码刻｜深势科技与Kimi联合发布AI+生命科学最新实践

源码资本源码资本··0·5

源码资本是深势科技、Kimi的早期投资方，一路陪伴与支持至今。

码荟成员企业「深势科技」与「Kimi」联合发布AI+生命科学最新实践：针对生物医学研究场景，深势在玻尔科学空间推出的科研智能体 BioMaster 正式接入 Kimi K3.1 Pro，以支持单细胞分析、基因变异解读和论文分析复现等生物学研究工作。

BioMaster 整合生物学领域知识、专业科研工具链与计算执行能力，将研究问题转化为可执行、可复核的分析流程。通过结合 Kimi K3.1 Pro 的复杂任务理解、推理与代码生成能力，研究人员可以通过 BioMaster 提交问题、数据和分析要求，完成从分析规划、计算执行到结果整理的连续科研任务，并保留代码、参数、图表和运行记录，便于复核结果及开展后续研究。

BioMaster 支持多种基础模型接入，并将根据不同任务要求评估和调用最优模型。本文聚焦 Kimi K3.1 Pro 在本次验证中的实际表现。

关键结果：**

  • Kimi K3.1 Pro 搭配 Kimi Code，在深势科技内部生物科研评测中取得最高分。
  • 90 分钟完成单细胞分析，较人工参考用时缩短约 63%：从 3,696 个胰腺细胞的表达数据中推断分化路径，筛出 100 个候选基因。
  • 35 分钟完成微生物功能分析，节省约 85% 的分析时间：比较 25 个近岸环境样本的 5,616 个功能条目，梳理出 5 个研究方向。

1

从复现已有工作 到验证新想法

在设计下一轮实验前，研究人员通常需要评估已有数据对研究假设的支持程度。例如，一篇论文报告的现象能否在另一批样本中观察到，会影响后续实验的设计与研究方向。

为此，研究人员往往需要获取论文使用的数据和代码，复现原始分析，再用相同的方法分析新样本。若两次结果存在差异，还需核对样本分组、分析参数和实验条件，判断哪些因素可能影响研究结论。这些过程涉及文献理解、数据处理、分析方法选择和计算执行等多个环节，不仅需要专业知识，也依赖不同科研工具与计算环境的协同。

**针对这些需求，BioMaster 将领域知识、专业工具和计算资源整合到统一的科研工作流中。借助 Kimi K3.1 Pro 的长上下文理解与推理能力，BioMaster 可以结合论文中的方法描述、图表、分析代码和实验设置，梳理需要复现或调整的分析步骤，并支持后续计算执行。**分析过程中使用的数据、代码、参数和结果得以保留，研究人员可以据此核查差异、调整分析条件，并从已有工作中发现值得进一步验证的研究线索。

2

Kimi K3.1 Pro 的实测表现

BioMaster 这类科研智能体对基础模型的要求，不仅是理解科学概念和回答专业问题，还需要处理复杂研究需求、生成可执行代码，并在连续任务中保持对数据、分析目标和上下文的理解。

评估一个基础模型能否胜任科研智能体的工作，深势科技重点关注其与 BioMaster 的工具和计算环境的协同，考察以下四个关键环节：

  • **资料检索与数据获取。理解研究问题，从文献、数据库和用户提供的资料中定位所需信息，协助获取、整理数据并核对样本与实验背景，为后续分析建立清晰的起点。

  • 分析规划与工具执行。面对不同类型的生物数据和研究问题，选择合适的方法，编写代码、调用专业工具，将数据清洗、质量检查、统计分析和建模等步骤衔接起来，推动分析从思路走向实际结果。

  • **结果解读与科学可视化。结合研究背景解释分析结果，选择合适的图表呈现数据分布、组间差异或变量关联，清楚表达比较对象、主要发现及其含义，帮助研究者理解结果并确定下一步研究方向。

  • 多步骤协同与报告交付。 在连续分析中保持研究目标、数据和参数的一致，将方法、结果、图表与主要结论整理成报告，并保留可复用的数据和代码，方便研究者复核、交流和继续开展研究。

为了评估不同模型与专业科研工作流的适配性，深势科技开展了生物方向的模型与智能体运行框架评测。在此次内部测评中，Kimi K3.1 Pro 搭配 Kimi Code，在参评组合中排名第一。

**在此基础上，深势科技进一步针对 BioMaster 的实际应用场景，在三个生物学评测集上测试了 BioMaster 与 Kimi K3.1 Pro 的组合。结果显示，BioMaster 搭配 Kimi 既能完成科研检索、计算和专业问答，也能分析给定的生物数据，回答样本来源、分组等需要通过计算才能判断的问题。

评测集简介：

  • STELLA Simple Set：科研检索与计算。 检索生物数据库和网络资料，回答实验流程与计算问题。
  • Biomni-Eval1：生物医学推理。 根据研究背景筛选候选基因、分析遗传变异或推断罕见病病因。
  • BioMysteryBench：生物数据分析。 分析匿名化生物数据，判断样本来源、识别样本分组或遗传变异。

3

如何使用BioMaster 和 Kimi 做科研分析

研究人员可通过 BioMaster 提出研究问题，并提供相关数据并指定分析要求。

BioMaster 结合 Kimi：理解科研问题、完成计算、检查判断并交付结果

BioMaster 将结合生物学领域知识和专业技能，借助 Kimi K3.1 Pro 确定分析方法、编写代码并调用工具，依托平台计算资源和运行环境，支持数据处理、计算分析及结果整理，并保留相关代码、参数、图表和运行记录。

分析完成后，研究人员不仅可查看报告中的结论，还可以回查分析方法与计算过程，对照不同分析条件下的结果，在已有成果基础上进一步开展研究。

4

三个科研分析案例

以下三个案例覆盖单细胞分析、微生物功能分析和生理信号分析等不同类型的科研任务，展示了 BioMaster 与 Kimi K3.1 Pro 在实际科研分析过程中的应用。

① 单细胞分析

从 3,696 个胰腺细胞推断分化路径，筛出 100 个候选基因

  • **人工耗时参考：4–8 小时（有效工时）
  • **BioMaster + Kimi：约 90 分钟

小鼠胚胎第 15.5 天的胰腺中，既有内分泌前体细胞，也有已呈现不同分化特征的细胞。为了推断这些细胞的发育顺序，BioMaster 调用 Kimi K3.1 Pro 规划分析步骤，从 3,696 个细胞的基因表达数据入手，复核 8 个主要细胞群，再结合拟时序与 RNA velocity 推断细胞状态变化方向。

结果提示，细胞可能从较早的导管样状态，经内分泌前体和中间状态，逐步走向不同的内分泌分支。整项分析耗时 90 分钟。

研究人员获得的分析结果包括一套细胞发育图谱、一份包含 100 个候选基因的清单，以及配套脚本、数据和 6 页报告。研究者可以选定一个分支，用标记基因核对细胞所处的阶段，再沿着推断的发育顺序查看候选基因的表达变化，选出值得优先验证的基因。

结果一：在同一张细胞地图上，读出细胞群与可能的变化方向。

▲ A 图中，每个点代表一个细胞，颜色区分 8 个主要细胞群。B 图在同一张细胞图谱上叠加流线，箭头表示根据 RNA 速率推断的细胞状态变化方向。

结果二：用基因表达检查细胞群的解释是否合理。

▲ 六个面板分别展示 Neurog3、Fev、Ins2、Gcg、Sst、Ghrl 六个代表性基因在同一细胞地图上的分布。Neurog3 的表达集中在内分泌前体区域，Ins2 和 Gcg 则分别集中在 β 和 α 细胞分支，为辨认这些细胞群提供了依据。

② 微生物功能分析

从 5,616 个微生物功能条目中梳理出 5 个研究方向

  • **人工耗时参考：4–8 小时（有效工时）
  • **BioMaster + Kimi：约 35 分钟

海洋微生物群落的功能组成受到多种环境因素影响。分析不同采样地点之间的功能差异，有助于研究人员理解微生物群落的潜在代谢特征，并进一步筛选值得关注的生物地球化学过程。

BioMaster 借助 Kimi K3.1 Pro，在 35 分钟内完成了波罗的海三个近岸地点、25 个近岸环境样本的微生物功能分析。初步分析显示，Ragaciems 样本的 KO 注释总量较低，检出的功能条目数量可能受到数据覆盖及组装注释差异影响。在整体功能组成上，Skulte 的样本彼此较为相似，Daugavgriva 的样本之间则差异较大。BioMaster 随后从 9,852 个功能条目中筛出 5,616 个，在考虑采样月份的基础上逐项比较地点间的差异。

研究人员获得了三个地点的微生物功能对照图以及可以回查到单个样本的结果表。 对于地点间存在差异的功能条目，研究人员可以查看它在各个样本中的分布，判断差异是否集中在少数样本，再结合相关代谢通路的完整度和样本中的微生物类群，围绕反硝化、甲烷相关代谢、硫酸盐还原、还原性固碳，以及光合／真核生物贡献，整理五类待验证方向。

▲ A 图展示与采样地点相关的功能条目，B 图展开其中 25 个代表性条目在各样本中的分布。C、D 图分别展示碳、氮、硫相关通路的完整度和微生物类群组成，供研究者对照解读功能差异。

③ 生物信号分析

分析在 57 次体位变化数据后，发现仅凭心率无法判断血压是否恢复

  • **人工耗时参考：6–12 小时（有效工时）
  • **BioMaster + Kimi：约 100 分钟

为判断仅凭心率能否了解体位改变后的血压恢复情况，BioMaster 借助 Kimi K3.1 Pro，分析了 10 名健康志愿者在主动站立、快速倾斜和缓慢倾斜时的心电与连续血压记录。BioMaster 以每次体位改变的时刻为起点，对齐两路信号，逐次判断心率和平均动脉压*()*是否达到各自的恢复标准，并在 100 分钟内完成分析报告。

研究人员最终获得三种体位操作下的心率与血压变化曲线，以及每次操作的恢复记录。按本次分析的恢复标准，57 次有效事件中，有 30 次出现平均动脉压已恢复、心率仍未恢复的情况。这为下一轮实验的设备选择提供了依据：如果研究目标包括判断血压何时恢复，就有必要在记录心电的同时连续监测血压。

▲ 从左到右依次为主动站立、快速倾斜和缓慢倾斜，共纳入 18、19 和 20 次有效事件。红线为心率变化（左轴），深色线为平均动脉压变化（右轴）。曲线展示各组平均趋势，正文中的恢复次数按单次事件统计。