BoHuYeShan

我的简历里有一行字：训练过语言模型。一行字背后是几百天的时间。从搭数据管线、训到一半 loss 炸了重来、把整套东西搬到华为昇腾 910B 上再踩一遍坑，到后来发现这套”训练语言模型”的思维居然能一路迁移到蛋白质预测、再迁移到 AI 药物对接——这篇文章就是把这三次迁移完整讲一遍。 先交代清楚开源状态：医药侧（蛋白质、药物）的代码和模型，我暂时没有开源；语言模型侧的代码和仓库，在简历 V1 里提到的启智社区（OpenI）个人主页可以看到：openi.pcl.ac.cn/bhys。所以下面讲方法论和踩坑为主，代码点到为止。 第一部分：从零训练大语言模型，我踩过的坑架构别发明，抄已经收敛的模板训练 LLM 最反直觉的一件事是：架构设计在这个年代几乎不构成竞争力。Stanford CS336 课程的 Tatsu 讲过一句话我印象很深——2024 年大家都在 cosplay Llama2，2025 年的主题是”怎么训得不崩”，2026 年变成”怎么扛住长上下文”。我自己的经验印证了这一点：把主流开源模型的架构参数并排放在一起，90% 的维度几乎一模一样： pre-norm：LayerNorm 挪出残差流，梯度反传更稳 RMSNorm 替代 LayerNorm：减均值加 bias 那部分没帮上忙。RMSNorm 只做缩放不做平移： RMSNorm(x)=x1d∑i=1...

生物信息学有一个少被明说但每个人都心知肚明的现实：这个领域的人来自两个截然不同的起点。 有人是从计算机科学、软件工程、数学物理”跨”过来的——会写代码、懂算法，但在第一次拿到 RNA-seq 数据时，连”什么是文库、什么是接头、为什么要去重”都要从头学起。 有人是从生物学、医学、农学”转”过来的——做过 PCR、跑过胶、养过细胞，但在第一次面对终端窗口时，连 ls 和 cd 的区别都要查半天。 这两类人最终都在做同一件事——从生物数据里找答案。但他们走的路径、用的工具、面对的困难，完全不一样。 而 2026 年，AI 的介入让这两条路开始交汇了。但交汇的方式可能和大多数人想的不一样。 第一条路：从代码出发程序员转入生信的典型路径是：因为某个课题或项目需要分析生物数据，发现自己能写脚本、能调包、能搭环境，于是自然而然地接手了组里的计算任务。 这条路的人对以下场景不会陌生： 写 Python 脚本处理 FASTQ，用 Biopython 解析序列 搭 Snakemake 或 Nextflow 管线，把比对→定量→差异表达串起来 用 Docker/Singularity 管理环境，确保结果可复现 写 R 脚本画热图、火山图、GO 富集条形图 这是典型的 gII（脚本管线）和 gIII（工作流管理器）的工作方式。它高效、灵活、可扩展。一个写 Nextflow 管线的...

本系列已出六篇：第一篇（41 张，统计与转录组临床） · 第二篇（33 张，群体遗传与基因组） · 第三篇（29 张，测序、表观与空间组学） · 第四篇（30 张，蛋白、生态与 AI 多组学） · 第五篇（40 张，蛋白结构、变异与表达验证） · 第六篇（22 张，真实公开数据实战）即本篇。 前五篇合计 173 张图，全部是模拟数据——固定种子、可控形状，适合把图型本身讲清楚。但有读者一针见血：模拟图学会的是”怎么画”，不是”画出来的东西可不可信”。所以本篇把 22 张图（编号 174-195）换成真实公开数据：拟南芥 1001 Genomes 基因型矩阵（1135 份、1070 万 SNP）、AraPheno 表型数据库、27genomes 项目的 RNA-seq bigWig 与共识注释、PDB 晶体结构 4LSX——唯一例外是第七章的对照图，它们右半边/虚线一侧是模拟数据，为了把”真实”和”模拟”放到同一张画布上。计划中的甲基化图被第八章的验真门整章拦截（官方 release 的 bigWig 是空壳），第五章如实记录了这次改道。每张图右下角的水印从 “Simulated data” 换成了数据来源标注，图注里的每一个数字都与生成它的数据严格一致——这次连”数据本身长什么样”、”凭什么说这些数据真实有效”（第八章的完整验真证据链）一起讲。 一、先说数据：从哪来...

第一篇立论，第二篇看数据怎么流，这篇回答最后那个问题：**一条”入口汇成一条道、输出只有一个信封”的路，凭什么跑两年不烂尾？**答案不在某个算法里，而在一堆”拦着事情发生”的机制里——schema 门禁、只读的环境计划、会让构建直接失败的许可证检查。拆的时候我对照 v1.0.1 的 README 与文档树；文中对环境计划各档的解释是基于档名的维度解读，精确边界以仓库 RUNTIME_MANAGEMENT.md 为准。 本系列共三篇：第一篇（概览与观点） · 第二篇（执行链路） · 第三篇（约束机制，即本篇）。 一、能力合约怎么运转：schema 是门禁，不是注释第二篇说过每个能力带版本号（sequence.stats.v1 这类）、输出统一 JSON。撑住这件事的是一整条 CI 链： schemas/ 里所有能力与结果的 JSON Schema 钉死在 Draft 2020-12——不追新版本，校验器行为就不会漂； scripts/validate-repository.py 校验整个仓库的合约一致性； scripts/generate_third_party_notices.py --check-config 校验第三方许可配置； 校验器自己也被锁在 requirements-ci.txt 的固定版本上。 最后一条最容易被忽略但最狠：校验工具本身不升级。校验器的解析...

上一篇拆 Linxira Bio SDK 时立了个论点：它赌的是”用测试过的实现，不生成新脚本”。但那篇停在仓库结构和态度上，有个最直接的问题没回答：**我敲下 linxira-bio sequence stats tiny.fa --json 到屏幕上出现结果，中间到底发生了什么？**这篇就钻进去看数据怎么流。写这篇时我对照的是仓库 v1.0.1 的 README 与文档树，能力边界以正式分支 release 为准。 本系列共三篇：第一篇（概览与观点） · 第二篇（执行链路，即本篇）· 第三篇（约束机制）。 一、三条入口：CLI、worker，和还没发布的 SDK拆 CLI 的时候我漏了一层。仓库里除了 linxira-bio 这个 CLI，还有一个 linxira-bio-worker：给它一个 JSON 任务文件，它照着跑。README 里的示例长这样—— 1cargo run -p linxira-bio-worker -- tests/fixtures/jobs/sequence-stats.json 这意味着调用同一个能力有三条路：人在终端敲命令；agent 按 skills/ 里的指令拼命令；程序直接投递任务文件。前两条是交互式的，第三条才是”不生成脚本”的完全体——任务文件是声明，不是代码，谁投的都一样跑，结果一样过同一套 schema 校验。很多工具链...

第四篇收在 AI 多组学，但「结构 → 变异 → 表达」这条主线还欠一整篇：拿到一个点突变，怎么把它标到三维结构上？口袋是松了还是紧了？预测完之后，qPCR 和半定量 RT-PCR 怎么把结论落成柱状图和凝胶？这篇 40 张图（编号 134-173）专门铺满三件事：蛋白结构的各种画法（含 4 张浏览器里点按加载、直接拖拽的交互 3D）、从预测质量到口袋功能的结构分析图、qPCR / 半定量 / 基因型差异的表达验证图。 从这篇起，系列第一次大规模使用真实实验数据。16 张真实图基于四套公开坐标：PDB 6A15（拟南芥油菜素甾醇合成酶 CYP90B1/DWF4 与胆固醇、血红素共晶，链 A 共 439 个解析残基）、PDB 1BI5 / 1I89（苜蓿查尔酮合酶野生型与 G256L 突变体）、AlphaFold DB 的 DWF4 预测模型（O64989，全局 pLDDT 89.75）、PDB 5ZD4（BIL1/BZR1 转录因子 DNA 结合域-DNA 复合物）。每张图配图下面第一行就是「数据」标签：真实图写明入口号、原始文件下载链接与本站镜像路径，图右下水印为「Real structure data: PDB …」；模拟图水印为「Simulated data, for teaching only」。全篇 16 张真实 +...

系列的最后一块拼图。前三篇走完了统计、转录组、群体遗传、基因组、表观和空间组学，这一篇收剩下的三大块：分子的层面（蛋白结构域、分子互作、湿实验验证，104-114）、群落的层面（微生物生态、代谢组与宏基因组，115-123），以及方法的层面（深度学习归因、蛋白语言模型、泛基因组图这些近几年的新图型，124-128），最后用五张统计杂图收尾（129-133）。编号 104-133，共 30 张。 规则不变：四段式讲解，图下折叠块里是原样 CSV 或代码即数据源，全部为 WSL 里 Python 3.14 + matplotlib 渲染的模拟数据，脚本在仓库 tools/bio-plots/ch10c_more.py 与 ch10d_more.py。 本系列已出六篇：第一篇（41 张，统计与转录组临床） · 第二篇（33 张，群体遗传与基因组） · 第三篇（29 张，测序、表观与空间组学） · 第四篇（30 张，蛋白、生态与 AI 多组学） · 第五篇（40 张，蛋白结构、变异与表达验证，含真实 PDB 结构与交互 3D） · 第六篇（22 张，真实公开数据实战）。 自推一句：蛋白理化性质、结构域解析、结构置信度这些在 Linxira Bio SDK（我主导开发的本地优先生信工具链）里是版本化能力：正式分支 v1.0.1 已提供 structure pdb --alphafol...

第一篇收统计与转录组临床的 41 张，第二篇收群体遗传与基因组的 33 张。这一篇把镜头对准数据的入口和出口：测序数据拿到手先做什么质检（75-79），变异与群体层面有哪些图（80-86），GWAS 显著位点怎么往下讲（87-88），育种和功能基因组怎么收尾（89-97），最后一章进到单细胞与空间组学（98-103）。编号接着第二篇，从 75 排到 103，共 29 张。 规则不变：每张图四段式（回答什么问题、怎么读、用什么画、图注示例），图下默认折叠的「展开查看」块里是原样 CSV 加完整绘图代码；点云类大图（Sanger 波形、Hi-C 矩阵、空间 spot 等）的数据由代码现场生成、种子固定，折叠块里就是生成代码本身。全部图仍是 WSL 里 Python 3.14 + matplotlib 渲染的模拟数据，带 Simulated data 水印，脚本在仓库 tools/bio-plots/ch10a_more.py 与 ch10b_more.py。 本系列已出六篇：第一篇（41 张，统计与转录组临床） · 第二篇（33 张，群体遗传与基因组） · 第三篇（29 张，测序、表观与空间组学） · 第四篇（30 张，蛋白、生态与 AI 多组学） · 第五篇（40 张，蛋白结构、变异与表达验证，含真实 PDB 结构与交互 3D） · 第六篇（22 张，真实公开数据实战）。 自...

第一篇收了 41 张图，评论区（其实就是我自己复盘）发现问题：不是每张图都带了绘图代码。这一篇补上，并且把版图扩到上一篇没碰的领域——群体遗传与 GWAS、比较基因组、基因家族、微生物组、单细胞轨迹、WGCNA、生化曲线、机器学习、品种试验和蛋白结构模拟，共 33 张新图，编号接着第一篇从 42 排到 74。测序 QC、GWAS 精细定位、Hi-C 与空间组学放在第三篇，蛋白、生态与 AI 多组学放在第四篇。 规则与第一篇一致：每张图四段式（回答什么问题、怎么读、用什么画、图注示例），图下默认折叠的「展开查看」块里是数据加完整绘图代码。区别在于：点云类大图（曼哈顿、共线性点阵、拟时序等）的数据由代码现场生成，折叠块里就是生成代码本身——代码即数据源；表格类图照旧给原样 CSV。全部图仍是 WSL 里 Python 3.14 + matplotlib 渲染的模拟数据，带水印，脚本在仓库 tools/bio-plots/ch9*_more.py。 本系列已出六篇：第一篇（41 张，统计与转录组临床） · 第二篇（33 张，群体遗传与基因组） · 第三篇（29 张，测序、表观与空间组学） · 第四篇（30 张，蛋白、生态与 AI 多组学） · 第五篇（40 张，蛋白结构、变异与表达验证，含真实 PDB 结构与交互 3D） · 第六篇（22 张，真实公开数据实战）。 自推一句：本篇...

读文献时最怕的不是方法看不懂，而是图看不懂。火山图为什么长两个翅膀，GSEA 那座小山包是什么，KM 曲线上的小加号又是谁——每张图都在用坐标轴和颜色讲一个统计故事，讲不通就会被审稿人抓住。 这篇把我做转录组、蛋白结构和湿实验验证时反复打交道的 41 种图 一次收齐：每种图固定四段——它回答什么问题、怎么读（横轴纵轴阈值参数）、用什么语言什么包画、图注怎么写。所有配图都是我用 WSL 里的 Python 3.14 + matplotlib 3.11 现场渲染的模拟数据，完整脚本放在仓库 tools/bio-plots/ 目录，每张图右下角都盖了 “Simulated data” 水印，别拿去冒充真实结果。 每张图下面有一个默认折叠的「展开查看」块：里面放的是画这张图的 那一组模拟数据的原样 CSV 和 可直接运行的完整绘图代码（Python，逐图独立，不依赖仓库环境），点开复制就能复现。管线思路见之前的群体重测序学习地图，那篇讲流程，这篇讲流程里每一步产出的图。 本系列已出六篇：第一篇（41 张，统计与转录组临床） · 第二篇（33 张，群体遗传与基因组） · 第三篇（29 张，测序、表观与空间组学） · 第四篇（30 张，蛋白、生态与 AI 多组学） · 第五篇（40 张，蛋白结构、变异与表达验证，含真实 PDB 结构与交互 3D） · 第六篇（22 张，真实公开数据实战）...