bioinformatics

name	bioinformatics
description	Use when working on bioinformatics workflows such as alignment, variant calling, phylogenetics, or protein-structure analysis, especially across BLAST, minimap2, samtools, bcftools, MAFFT, IQ-TREE, or ESMFold.

生物信息学分析

用生物信息学工具链做序列比对、变异检测、系统发育和蛋白质结构分析。

本 skill 故意保持轻量：

• 它负责告诉 agent 哪类问题该用哪类工具、标准分析链路是什么、哪些生信规范不能忽略
• 它不承担各个命令行工具的完整手册职责
• 具体 CLI 选项、子命令、输入输出细节统一去查 scholaraio toolref

Agent 默认协议（toolref-first, toolchain-aware）

Bioinformatics 不是单一程序，而是一组工具链。agent 必须先判断自己在用哪一个子工具，再决定怎么查。

默认顺序：

1. 先判断当前任务属于哪类：
   • 同源搜索：BLAST
   • 组装序列比对：minimap2
   • BAM/SAM 处理：samtools
   • 变异调用：bcftools
   • 多序列比对：MAFFT
   • 建树：IQ-TREE
   • 结构预测：ESMFold
2. 再用 toolref show bioinformatics <program> ... 或 search --program <program> 查对应程序
3. 不要把“生信工具链”当一个大黑箱查
4. 如果某个子工具当前 toolref 覆盖不全，agent 应先回退该工具的官方手册或 README，再继续任务
5. 不要让普通用户自己补齐某个子工具的 toolref

这意味着：

• bioinformatics skill 负责先分流，再选工具
• toolref 负责各子工具的接口细节
• 当前覆盖不全时，复杂度应由 agent 吸收，而不是由用户承担

前置条件

# 核心工具（conda bioconda 频道）
conda install -c bioconda minimap2 mafft iqtree bcftools samtools blast

# Python 库
pip install biopython py3Dmol pycirclize toytree matplotlib seaborn pandas

# 蛋白质结构预测（需 GPU）
pip install fair-esm

# 数据获取
pip install ncbi-datasets-cli

验证：minimap2 --version、samtools --version、blastn -version 均应正常输出。

何时使用

适合：

• 序列相似性搜索、参考比对、变异检测、系统发育树构建
• 蛋白质结构预测与突变位点解释

不适合：

• 没有明确数据类型就盲选工具
• 把生信流程当“黑箱一键按钮”，不检查质量控制和统计假设

Toolref 优先

当 agent 不确定子命令、选项、参数含义时，先查 toolref。

常用查法：

scholaraio toolref show bioinformatics samtools sort
scholaraio toolref show bioinformatics bcftools manual
scholaraio toolref show bioinformatics minimap2 manual
scholaraio toolref show bioinformatics blast blastn
scholaraio toolref search bioinformatics bootstrap tree --program iqtree

推荐习惯：

• 在决定工具前先确认数据类型：组装序列、短读段、蛋白序列、树推断
• 写命令前先查对应手册页，而不是靠记忆拼接参数
• 报告结果时带上阈值、模型和置信度，而不是只给一张图

如果遇到覆盖缺口：

• 先回退到对应子工具的官方手册
• 在回答里明确指出是哪个子工具存在 toolref 覆盖不足
• 不要让用户为了当前分析去维护 toolref

核心工具链

工具	功能	何时用
BLAST	序列相似性搜索	查找同源序列、注释未知基因
minimap2	序列比对	组装序列/长读段 vs 参考基因组
BWA-MEM2	短读段比对	Illumina 短读段 vs 参考基因组
samtools	BAM/SAM 操作	排序、索引、统计
bcftools	变异检测	SNP/InDel calling
MAFFT	多序列比对	建树前的全局比对
IQ-TREE	最大似然系统发育	建进化树（支持 bootstrap）
FastTree	快速近似建树	大规模序列（>1000 条）
ESMFold	蛋白质结构预测	AI 蛋白质折叠（用 A100 GPU）
BioPython	通用生物信息学	PDB 解析、序列操作、Entrez 查询

工具选择规范

场景	正确工具	常见错误
组装基因组 vs 参考	minimap2	用 BWA（BWA 是短读段工具）
短读段 vs 参考	BWA-MEM2	用 minimap2（不够精确）
建进化树	IQ-TREE (ML)	用 NJ（邻接法太粗糙）
蛋白质结构	ESMFold 或 PDB 实验结构	盲目信任预测不看 pLDDT

工作流模板

变异分析

建议流程：

1. 明确数据类型和参考序列
2. 选择正确比对工具
3. 用 samtools / bcftools 做排序、索引和变异调用
4. 做变异注释与功能解释
5. 与论文或数据库中的关键突变结论交叉验证

系统发育分析

建议流程：

1. 明确序列集合和研究问题
2. 多序列比对
3. 用 ML 方法建树
4. 检查 bootstrap 支持度
5. 讨论拓扑、分支和可能的趋同进化，而不是只贴树图

蛋白质结构预测

建议流程：

1. 优先检查是否已有实验结构
2. 无实验结构时再做预测
3. 报告 pLDDT 或其他置信度
4. 将结构解释和突变、生物功能联系起来

重点查询点

• minimap2 的预设与输入输出格式
• samtools sort/view/index 的正确用法
• bcftools 变异调用链路
• iqtree 的 bootstrap 与模型参数
• blastn 的输出格式和阈值

这些细节优先查 toolref。

可视化

系统发育树

import toytree
import matplotlib.pyplot as plt

tree = toytree.tree("tree.treefile")
canvas, axes, marks = tree.draw(
    width=600, height=800,
    tip_labels_align=True,
    node_sizes=[0 if not n.is_leaf() else 8 for n in tree.treenode.traverse()],
)
# 按类群着色需自定义 node_colors

Circos 基因组图

from pycirclize import Circos

circos = Circos(sectors={"genome": genome_length})
sector = circos.sectors[0]

# 轨道 1: 基因注释
track1 = sector.add_track((90, 95))
# 轨道 2: 变异密度
track2 = sector.add_track((80, 88))
# 轨道 3: GC 含量
track3 = sector.add_track((70, 78))

circos.savefig("circos.png", dpi=300)

3D 蛋白质结构

import py3Dmol

view = py3Dmol.view(width=800, height=600)
view.addModel(pdb_string, "pdb")

# 卡通表示 + 突变位点高亮
view.setStyle({"cartoon": {"color": "spectrum"}})
# 突变残基显示为球棍
view.addStyle({"resi": [484, 501, 681]},
              {"stick": {"colorscheme": "redCarbon"}})
view.zoomTo()
view.show()

突变景观图（Lollipop plot）

import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(15, 4))
# x 轴: 蛋白位置
# y 轴: 携带该突变的变异株数量
# 颜色: 按功能域着色（NTD, RBD, S1/S2, S2）
ax.vlines(positions, 0, counts, colors=domain_colors, linewidth=1.5)
ax.scatter(positions, counts, c=domain_colors, s=30, zorder=5)
# 标注关键突变
for pos, name in key_mutations:
    ax.annotate(name, (pos, counts[pos]), fontsize=8, rotation=45)

GPU 使用（ESMFold）

序列长度	VRAM 需求	A100 40GB
< 400 aa	~10 GB	单 GPU
400-800 aa	~15-20 GB	单 GPU
800-1200 aa	~25-35 GB	单 GPU
> 1200 aa	> 40 GB	需拆分域或多 GPU

建议：预测蛋白质域（200-500 aa）而非全长（可能超出 VRAM）。

科学规范

检查项	正确做法	常见错误
比对工具	组装用 minimap2，短读段用 BWA	混用
建树方法	ML (IQ-TREE) + bootstrap ≥1000	用 NJ 不做 bootstrap
替换模型	DNA: GTR+G4，蛋白: LG+G4	不做模型选择
结构预测	报告 pLDDT，与实验结构对比	盲目信任预测
突变命名	标准命名（N501Y 而非"501位天冬酰胺突变"）	非标准命名
趋同进化	区分趋同进化和共祖	混淆
E-value	BLAST 结果按 e-value 过滤	不设阈值

Agent 行为准则

• 不要先想命令，先判断数据类型和科学问题
• 不要混用工具适用场景，尤其是 minimap2 / BWA / BLAST
• 不要只给图，不给阈值、支持度、置信度和过滤标准
• 不要把结构预测或树拓扑当事实，必须解释其可信边界