WARNING
Для работы этой статьи требуются среды Node.js 22+ и Docker.
Представьте: вы даете команды серверу, и он помогает вам анализировать генетические данные, проводить скрининг лекарств и создавать графики для научных статей — это и есть MedgeClaw. Это ИИ-ассистент для биомедицинских исследований, построенный на базе OpenClaw и Claude Code, объединяющий 140 профессиональных научных навыков.
Целевая аудитория
- Исследователи в области наук о жизни
- Инженеры-биоинформатики, нуждающиеся в автоматизации анализа данных
- Студенты вузов, желающие использовать ИИ в научной работе
Введение
Ядром MedgeClaw является диалоговый ИИ-агент, использующий Claude Code для выполнения аналитических задач. Вы можете отправлять команды через WhatsApp, Slack, Discord или Lark (Feishu), и он автоматически будет:
- Читать и записывать локальные файлы
- Выполнять код на Python/R
- Управлять контейнерами Docker
- Генерировать визуализации и графики
- Составлять научные отчеты
Ключевой момент: для работы MedgeClaw требуется провайдер моделей. По умолчанию используется официальный API Anthropic, но он может быть дорогостоящим. В этой статье рассматриваются различные варианты подключения, включая Defapi, предлагающий официальный сервис за полцены.
Способ 1: Defapi (Рекомендуется — за полцены)
Defapi — это платформа-агрегатор моделей, совместимая с форматом OpenAI, предоставляющая модели серии Claude по цене в два раза ниже официальной.
Почему стоит выбрать Defapi?
- Цена составляет всего 50% от официальной
- Полная совместимость с интерфейсом Claude Code
v1/chat/completions - Прямой доступ без необходимости использования прокси
Шаги настройки
Шаг 1: Получение API-ключа
Перейдите на сайт https://defapi.org, зарегистрируйте аккаунт и получите API-ключ.
Шаг 2: Изменение конфигурации
Отредактируйте файл .env в корневом каталоге проекта:
# Конфигурация Defapi
ANTHROPIC_API_KEY=dk-xxxxxxxxxxxxxxxx
ANTHROPIC_BASE_URL=https://api.defapi.org
MODEL=anthropic/claude-sonnet-4.5
# ВАЖНО: Настройка для предварительной проверки Claude Code
ANTHROPIC_SMALL_FAST_MODEL=anthropic/claude-sonnet-4.5
Шаг 3: Выполнение скрипта установки
bash setup.sh
Это автоматически выполнит следующие действия:
- Настройка
~/.claude/settings.json - Создание среды анализа Docker (R + Python + RStudio + JupyterLab)
- Синхронизация навыков MedgeClaw с OpenClaw
Шаг 4: Запуск сервиса
# Запуск среды анализа
docker compose up -d
# Запуск OpenClaw
openclaw onboard
Способ 2: Официальный API Anthropic
Для обеспечения максимальной стабильности можно использовать официальный интерфейс напрямую.
# Официальный Anthropic API
ANTHROPIC_API_KEY=sk-ant-api03-xxxxxxxxxxxx
ANTHROPIC_BASE_URL=https://api.anthropic.com
MODEL=claude-sonnet-4-6
# Настройка SMALL_FAST_MODEL не требуется
Способ 3: OpenRouter
OpenRouter агрегирует более 200 моделей со всего мира.
ANTHROPIC_API_KEY=sk-or-v1-xxxxxxxxxxxxxxxx
ANTHROPIC_BASE_URL=https://openrouter.ai/api/v1
MODEL=anthropic/claude-3.5-sonnet
ANTHROPIC_SMALL_FAST_MODEL=anthropic/claude-3.5-haiku
Способ 4: MiniMax
Если вам требуется доступ через MiniMax, это отличный вариант.
ANTHROPIC_API_KEY=your_minimax_key
ANTHROPIC_BASE_URL=https://api.minimax.chat/anthropic
MODEL=minimax-2.1
ANTHROPIC_SMALL_FAST_MODEL=claude-sonnet-4-20250514
Способ 5: Ollama (Локальное развертывание)
Для полностью автономной работы можно использовать Ollama.
# Установка Ollama
curl -fsSL https://ollama.ai/install.sh | sh
ollama pull qwen2.5:14b
# Конфигурация
ANTHROPIC_API_KEY=ollama
ANTHROPIC_BASE_URL=http://localhost:11434/v1
MODEL=qwen2.5:14b
Проверка работоспособности
После завершения настройки выполните следующую команду для проверки:
# Должно выполниться в течение 30 секунд и вернуть "hello"
claude --dangerously-skip-permissions -p 'run: echo hello'
Если процесс зависает, это означает, что ANTHROPIC_SMALL_FAST_MODEL настроена неправильно, и модель предварительной проверки Claude Code не поддерживается текущим API.
Внутренние механизмы: зачем нужна модель предварительной проверки?
Это интересное архитектурное решение. Перед каждым выполнением bash-команды Claude Code использует легковесную модель (по умолчанию Haiku) для проверки безопасности, чтобы выявить потенциально вредоносные действия:
# Псевдокод: логика предварительной проверки
async def preflight_check(command: str) -> bool:
# Анализ намерения команды с помощью легковесной модели
model = os.environ.get("ANTHROPIC_SMALL_FAST_MODEL", "claude-3-5-haiku")
result = await call_api(model, f"Is this command safe? {command}")
return result.safety_score > 0.8
Это создает проблему: большинство сторонних API не поддерживают Haiku, так как это эксклюзивная модель Anthropic. Именно поэтому при использовании прокси необходимо настраивать ANTHROPIC_SMALL_FAST_MODEL.
5 типичных сценариев использования
1. Анализ дифференциальной экспрессии RNA-seq
Analyze RNA-seq data at data/counts.csv vs data/meta.csv, treatment vs control
MedgeClaw автоматически:
- Загрузит матрицу подсчетов
- Запустит дифференциальный анализ DESeq2/edgeR
- Сгенерирует графики «вулкан» (volcano plot) и тепловые карты
- Выведет список генов со значимыми различиями
2. Клинический анализ выживаемости
Run survival analysis on data/clinical.csv, time=OS_months, event=OS_status
Автоматическое построение кривых Каплана-Мейера и моделей пропорциональных рисков Кокса.
3. Кластеризация single-cell RNA-seq
Perform single-cell RNA-seq analysis on the 10X data in data/10x/
Использование Scanpy для снижения размерности, кластеризации и идентификации маркеров.
4. Виртуальный скрининг лекарств
Virtual screen EGFR inhibitors from ChEMBL (IC50 < 50nM), generate SAR report
Скрининг соединений из базы данных ChEMBL и генерация отчета о зависимости «структура-активность» (SAR).
5. Генерация литературного обзора
Search PubMed for recent papers on CRISPR base editing, summarize top 10
Автоматический поиск в PubMed, создание аннотаций и анализа литературы.