Знакът на КАГАМИ КАГАМИ
kagami.bg/academy · lesson · machine-readable viewUPDATED 2026-10-03 · NOT VERIFIED END TO END
IDENTITY
module
GX10-04-64 · Biomedical literature agent with public sources (PubMed, RCSB PDB)
series
GX10 (local AI server class: NVIDIA GB10, e.g. ASUS Ascent GX10 / DGX Spark)
level
Intermediate
duration
2-3 h
prerequisites
Python 3 with requests and openai; a local Ollama server with one model pulled; internet access to eutils.ncbi.nlm.nih.gov and rcsb.org
trust_label
UPDATED 2026-10-03 (checked against NVIDIA blueprint page and repository, NCBI E-utilities guide, RCSB APIs, Ollama OpenAI-compatibility docs) · PubMed and RCSB code run live on a non-GB10 machine · loop run with a stubbed model · NOT TESTED with a real model and NOT TESTED on GB10
safety
Not medical advice; not for clinical use. Public sources only. Queries are sent to NCBI and RCSB servers: never put patient data or confidential text into a query.
versions
No pinned versions needed; Ollama OpenAI-compatible endpoint at http://localhost:11434/v1/
language
human view: bg · english edition: /en/academy/gx10/ (same file name)
previous / next
04-63_Medical_Imaging_VISTA3D.html / 04-65_Protein_Folding_AlphaFold2.html
PURPOSE

Teach how to build a small literature agent for biomedical questions on a local model: plan 3-5 queries, collect abstracts from PubMed and entry titles from RCSB PDB, write a report that cites sources by number, and verify the numbers with code before a human reads it. Explain why NVIDIA's Biomedical AI-Q blueprint (deprecated) is not deployed on a 128 GB machine.

KEY CONCEPTS
COMMANDS / PATHS
CHECKLIST
NEXT MODULE

04-65_Protein_Folding_AlphaFold2.html (AlphaFold2: protein structure and pLDDT) · generic research-agent loop: 04-88_AIQ_Intelligent_Agents.html · series index: kagami.bg/academy/gx10/

SOURCES
TAGS
gx10nvidia-gb10research-agentpubmedrcsb-pdbollamacitationsdeprecated-blueprintnot-for-clinical-use
ОБНОВЕНО · 03.10.2026

Агент за биомедицинска литература: PubMed и PDB

Малък агент на локален езиков модел: планира няколко търсения, събира резюмета от PubMed и записи от банката с протеинови структури (PDB), пише доклад с номерирани цитати и проверява с код, че номерата съществуват. Човек одобрява плана и чете оригиналите. Блупринтът на NVIDIA за такъв агент е оттеглен и не се събира в 128 GB — затова строим скромна версия с публични източници.

⏱ 2–3 ч Средно GX10 Python · Ollama PubMed · RCSB PDB
Ollama (моделът)🔒 локално PubMed E-utilities🌐 глобален RCSB PDB🌐 глобален
⛔
Не е медицински съвет; не за клинична употреба
Докладът на агента е чернова от публични резюмета, написана от езиков модел, който може да греши. Не е клинична препоръка, не заменя лекар или експерт и не е основание за решение за пациент. Работи само с публични източници. Заявките ти напускат машината (към сървърите на NCBI и RCSB) — не слагай в тях данни на пациенти или поверителен текст.
🔄
ОБНОВЕНО · 03.10.2026 — какво
Урокът е преработен. Махнахме: твърдението „100% локално“ (PubMed и RCSB са външни услуги); инструмента за „вътрешни клинични досиета“ и примера „нашите досиета за Trial X“ — тук работим само с публични данни; примерен въпрос за лекарства и докинг; FastAPI услугата, която слушаше на 0.0.0.0; кода за PubMed, който връщаше целия XML за всяка статия; фалшивия ключ „not-needed“ и непроверения „AgentIQ trace API“ (блупринтът сега ползва NVIDIA NeMo Agent Toolkit). Добавихме: бележката, че блупринтът на NVIDIA е оттеглен; сметката защо не се събира в 128 GB; правилата на NCBI (3 заявки в секунда, регистриране на tool и email, авторски права върху резюметата); проверка на цитатите с код; одобрение на плана от човек. Кодът за PubMed и PDB е пускан на живо (на обикновена Linux машина, не на GB10); цикълът е пускан с подменен модел.
⚠️
Какво не сме пускали сами
Нямахме машина от класа GB10. Не сме пускали цикъла с истински модел — затова няма етикет „ТЕСТВАНО“ и не обещаваме колко добър е докладът. Не сме пускали блупринта на NVIDIA. Качеството на плана и на доклада зависи от модела, който избереш.

01Какво ще научиш

02Преди да започнеш

ИзточникУсловияКакво значи за теб
PubMed (NCBI E-utilities)Най-много 3 заявки в секунда без API ключ, 10 с ключ; регистрирани tool и email; резюметата може да са защитени с авторско право; бележката на NCBI трябва да се вижда в софтуераЦитирай, не преразпространявай текстове. За масово теглене NCBI предлага официално изтегляне.
RCSB PDBДанните са CC0 1.0Свободна употреба; пак посочвай идентификатора.
Локален моделЛицензът на избрания модел (виж страницата му в ollama.com)Прочети го, ако работата е платена.

03Стъпки

  1. Схемата и къде е човекът

    Защо така: моделът не знае какво е писано в литературата — той само подрежда думи. Затова му даваме доказателства и искаме всяко твърдение да сочи към номер. Човекът пази две врати: одобрява плана (преди да се търси) и чете оригиналите (преди да се вярва). Общия цикъл с повече подробности виж в 04-88.

    • План — моделът разбива въпроса на 3–5 кратки търсения и избира инструмент за всяко.
    • Търсене — кодът вика PubMed и PDB и връща {източник, текст}.
    • Доклад — моделът пише само по номерираните доказателства.
    • Проверка — кодът търси несъществуващи номера и неупотребени източници.
  2. Блупринтът на NVIDIA: защо не го разгръщаме

    NVIDIA има „Biomedical AI-Q Research Agent“ — блупринт за такъв агент, с допълнителни инструменти за търсене на молекули. Страницата му в build.nvidia.com към 03.10.2026 гласи „This Blueprint has been deprecated“. Ето защо и без това не е за GX10 (данни от README на блупринта):

    КаквоНужда
    Тестова конфигурация на NVIDIA5 × H100 по 80 GB (общо 400 GB) или 8 × A100 по 80 GB
    Модел за разсъждения Nemotron-Super-49B (профил FP8)49 млрд. параметъра × 1 байт ≈ 49 GB
    Модел Llama-3.3-70B≈ 70 GB при 8 бита; ≈ 140 GB при 16 бита
    Само двата езикови модела≈ 119 GB в най-добрия случай
    Какво имаме на GX10128 GB обща памет — за всичко: система, кеш на модела, четене на PDF, база, инструменти за молекули
    Диск при всичко локално435 GB
    Операционна система и процесорUbuntu 22.04, 16 процесора (README); GX10 е Arm с DGX OS — не е пускано

    Извод: двата модела почти изяждат паметта и не остава място за останалото. Затова не пускаме блупринта, а строим малката версия по-долу. Блупринтът е Apache-2.0, но моделите в него имат свои лицензи (виж README).

  3. Инструмент 1: PubMed 🌐

    Всеки инструмент връща списък от {"source": "PMID:…", "text": "…"}. Пазим source, за да може докладът да цитира. Кодът по-долу е пускан на живо: pubmed_search("osimertinib resistance mechanisms NSCLC", 2) върна две статии с резюмета. Паузите са, за да не минеш 3 заявки в секунда.

    python · bioagent.py (част 1)
    import time
    import requests
    import xml.etree.ElementTree as ET
    
    EU = "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/"
    TOOL = "academy-demo"          # име на твоя скрипт, без интервали
    EMAIL = "<твоят-имейл>"        # за контакт от NCBI, ако има проблем
    
    def pubmed_search(query, n=3):
        time.sleep(0.4)            # не повече от 3 заявки в секунда
        ids = requests.get(EU + "esearch.fcgi", params={
            "db": "pubmed", "term": query, "retmax": n, "retmode": "json",
            "tool": TOOL, "email": EMAIL}, timeout=30).json()["esearchresult"]["idlist"]
        if not ids:
            return []
        time.sleep(0.4)
        xml = requests.get(EU + "efetch.fcgi", params={
            "db": "pubmed", "id": ",".join(ids), "retmode": "xml",
            "tool": TOOL, "email": EMAIL}, timeout=30).text
        out = []
        for art in ET.fromstring(xml).findall("PubmedArticle"):
            pmid = art.findtext(".//MedlineCitation/PMID")
            t = art.find(".//ArticleTitle")
            title = "".join(t.itertext()) if t is not None else ""
            abstract = " ".join("".join(x.itertext()) for x in art.findall(".//Abstract/AbstractText"))
            if abstract:           # без резюме няма какво да цитираме
                out.append({"source": f"PMID:{pmid}", "text": f"{title}. {abstract}"})
        return out
    ⚠️
    Правила на NCBI
    Без API ключ — най-много 3 заявки в секунда, иначе IP адресът може да бъде блокиран. С ключ (от настройките на акаунта в NCBI) — 10 в секунда. Големи задачи — само в уикенда или между 21:00 и 05:00 източно американско време, или през официалното изтегляне. Резюметата може да са защитени с авторско право: показвай ги като цитат към източника, не ги преразпространявай.
  4. Инструмент 2: PDB 🌐

    Банката с протеинови структури (PDB) има търсене по текст и отделен интерфейс за данните на запис. Взимаме идентификатора и заглавието. Пускан на живо: заявката „EGFR kinase osimertinib“ върна записи, между които 6LUD — „Crystal Structure of EGFR(L858R/T790M/C797S) in complex with Osimertinib“.

    python · bioagent.py (част 2)
    def pdb_search(query, n=3):
        q = {"query": {"type": "terminal", "service": "full_text", "parameters": {"value": query}},
             "return_type": "entry", "request_options": {"paginate": {"start": 0, "rows": n}}}
        r = requests.post("https://search.rcsb.org/rcsbsearch/v2/query", json=q, timeout=30)
        if r.status_code != 200:   # 204 значи „няма резултати“
            return []
        out = []
        for hit in r.json().get("result_set", []):
            pid = hit["identifier"]
            core = requests.get(f"https://data.rcsb.org/rest/v1/core/entry/{pid}", timeout=30).json()
            out.append({"source": f"PDB:{pid}", "text": core["struct"]["title"]})
        return out
    
    TOOLS = {"pubmed": pubmed_search, "pdb": pdb_search}
  5. Планът от локален модел 🔒

    Ollama говори и на „езика“ на OpenAI на адрес http://localhost:11434/v1/ (по документацията; клиентът иска ключ, но Ollama го игнорира). Поддържа се и режим JSON, с който искаме плана. Заменяш <модел> с име от ollama list. Промптовете са на английски, защото източниците са на английски. Тази част не е пускана с истински модел.

    python · bioagent.py (част 3)
    import json
    import re
    from openai import OpenAI
    
    llm = OpenAI(base_url="http://localhost:11434/v1/", api_key="ollama")   # ключът се игнорира
    MODEL = "<модел>"          # име от `ollama list`
    
    def ask(prompt, json_mode=False):
        kw = {"response_format": {"type": "json_object"}} if json_mode else {}
        r = llm.chat.completions.create(model=MODEL, temperature=0.2, **kw,
            messages=[{"role": "user", "content": prompt}])
        return r.choices[0].message.content
    
    def make_plan(question):
        p = ('Split the research question into 3 to 5 short search queries. For each query choose a tool: '
             '"pubmed" (literature) or "pdb" (protein structures). '
             'Return ONLY JSON: {"plan":[{"query":"...","tool":"pubmed"}]}\n\nQUESTION: ' + question)
        return json.loads(ask(p, json_mode=True))["plan"]
    💡
    Ако планът не е валиден JSON
    По-малките модели понякога връщат счупен JSON и json.loads ще хвърли грешка. Опитай втори път, смени модела или го помоли по-кратко. Не пускай търсене по план, който не си прочел.
  6. Събиране и доклад

    Следващите функции събират доказателствата без дубликати и карат модела да пише само по тях, с номер в квадратни скоби след всяко твърдение. Обърни внимание: докладът се пише на английски — може да поискаш превод след проверката.

    python · bioagent.py (част 4)
    def gather(plan):
        seen, evidence = set(), []
        for step in plan:
            tool = TOOLS.get(step.get("tool"))
            if not tool:
                continue
            for item in tool(step["query"]):
                if item["source"] not in seen:      # без дубликати
                    seen.add(item["source"])
                    evidence.append(item)
        return evidence
    
    def write_report(question, evidence):
        blocks = "\n\n".join(f"[{i}] ({e['source']}) {e['text']}" for i, e in enumerate(evidence, 1))
        p = ("Write a short structured report that answers the question using ONLY the numbered evidence. "
             "After every claim put the number of its source in square brackets, like [2]. "
             "If the evidence is not enough, say so. Finish with a 'Limitations' section.\n\n"
             f"EVIDENCE:\n{blocks}\n\nQUESTION: {question}")
        return ask(p)
  7. Проверка на цитатите и одобрение от човек

    Тази проверка е пускана (с подменен модел): за доклад с цитати [1], [2] и [9], при шест източника тя върна invalid: [9] и неупотребени номера 3–6. Тя хваща три неща: номер, който го няма; източник, който никой не цитира; дълъг абзац без нито един цитат. Втората част на файла е и главната функция — тя показва плана и чака „да“ от човек, преди да търси.

    python · bioagent.py (част 5)
    def check_citations(report, n_sources):
        cited = {int(x) for x in re.findall(r"\[(\d+)\]", report)}
        invalid = sorted(c for c in cited if not 1 <= c <= n_sources)        # номера, които ги няма
        unused = sorted(set(range(1, n_sources + 1)) - cited)               # източници, които никой не цитира
        uncited = [p[:60] for p in report.split("\n\n")
                   if len(p) > 200 and not re.search(r"\[\d+\]", p)]        # дълги абзаци без цитат
        return {"invalid": invalid, "unused": unused, "paragraphs_without_citation": uncited}
    
    if __name__ == "__main__":
        question = input("Въпрос: ")
        plan = make_plan(question)
        print(json.dumps(plan, ensure_ascii=False, indent=2))
        if input("Одобряваш ли плана? (да/не) ").strip().lower() != "да":
            raise SystemExit("Спряно: планът не е одобрен.")
        evidence = gather(plan)
        report = write_report(question, evidence)
        print(report)
        print(check_citations(report, len(evidence)))
    ✅
    Валиден номер не значи вярно твърдение
    Кодът проверява само че номерата съществуват. Дали резюмето наистина казва онова, което докладът твърди — само човек може да види. Прочети резюмето на всеки цитиран източник, преди да вярваш на изречението.
  8. Какво агентът не умее

    • Чете само резюмета и заглавия — не пълния текст на статиите.
    • PubMed подрежда по свои правила; първите 3 резултата не са „най-добрите“ и не са всички.
    • Не оценява качеството на изследванията, не сравнява дози и не дава препоръки за лечение.
    • Моделът може да измисли връзка между два източника, които нямат такава. Затова четеш оригиналите.

04Проверка

Тест

1. Колко заявки в секунда препоръчва NCBI без API ключ?

2. Защо не разгръщаме блупринта на NVIDIA на GX10?

3. Какво доказва проверката на цитатите?

4. Кога човек одобрява плана?

05Какво следва

06Източници

  1. Biomedical AI-Q Research Agent (build.nvidia.com) — страницата е отбелязана като оттеглена (03.10.2026).
  2. Хранилището на блупринта — README: изисквания, компоненти, условия.
  3. NCBI: въведение в E-utilities — честота на заявките, ключове, tool и email, авторски права.
  4. RCSB: програмно търсене — · RCSB: данни — · RCSB: политика — данните са CC0 1.0.
  5. Ollama: съвместимост с OpenAI — адрес /v1/, режим JSON. 🔒 локално
  6. ASUS Ascent GX10: технически данни — Arm процесор, 128 GB обща памет.