普通电脑玩转开源生物信息学(5):从一个工具到一套 AI 辅助分析工作流

在前几期中，我们陆续接触了开源生物信息学工具、DNA 序列处理、基因组可视化等内容。

这些工具各自都有明确的用途：Biopython 可以处理生物序列，BLAST 可以搜索相似序列，IGV 可以帮助研究人员查看基因组区域及测序数据。

但当工具越来越多，一个新的问题也随之出现：

能不能让普通电脑把这些工具连接起来，让一项生物信息学任务从输入数据开始，自动完成一系列分析，并最终生成一份可以检查和复用的结果？

这就是工作流的价值。

本期我们从一个简单的 DNA 序列分析任务出发，尝试用 Python、Biopython 和 AI 辅助编程，搭建一套可以在普通电脑上运行的开源生物信息学工作流。

一、为什么需要生物信息学工作流？

假设我们拿到一个 FASTA 文件，里面包含多个 DNA 序列。

如果完全依靠人工操作，可能需要依次完成：

1. 打开文件，检查序列格式是否正确。

2. 统计每条序列的长度和 GC 含量。

3. 将序列提交给 BLAST，搜索可能的相似序列。

4. 根据研究目的进一步分析结果。

5. 整理数据，保存分析记录并生成报告。

每一步都不复杂，但如果每次都要重新操作，就容易出现重复劳动、遗漏步骤和记录不一致等问题。

工作流的思路，是把这些操作按照明确的顺序组织起来，让每一步的输出成为下一步的输入。

例如：

FASTA 文件 → 序列检查 → 基础统计 → 相似序列搜索 → 结果整理 → 分析报告

这里需要区分两个概念。

普通自动化主要负责按照既定规则执行任务；AI 辅助分析则可以帮助研究人员理解数据、编写代码、检查异常和设计下一步分析。

AI 并不能代替实验验证，也不能保证自动生成的分析结论一定正确。它更适合成为工作流中的辅助工具，而不是不经检查就直接给出最终结论的黑箱。

二、准备开源工具

本期使用 Python 和 Biopython 完成基础序列分析。

Biopython 是一个开源的生物信息学工具包，可以用于读取生物序列文件、处理 DNA 和蛋白质序列，以及执行多种常见的序列分析任务。

本次示例不需要高性能显卡，也不需要服务器。对于常见规模的 FASTA 文件，普通电脑就可以完成基础处理。

需要准备：

• Python：运行分析程序。

• Biopython：读取和处理生物序列。

• FASTA 文件：作为分析输入。

• 文本编辑器或 AI 编程工具：编写、检查和修改代码。

Biopython 官方网站：

https://biopython.org/

Python 官方网站：

https://www.python.org/

如果电脑已经安装 Python，可以先在终端中执行：

python -m pip install biopython

如果系统使用 python3 命令，则可以改为：

python3 -m pip install biopython

安装完成后，可以运行下面的命令检查是否成功：

python -c "import Bio; print(Bio.__version__)"

如果能够显示版本号，就说明 Biopython 已经可以被当前 Python 环境调用。

三、实战：让电脑自动完成 DNA 序列统计

首先准备一个 FASTA 文件，命名为 input.fasta。

可以使用以下示例内容：

>gene_AATGCGTACGTAGCTAGCTAG>gene_BATGGCCATTGTAATGGGCCG>gene_CATATATATGCGCGCGCGCAA

这些序列仅用于演示程序运行，不代表经过实验验证的真实基因序列。

接下来，创建一个名为 analyze_sequences.py 的 Python 文件。

输入以下代码：

from Bio import SeqIOfrom Bio.SeqUtils import gc_fractionimport csvfrom pathlib import Pathinput_file = Path("input.fasta")output_file = Path("sequence_summary.tsv")if not input_file.exists():    raise FileNotFoundError(        f"找不到输入文件：{input_file.resolve()}"    )records = list(SeqIO.parse(input_file, "fasta"))if not records:    raise ValueError("FASTA 文件中没有读取到有效序列。")with output_file.open(    "w", newline="", encoding="utf-8") as f:    writer = csv.writer(f, delimiter="\t")    writer.writerow([        "Sequence_ID",        "Length_bp",        "GC_percent"    ])    for record in records:        sequence = str(record.seq).upper()        length = len(sequence)        # 仅统计由 A、C、G、T 组成的序列        valid_bases = all(            base in "ACGT" for base in sequence        )        if length == 0:            gc_percent = "NA"        elif not valid_bases:            gc_percent = "NA"        else:            gc_percent = round(                gc_fraction(sequence) * 100, 2            )        writer.writerow([            record.id,            length,            gc_percent        ])print(f"分析完成，共读取 {len(records)} 条序列。")print(f"结果文件：{output_file.resolve()}")

python analyze_sequences.py

如果使用 python3，则运行：

python3 analyze_sequences.py

程序会读取 FASTA 文件，统计每条序列的长度和 GC 含量，并生成 sequence_summary.tsv。

这里的 GC 含量指序列中 G 和 C 所占的比例。示例程序只对全部由 A、C、G、T 构成的非空序列计算 GC 含量；如果序列含有 N 等其他字符，则将该项标记为 NA，避免把不确定碱基直接当成有效碱基参与计算。

需要说明的是，本示例展示的是一套可以实际运行的基础分析程序。代码没有调用 BLAST，也没有进行基因功能预测。它的目的，是先建立可靠的输入、处理和输出流程。

四、从单个程序升级到多步骤工作流

完成基础统计之后，就可以逐步增加新的分析模块。

例如，可以将整个任务设计成以下结构：

第一步：数据输入

读取 FASTA 文件，检查文件是否存在、是否能够正常解析，以及是否包含有效序列。

第二步：序列质量检查

统计序列长度、GC 含量和不确定碱基比例，标记需要进一步检查的记录。

需要注意，这些指标只能用于基础检查，不能单独证明序列质量合格。

第三步：相似序列搜索

根据研究目的，将目标序列提交给 NCBI BLAST，或在本地部署 BLAST+ 后进行搜索。

NCBI BLAST：

https://blast.ncbi.nlm.nih.gov/Blast.cgi

BLAST+ 官方文档：

https://www.ncbi.nlm.nih.gov/books/NBK279690/

BLAST 可以帮助研究人员寻找数据库中的相似序列，但相似性结果并不自动等于功能相同。还需要结合序列覆盖度、相似度、统计显著性、数据库注释和研究背景判断。

第四步：结果整理

将序列统计结果和 BLAST 搜索结果分别保存，记录输入文件、运行参数、数据库版本和分析日期。

如果后续需要比较不同批次的数据，可以使用统一的表格字段和文件命名规则。

第五步：可视化与进一步分析

当研究任务涉及参考基因组和测序比对数据时，可以进一步使用 IGV 查看基因组区域、覆盖情况和变异信息。

但 IGV 并不是所有 FASTA 文件都能直接使用的工具。它通常需要适当的参考基因组及相应的比对、变异或注释文件，具体取决于分析目的。

这也说明，工作流不是简单地把所有软件放在一起，而是根据数据类型和研究问题决定每个工具在什么阶段发挥作用。

五、AI 在这套工作流中能做什么？

如果我们使用 Codex 或其他 AI 编程助手，可以进一步尝试将人工操作转化为可复用的程序。

例如，可以向 AI 提出以下任务：

任务一：改进输入检查

让 AI 检查 FASTA 文件是否为空、是否存在重复序列 ID，以及是否包含不符合预期的字符，并输出清晰的错误提示。

任务二：增加批量处理

让程序自动读取指定目录中的多个 FASTA 文件，为每个文件生成独立结果，并汇总所有序列的统计信息。

任务三：连接外部分析工具

让 AI 帮助编写调用本地 BLAST+ 的程序，自动传入查询序列、指定数据库和搜索参数，并保存结果。

实际实施时，需要先安装并配置 BLAST+，准备合适的本地数据库。若使用在线 BLAST 服务，则应遵守服务的使用规范和访问限制。

任务四：生成分析报告

让程序根据统计表和搜索结果生成 Markdown 报告，列出输入数据、分析步骤、主要结果、异常记录和需要人工复核的问题。

需要特别注意：AI 生成的代码应先经过测试，分析参数也应由研究人员确认。对于涉及序列身份、功能推断或实验结论的内容，不能仅凭 AI 自动生成的文字作出判断。

AI 的真正价值，是帮助我们更快地搭建、修改和维护分析流程，而不是消除科研工作中必要的验证环节。

六、如何让工作流具备可重复性？

一套真正有用的工作流，不仅要能够运行，还应该能够解释自己做了什么。

建议至少保留以下信息：

• 输入文件及其来源。

• 使用的软件和版本。

• 运行参数与必要的配置。

• 原始结果与处理后的结果。

• 错误日志和异常记录。

• 分析日期及人工修改记录。

随着任务复杂度增加，还可以使用 Git 管理代码版本，使用 Conda 或其他环境管理工具固定软件依赖，并通过测试数据验证程序修改前后的结果是否一致。

对于规模较小的个人项目，不必一开始就搭建复杂的服务器、数据库和自动化平台。先把一个明确的任务做成可重复运行的程序，再根据实际需求逐步增加功能，通常更容易维护。

七、普通电脑能做到什么程度？

普通电脑并不意味着只能运行简单的演示程序。

对于基础序列处理、常规统计、较小规模的数据库搜索和部分可视化任务，普通电脑已经能够承担不少工作。

但计算需求取决于数据规模、算法和软件配置。大规模基因组比对、复杂的组学分析和大型模型训练，仍可能需要更多内存、存储空间或计算资源。

因此，合理的技术路线不是追求一台电脑完成所有任务，而是先在本地完成适合自己的部分，再根据任务需要使用外部数据库、远程计算资源或其他工具。

普通电脑的优势，在于能够以较低成本建立自己的分析环境，并持续积累可复用的代码、数据处理方法和实验记录。

总结

从 Biopython 读取 FASTA 文件，到使用 BLAST 搜索相似序列，再到通过 IGV 查看合适的基因组数据，我们可以逐步把分散的开源工具组织成一套完整的分析流程。

在这个过程中，Python 负责执行明确的计算任务，开源软件提供专业分析能力，AI 编程助手则可以帮助我们搭建、检查和改进代码。

当分析步骤能够被重复执行、结果能够被追溯、异常能够被检查时，个人就不再只是一个软件的使用者，而是开始具备构建生物信息学工作流的能力。

这也是《普通电脑玩转开源生物信息学》系列希望探索的方向：不必一开始就拥有昂贵的设备或复杂的实验平台，而是从一台普通电脑出发，逐步掌握开源工具、数据分析和 AI 辅助开发的方法。

下一步，我们可以继续探索：能否把公开生物数据、开源分析工具和 AI Agent 连接起来，让一个研究问题从数据检索、分析执行到结果整理，形成更加自动化、可验证的工作流？