标签： #生信技术

一个本地优先、面向 Agent 的生信执行工具包：它把「每次现写一段脚本」换成「调用一个过了发布门槛的能力」。这篇讲它是什么、为什么长成这样、以及它刻意不做什么——不列性能数字，只讲设计与边界。

FDE 常被解释成「懂技术、懂业务、能出差」——三句形容词，一个都不能检验。这篇把它拆到可判定的粒度：五个分量构成一个乘积模型，任一为 0 则整体退化；再用一条九段生物信息管线检验这五项，并说明溢价为什么不均匀地压在首尾两端。

把「搞生物计算的那批人」拆成四类：一次性计算、工具与应用开发、算法开发、Agent 应用开发。它们在五个分量上的缺口各不相同，而真正决定分层的不是能力清单，是复用方向——同一个能力面对很多客户，还是一个客户面对很多问题。

2026 生理学或医学奖颁给光遗传学。诺奖新闻稿自己点明了要害：二十世纪的方法无法证明因果关系——光遗传学给大脑带来了干预实验。这条「因果数据」生产线，正是 AI 神经科学的主粮：全光闭环（光遗传写入＋成像读出）喂给深度学习解码；而视蛋白家族连「读出」端（Voltron 电压指示器）也一并承包。反向的一条线——AI 反哺工具（基因组挖掘、结构、工程）——是支线而非主线。

把「结果可复现」拆成两轮独立验证来兑现：第一轮在本地工作站逐位复现既有管线（TPM r = 1.000000、SHA256 逐字节相同），第二轮把同一套工具放上 NVIDIA 与摩尔线程两台云服务器（五类输出跨厂商哈希一致，Rust 实现比传统 Python 工具快 3.6–4.0 倍）。本文是两轮验证的合并叙述，并附一节已知问题与未说明的边界。

做惯了转录组和基因家族挖掘的人，第一次面对群体重测序（population whole-genome resequencing, WGS）项目时容易懵：同样是"测序数据下机"，工具链、统计量和思维方式几乎完全换了一套…