AI 参与的科研数据分析流水线，怎么搭？

最近 AI4S 的文章满天飞，但真把 AI 用进科研流水线、还发到《Cell》上的，这篇算一个。

他们盯上了美国 NIH 的 SRA 数据库。里面躺着 20 多万个单细胞实验、5 亿多个细胞，却因为元数据乱、口径乱，全在睡大觉。靠人工整理一轮得 145 天，根本追不上 AI 要的饭量。

于是团队搭了套自动流水线，核心就一句：判断归 AI，算数归程序。

AI 只负责当编目员，从乱七八糟的文本里扒出物种、组织、疾病等 12 个字段。真正费钱的重活——比对、计数、出矩阵，全交给 Nextflow 流水线重算。这样既防住了 AI 幻觉污染结果，又省了算力钱。

最后攒出的库有 5.02 亿个细胞，是老牌 CELLxGENE 的四倍。不仅物种和组织覆盖更广，连疾病标签都比人工标得更细。现在这套东西还在云端跑，定时去捞新增数据，全自动更新。

AI 不是替科学家想答案，先把沉睡的数据喂成标准饲料，这才是眼下最实在的活儿。