摘要: 可变剪接异构体的使用可在不改变基因总体表达量的情况下影响基因功能，因此在单细胞分辨率下解析转录本异构体具有重要意义。长读长单细胞RNA测序技术能够将细胞身份与转录本异构体及序列特征相关联，但其生物学价值的充分挖掘依赖于可重现的分析流程。现有基于大语言模型的生物医学智能体支持通用组学分析，却缺乏针对异构体解析的长读长单细胞工作流程的专项设计。为此，本文提出scIsoAgent——一个面向长读长单细胞RNA测序分析的自主大语言模型科学智能体。scIsoAgent通过阶段感知规划与持久化计算上下文，将异质性长读长单细胞输入转化为可追溯的异构体解析工作流程，同时支持分析执行与生物学解释。评估结果表明，与通用大语言模型基线相比，该设计显著提升了从分析规划到可执行交互式工作流程的连贯性。在真实数据重分析中，scIsoAgent不仅复现了已发表长读长单细胞研究的主要发现，还将差异转录本使用事件延伸至序列层面的功能假说。这些结果表明，自主科学智能体能够将碎片化的长读长单细胞分析整合为连贯、可重现的异构体解析与生物学解释工作流程。

scIsoAgent：面向长读长单细胞转录组的自主同工型解析与序列驱动功能诠释智能体¶

概述¶

在转录组学研究中，可变剪接（Alternative splicing）产生的不同转录本同工型（isoform）能够在不改变基因总体表达量的前提下，深刻改变基因的功能输出。这意味着仅依赖基因水平的表达量分析（如传统短读长 scRNA-seq）会遗漏大量生物学信息。长读长单细胞 RNA 测序（Long-read single-cell RNA sequencing）技术的出现填补了这一空白——它能够在单细胞分辨率下同时捕获细胞身份与完整转录本结构，从而实现同工型层面的精细解析。

然而，要将长读长单细胞数据转化为可重复、可解释的生物学发现，研究者面临严峻挑战：现有的大语言模型（Large Language Model, LLM）驱动的生物医学智能体虽已支持通用组学分析，但均未针对同工型解析的长读长单细胞工作流进行专门设计，分析流程碎片化、缺乏连贯性。

scIsoAgent 正是为解决上述问题而设计的自主科学智能体（autonomous scientific agent）。它以大语言模型为核心驱动力，专为长读长单细胞 RNA-seq 分析而构建，能够将异构的长读长输入数据自动转化为可追溯、同工型解析的完整分析工作流，并将序列级功能推断与生物学解释无缝融合。该工具的发布标志着自主智能体在长读长单细胞转录组学领域的首次系统性应用，对推动可重复科学研究具有重要意义。

核心原理与功能¶

1. 问题背景：为何需要同工型解析¶

基因表达的调控不仅发生在转录量层面，可变剪接、可变多腺苷酸化（alternative polyadenylation）等机制可使同一基因产生功能迥异的蛋白质产物。在单细胞层面，不同细胞类型可能优先使用同一基因的不同转录本，即差异转录本使用（Differential Transcript Usage, DTU）。传统短读长测序因读长限制，无法可靠区分全长转录本结构；长读长测序（如 Oxford Nanopore、PacBio）则可直接读取完整转录本，实现真正的同工型层面分析。

2. 现有方法的局限性¶

现有基于 LLM 的生物医学智能体（biomedical agents）支持通用组学分析任务，但存在以下不足：

未针对同工型工作流设计：缺乏对长读长特有分析步骤（如转录本组装、同工型定量）的专项支持
分析与解释断层：从计算分析到生物学解释之间缺乏连贯的自动化路径
可重复性不足：生成的工作流难以追溯、难以跨项目复用

3. scIsoAgent 的核心架构¶

scIsoAgent 采用以下关键设计原则，区别于通用 LLM 基线系统：

3.1 阶段感知规划（Stage-aware Planning）¶

scIsoAgent 具备对长读长单细胞分析全流程各阶段的显式感知能力。不同于通用智能体将所有分析任务视为扁平问题，scIsoAgent 理解长读长单细胞分析的内在阶段性结构——从原始数据预处理、细胞条形码（cell barcode）解析、转录本定量，到差异同工型检测、序列功能推断，各阶段具有明确的依赖关系与上下文传递逻辑。这种阶段感知规划使智能体能够生成在逻辑上连贯、在技术上可执行的分析方案。

3.2 持久化计算上下文（Persistent Computational Context）¶

scIsoAgent 在整个分析过程中维护持久化的计算上下文（persistent computational context），确保前序步骤的结果、参数设定与中间状态能够被后续步骤准确引用。这一机制解决了通用 LLM 在多步分析中"遗忘"前文状态的根本性缺陷，显著提升了从分析规划到可执行交互式工作流的连续性（continuity）。

3.3 异构输入处理（Heterogeneous Input Handling）¶

长读长单细胞数据来源多样（不同测序平台、不同建库方案、不同参考基因组版本），scIsoAgent 设计为能够接受和处理异构的长读长单细胞输入（heterogeneous long-read single-cell inputs），将其转化为统一、可追溯的同工型解析工作流。

3.4 序列知情功能假说生成（Sequence-informed Functional Hypothesis）¶

这是 scIsoAgent 最具创新性的功能之一。当系统检测到显著的差异转录本使用事件（DTU event）时，它不仅报告统计结果，还能：

提取对应同工型的全长转录本序列（full-length isoform sequences）
调用模型推断的转录本属性（model-inferred transcript properties），对序列特征进行功能注释
将观察到的同工型使用差异与潜在的序列级功能后果（sequence-level functional consequences）建立关联
自动生成具有生物学意义的功能性假说（functional hypothesis）

这一链路将"发现差异"与"解释差异"整合为一个自动化闭环，极大降低了研究者从计算结果到生物学洞见的门槛。

4. 评估与验证¶

scIsoAgent 经过了多维度的互补评估（complementary evaluations）：

与通用 LLM 基线对比：在分析规划到可执行交互式工作流的连续性指标上，scIsoAgent 显著优于通用目的 LLM 基线（general-purpose LLM baselines）
真实数据重分析（Real-data reanalysis）：在已发表的长读长单细胞资源数据上，scIsoAgent 成功复现了原始研究的主要发现
DTU 事件扩展解读：针对一个代表性差异转录本使用事件，scIsoAgent 进一步将其扩展为序列知情的功能性假说，展示了超越原始文献的解析深度

关键方法与步骤¶

由于原文为论文描述性内容，未提供具体安装命令或代码，以下整理 scIsoAgent 所支持的关键分析方法与工作流步骤，供研究者参考实施。

长读长单细胞 RNA-seq 分析的核心工作流阶段¶

# 阶段 1：数据输入层（Heterogeneous Input Ingestion）
# 接受来自不同平台（如 Oxford Nanopore、PacBio）的长读长原始数据
# 接受对应的细胞条形码（cell barcode）白名单或预处理结果
输入: 长读长 FASTQ/BAM 文件 + 细胞条形码信息 + 参考基因组/转录组注释

# 阶段 2：阶段感知规划（Stage-aware Planning）
# scIsoAgent 的 LLM 核心根据输入类型自动规划分析路径
# 识别数据来源平台、建库方案，确定下游分析策略
规划内容: 预处理步骤 → 定量方法 → 差异分析 → 功能解释

# 阶段 3：同工型定量（Isoform Quantification）
# 将长读长序列比对至参考转录组，在单细胞层面量化各转录本丰度
# 关键输出：单细胞同工型表达矩阵（isoform-level count matrix）
输出: 细胞 × 转录本 计数矩阵

# 阶段 4：差异转录本使用分析（Differential Transcript Usage, DTU）
# 跨细胞类型或条件比较同工型使用比例的差异
# 识别在总基因表达不变情况下发生同工型切换的基因
关键参数: 细胞类型标注、对照/处理组设定、统计显著性阈值

# 阶段 5：序列知情功能解释（Sequence-informed Functional Interpretation）
# 提取差异同工型的全长转录本序列
# 调用模型推断转录本级属性（如结构域保留/缺失、UTR 变化等）
# 生成序列级功能假说
输出: 功能假说报告 + 可追溯分析路径

# 阶段 6：工作流输出（Traceable Workflow Output）
# 输出完整的可重复分析工作流
# 支持交互式（interactive）访问和逐步检查
输出: 可执行工作流脚本 + 中间结果 + 解释报告

持久化计算上下文的工作机制¶

# scIsoAgent 在多步分析中维护上下文状态示意：

步骤 1 → 产生结果 A（如：识别出3种细胞类型）
         ↓ 上下文持久传递
步骤 2 → 基于结果 A 执行 DTU 分析（细胞类型标注自动沿用）
         ↓ 上下文持久传递
步骤 3 → 针对步骤 2 中显著 DTU 事件提取全长序列
         ↓ 上下文持久传递
步骤 4 → 结合序列特征生成功能性假说

# 与通用 LLM 的区别：
# 通用 LLM：每步相对独立，需用户手动传递中间结果
# scIsoAgent：自动维护并引用前序计算上下文，确保分析连贯性

实战示例¶

示例场景一：复现已发表长读长单细胞研究的主要发现¶

scIsoAgent 在真实数据重分析（real-data reanalysis）任务中展示了其核心能力。研究者将已发表的长读长单细胞数据集输入 scIsoAgent，系统自动完成以下工作：

识别数据类型与平台特征，自动规划适配的分析路径
执行同工型定量与细胞聚类，在单细胞分辨率下重建转录本图谱
复现原始文献的主要生物学发现，验证工作流的可靠性
在原文基础上进行扩展解读，针对代表性 DTU 事件生成新的功能性假说

这一示例表明 scIsoAgent 不仅是分析工具的自动化封装，更能在复现基础上实现发现层面的延伸。

示例场景二：差异转录本使用事件的序列知情解读¶

针对某一代表性的差异转录本使用（DTU）事件：

背景：
- 目标基因：在特定细胞类型间存在显著同工型切换
- 观察：总基因表达量无显著差异，但同工型使用比例发生改变

scIsoAgent 处理流程：

Step 1: 检测 DTU 事件
  → 统计识别跨细胞类型的显著同工型使用差异
  → 输出：显著 DTU 基因列表 + 统计指标

Step 2: 全长序列提取
  → 提取差异同工型的完整转录本序列（full-length isoform sequences）
  → 对比不同同工型的外显子（exon）组成差异

Step 3: 模型推断转录本属性
  → 基于序列特征推断各同工型的功能域（functional domain）保留状态
  → 分析可变剪接对蛋白编码区、非翻译区（UTR）的影响

Step 4: 生成序列知情功能假说
  → 结合序列差异与已知功能注释
  → 输出：该同工型切换可能导致的序列级功能后果
  → 例如：某功能域的缺失/保留、蛋白互作界面的改变 [待验证具体示例细节]

示例场景三：自主规划与执行连续性对比¶

在与通用 LLM 基线的对比评估中，scIsoAgent 的阶段感知规划体现出明显优势：

评估维度：从分析规划到可执行交互式工作流的连续性

通用 LLM 基线表现：
- 能生成分析步骤描述，但步骤间缺乏逻辑衔接
- 中间计算上下文丢失，需用户反复补充背景信息
- 生成的代码片段难以直接串联执行

scIsoAgent 表现：
- 阶段感知规划确保各步骤间逻辑一致
- 持久化上下文保证数据流的完整传递
- 输出可执行、可追溯的交互式工作流

常见问题¶

Q1：scIsoAgent 与通用生物医学 LLM 智能体（如基于 GPT 的组学分析工具）的根本区别是什么？

A：核心区别在于专项设计。通用生物医学 LLM 智能体面向广泛的组学分析任务，未针对长读长单细胞的同工型解析工作流进行优化，在多步分析中存在上下文断裂问题。scIsoAgent 专为长读长单细胞 RNA-seq 设计，引入了阶段感知规划（stage-aware planning）和持久化计算上下文（persistent computational context）两大机制，确保从数据输入到功能解释的全流程连贯性，并新增了序列知情功能假说生成这一通用工具不具备的能力。

Q2：scIsoAgent 能够处理哪些类型的长读长单细胞数据输入？

A：根据论文描述，scIsoAgent 设计为能够处理异构的长读长单细胞输入（heterogeneous long-read single-cell inputs），意味着它能够兼容来自不同测序平台（如 Oxford Nanopore、PacBio [待验证具体平台支持范围]）和不同建库方案的数据。系统能够根据输入数据特征自动调整分析规划策略。

Q3：scIsoAgent 的"序列知情功能假说"是如何生成的，可信度如何保证？

A：scIsoAgent 通过三步链路生成功能假说：首先提取差异同工型的全长转录本序列，然后调用模型推断转录本级别的序列属性（model-inferred transcript properties），最后将序列特征与已知功能信息关联，生成功能性推断。需要注意的是，这些假说属于计算推断（computational inference），需要后续实验验证方可确认其生物学真实性。论文将其定位为"序列知情的功能性假说（sequence-informed functional hypothesis）"，而非直接的实验结论。

Q4：scIsoAgent 生成的工作流是否具有可重复性？

A：可重复性是 scIsoAgent 的核心设计目标之一。论文明确指出其能够将碎片化的长读长单细胞分析转化为"连贯、可重复的工作流（coherent, reproducible workflows）"。系统通过持久化计算上下文和可追溯的分析路径（traceable workflows）确保同一输入在不同时间、不同用户操作下可以获得一致的分析结果。

Q5：scIsoAgent 是否能够替代专业的长读长分析工具（如 FLAMES、IsoQuant 等）？

A：scIsoAgent 定位为自主科学智能体（autonomous scientific agent），其角色是协调和整合专业分析工具，而非直接替代它们。它通过阶段感知规划自动调用合适的长读长分析工具 [待验证具体集成工具列表]，在工具之间传递计算上下文，并在分析完成后自动进行生物学解释。研究者仍需确保底层工具的正确安装与配置，scIsoAgent 负责将这些工具组织为连贯的可执行工作流。

总结¶

scIsoAgent 代表了自主 LLM 科学智能体在长读长单细胞转录组学领域的首次系统性探索。其核心价值在于三点：第一，通过阶段感知规划和持久化计算上下文，解决了长读长单细胞分析工作流碎片化、缺乏连贯性的根本问题；第二，将专业的同工型定量与差异分析同自动化的生物学解释无缝连接，降低了研究者从计算结果到科学洞见的门槛；第三，创新性地引入序列知情功能假说生成机制，将全长同工型序列信息与模型推断的转录本属性相结合，为观察到的同工型使用差异提供潜在的序列级功能解释。真实数据评估表明，scIsoAgent 能够可靠复现已发表研究的主要发现，并进一步生成延伸性假说，展示了自主科学智能体推动同工型解析发现的实际潜力。