Alla base di Biomni c’è un “ecosistema agentico” che aggrega 150 strumenti, 59 banche dati e oltre 100 software specializzati, spaziando dall’analisi di DNA/RNA alla predizione di struttura proteica, dal disegno di guide CRISPR alla modellistica farmacocinetica. Questo ambiente consente al sistema di accedere in modo orchestrato a risorse su varianti genomiche, strutture proteiche, vie di segnalazione, associazioni malattia–gene e interazioni farmaco–bersaglio, riducendo la necessità di passare manualmente da un tool all’altro.

Biomni utilizza un’architettura generale che combina ragionamento con modelli di linguaggio di ultima generazione, pianificazione supportata da recupero di conoscenze e esecuzione di codice per automatizzare interi workflow. In pratica, l’agente non si limita a rispondere a una domanda, ma scompone il problema, seleziona gli strumenti più pertinenti, interroga le banche dati, lancia analisi bioinformatiche e integra i risultati in un output coerente, senza affidarsi a pipeline predefinite.

La piattaforma è stata testata su compiti eterogenei: prioritarizzazione causale di geni, strategie di riposizionamento farmacologico, diagnosi di malattie rare, analisi metagenomica del microbioma e progettazione di clonaggi molecolari. Per il ricercatore accademico, questo si traduce in supporto alla lettura critica della letteratura, alla generazione di ipotesi e alla definizione di protocolli sperimentali “testabili” in laboratorio, inclusa la progettazione di costrutti e la gestione di strumenti di banco. Per l’industria farmaceutica e biotech, Biomni può accelerare attività come la selezione di target, la valutazione di sicurezza ed efficacia potenziale di molecole candidate e l’analisi integrata di dati multi-omici provenienti da studi preclinici e clinici.

Nonostante le prestazioni su benchmark e casi reali, gli autori sottolineano la necessità di “stress-testare” il sistema e di esplorarne i limiti, soprattutto in scenari complessi e non standardizzati. Come altri agenti basati su modelli generativi, Biomni può essere esposto a rischi tipici dell’AI in sanità, tra cui errori di ragionamento quantitativo, interpretazioni fuorvianti della letteratura, bias ereditati dai dati e fenomeni di hallucination che rendono verosimili contenuti inesatti. Per questo motivo, l’uso clinico e industriale richiede supervisione esperta, validazione indipendente dei risultati critici e un’attenzione particolare alla trasparenza dei workflow e alla tracciabilità delle decisioni, in linea con le raccomandazioni internazionali sui sistemi di AI per la salute.

Sul versante clinico, la capacità di Biomni di supportare l’interpretazione di varianti genetiche e l’analisi di coorti complesse apre prospettive per una medicina di precisione più accessibile ai centri non dotati di grandi team bioinformatici. Nella catena industriale, l’automazione di flussi analitici complessi e la tracciabilità del ragionamento agentico possono migliorare robustezza, riproducibilità e governance dei processi R&D, facilitando l’integrazione di soluzioni AI in contesti regolatori sempre più esigenti.

In prospettiva, Biomni rappresenta un passo verso un modello in cui l’intelligenza artificiale non sostituisce lo scienziato, ma ne estende la capacità di esplorare spazio di ipotesi e di tradurre più rapidamente intuizioni in esperimenti e, potenzialmente, in nuove terapie.