge_score nltk
python
>>> import nltk
>>> nltk.download('wordnet')
>>> nltk.download('omw-1.4')

# LangCell
pip install geneformer

依赖安装完成后，可执行以下命令安装包并更方便地使用接口：

pip install -e .
# 尝试使用 OpenBioMed 接口
python
>>> from open_biomed.data import Molecule
>>> molecule = Molecule(smiles="CC(=O)OC1=CC=CC=C1C(=O)O")
>>> print(molecule.calc_logp())

构建 Docker

直接执行 ./scripts/docker_run.sh 将构建 Docker 镜像并运行容器，在 8082 和 8083 端口启动后端服务。

sh ./scripts/docker_run.sh

我们也提供预构建的 Docker 镜像，可直接拉取使用。

快速开始

OpenBioMed Skills 需要先安装并运行 Claude Code。

mkdir .claude
# 安装到你的工作区 skills 目录
cp -r skills/* <your-workspace>/skills/
claude

• 输入 /target-based-lead-design：配置目标蛋白或疾病（如 EGFR）与先导分子所需性质，稍等片刻即可获得多样先导候选及报告与可视化结果。
• 输入 /functional-protein-design：给出期望功能（如 溶菌酶），由模型生成具有该功能的蛋白质序列及其三维结构。
• 输入 /biomed-skill-creator：通过与 LLM 智能体对话，将你的工作流整理并固化为一项技能。

教程

更多教程请参见 Jupyter notebooks。

先前版本

如需使用旧版功能，请切换到本仓库的 v1.0 分支：

git checkout v1.0

我们在一个 nightly 分支上提供了 MCP 支持，可以尝试运行以下命令：

git checkout mcp

局限性

本仓库包含 BioMedGPT-LM-7B、BioMedGPT-10B 与 BioMedGPT-R1，我们强调对这些模型负责任与合乎伦理的使用。BioMedGPT 不得用于向公众提供服务。严禁生成任何违反适用法律法规的内容，包括但不限于煽动颠覆国家政权、危害国家安全与利益、传播恐怖主义、极端主义、民族仇恨与歧视、暴力、色情或虚假有害信息等。BioMedGPT 不对用户提供或发布的任何内容、数据或信息所导致的后果承担责任。

协议

本仓库采用 MIT License。使用 BioMedGPT-LM-7B 与 BioMedGPT-10B 模型须遵守 可接受使用政策。

联系我们

我们欢迎用户反馈以改进框架。如有技术问题或建议，欢迎提交 issue。商业支持或合作请联系 opensource@pharmolix.com。

引用

若本开源代码与模型对你的研究有帮助，欢迎为本仓库加星 🌟 并引用 📎 相关论文，感谢支持。

引用 OpenBioMed：

@misc{OpenBioMed_code,
      author={Luo, Yizhen and Yang, Kai and Fan, Siqi and Hong, Massimo and Zhao, Suyuan and Chen, Xinrui and Nie, Zikun and Luo, Wen and Xie, Ailin and Liu, Xing Yi and Zhang, Jiahuan and Wu, Yushuai and Nie, Zaiqing},
      title={Code of OpenBioMed},
      year={2023},
      howpublished={\url{https://github.com/Pharmolix/OpenBioMed.git}}
}

引用 BioMedGPT：

@article{luo2024biomedgpt,
  title={Biomedgpt: An open multimodal large language model for biomedicine},
  author={Luo, Yizhen and Zhang, Jiahuan and Fan, Siqi and Yang, Kai and Hong, Massimo and Wu, Yushuai and Qiao, Mu and Nie, Zaiqing},
  journal={IEEE Journal of Biomedical and Health Informatics},
  year={2024},
  publisher={IEEE}
}

@article{luo2025pharmolixfm,
  title={PharMolixFM: All-Atom Foundation Models for Molecular Modeling and Generation},
  author={Luo, Yizhen and Wang, Jiashuo and Fan, Siqi and Nie, Zaiqing},
  journal={arXiv preprint arXiv:2503.21788},
  year={2025}
}

@misc{luo2023molfm,
      title={MolFM: A Multimodal Molecular Foundation Model}, 
      author={Yizhen Luo and Kai Yang and Massimo Hong and Xing Yi Liu and Zaiqing Nie},
      year={2023},
      eprint={2307.09484},
      archivePrefix={arXiv},
      primaryClass={q-bio.BM}
}

@misc{zhao2024langcell,
      title={LangCell: Language-Cell Pre-training for Cell Identity Understanding}, 
      author={Suyuan Zhao and Jiahuan Zhang and Yizhen Luo and Yushuai Wu and Zaiqing Nie},
      year={2024},
      eprint={2405.06708},
      archivePrefix={arXiv},
      primaryClass={q-bio.GN}
}

@article{luo2025mutaplm,
  title={MutaPLM: Protein Language Modeling for Mutation Explanation and Engineering},
  author={Luo, Yizhen and Nie, Zikun and Hong, Massimo and Zhao, Suyuan and Zhou, Hao and Nie, Zaiqing},
  journal={Advances in Neural Information Processing Systems},
  volume={37},
  pages={79783--79818},
  year={2025}
}