慢生物信息学软件的长尾问题:AutoZyme代理实现数百倍加速

审计468个性能报告，104个悬而未决，一个自动化框架如何终结缓慢？

你做单细胞分析的时候，是不是也这样？

排队跑FindAllMarkers，去打杯咖啡，回来一看还没跑完。搞个CellChat跑中等规模的数据集，直接变成过夜任务。这些函数不是小众工具，而是每天数千个实验室工作流的核心。 但慢，是因为性能从来不是科学软件被奖励的指标。

长尾问题：468个性能报告，104个已存在两年

一个方法能发表，因为它正确、有用、新颖。然后它变成了日常工作流的一部分，数据集越来越大，慢的部分就成了所有人的问题。但修这些慢函数是专门化又不讨好的工作：一个函数可能花好几天，而有数千个这样的函数。

我们想知道这个问题到底有多普遍，于是做了件无趣的事——动手数了数。据原文，我们手动审计了GitHub和Bioconductor上18个广泛使用的生物信息学工具，发现了468个关于运行时间、内存或扩展性的真实用户报告。其中，104个仍然开放，中位年龄大约两年。

这不是一小撮边缘案例。这是一个长尾维护问题。尾巴长，是因为没有人类有时间去走完它。

问题是：谁能抽出时间一个个修？何况这些性能优化在学术评价体系里几乎得不到回报。

AutoZyme：自动执行性能工程师的全流程

这就是我们要弥合的缺口。AutoZyme是一个自主的多代理框架，自动优化科学软件。你给它一个目标：一个GitHub仓库和一个函数。然后它跑完一个认真负责的性能工程师会跑的全流程，区别在于它可以反复跑、无监督，触达人工优化很少触及的函数。

具体的流程是：

• 构建基准测试，选择不同规模的数据集
• 对代码进行性能分析，找到时间到底花在哪
• 提议一个代码修改，测试它，只有比噪声底限明显快并且保留了原始输出，才保留
• 重复，积累小胜为大胜
• 在保留数据集上、跨多个线程数验证结果
• 把获胜补丁打包成即插即用替换

优化不是一次性的爆改，而是把一百个小胜利堆成一个大战果。 每次改动可能只快5%，但轮子转十次，就能翻倍。

数据验证：中位数加速8.52倍，跨领域也适用

以下是包级别的结果，都通过用户会调用的同一个公共API测量。

据原文，在45个优化函数中，超过95%提升了运行时间；内存方面，97.4%的案例（38个有内存追踪的函数中37个）保持在基线的15%以内。许多还下降了。

对于38个基因组学和生物信息学函数，中位数加速8.52倍，最大的超过676倍。一些具体数字：

• FindAllMarkers：超过100倍（通过堆叠四个补丁：跨聚类批处理Wilcoxon检验、在单一共享转置矩阵上直接调用presto的C++原语、并行化每块全流程、然后将父级的聚合步骤折叠到工作进程中）
• CellChat：251倍
• inferCNV：57倍
• WGCNA：48倍
• SCTransform：16倍
• 一个端到端的Seurat单细胞流程（208,000个细胞）：从76分钟降到12.4分钟，整个工作流提升6.1倍

值得注意的是，这并非生物学专属技巧。同一框架，原封不动，加速了天文学（astropy）、地震学（ObsPy）、遥感（sarsen）、气候科学（xclim）、计算流体力学（FiPy）、分子动力学（MDAnalysis）和统计学（statsmodels）：中位数9倍，范围从3.5倍到424倍。

但这里有个问题：所有这些结果都是CPU-only的。目标是让你现有的CPU工作流更快，不需要新基础设施，而不是与GPU堆栈竞争。对于需要大规模矩阵运算或深度学习的工作，GPU显然更快。AutoZyme并没有试图替代它。

保真度硬约束：90%以上任务达到位精确或0.6%漂移

这是大多数“我们加速了它”的声明变得模糊的地方，所以我们说清楚。

AutoZyme在优化开始前为每个任务冻结一个一致性门限，根据输出类型定义：对于连续输出，相关系数加上99百分位逐点漂移；对于离散输出，Jaccard、回忆率、top-k重叠等指标；对于随机方法，阈值来自原始函数的跨种子噪声测量。代理不能编辑这些门限，CLI拒绝评分任何不在冻结元数据中的结果。

具体来说：45个任务中有40个是位精确的或漂移在0.6%以内，而这40个贡献了总加速的92%。剩下5个在它们预先注册的门限内，漂移在1.5%到5%。

这是严谨的科学标准。不保真的加速是无效的，而AutoZyme用硬约束保证了输出几乎不变。

即插即用，无须改变工作方式

所有优化函数都作为即插即用替换发布，API完全相同。你不需要重写流程。安装库，激活补丁，继续调用你一直在调用的函数。

在R中：

`r

library(autozyme)

autozyme::activate("seurat")

`

在Python中：

`python

import autozyme

autozyme.activate("scanpy")

`

激活是可选且惰性的：导入包只列出可用内容，什么都不改变，直到你要求它。而且设计上只做CPU。目标是让你现有的CPU工作流更快，不需要新基础设施，不是与GPU堆栈竞争。

如果你有一个默默浪费你数小时的函数，我们真的很想知道是哪一种。

你怎么看？你的工作中遇到过哪些慢到离谱的生物信息学函数？评论区聊聊。

参考

原文：The Long Tail of Slow Bioinformatics Software, and an Agent Built to Fix It

AutoZyme框架与库：https://github.com/ElliotXie/autozyme

预印本：https://www.biorxiv.org/content/10.64898/2026.06.12.731250v1

关注公众号，获取更多 AI 资讯