《Bioinformatics》：CellCraft: an extensible visual programming application for gene regulatory network inference
编辑推荐：
本文推荐一款名为CellCraft的网页应用程序，该程序通过集成可视化编程界面和模块化插件系统，有效解决了单细胞RNA测序（scRNA-seq）数据中基因调控网络（GRN）推断过程复杂、工具分散的技术难题。研究人员开发了这一主题平台，整合了TENET、GENIE3等多种GRN推断工具，显著降低了生物医学研究人员进行复杂生物信息学分析的技术门槛。该平台支持自定义工作流设计和实时结果可视化，其容器化架构保障了分析过程的可重复性，为大规模GRN研究提供了高效、可扩展的解决方案。
随着单细胞RNA测序（scRNA-seq）技术的迅猛发展，科学家们能够以前所未有的分辨率解析细胞异质性和基因表达动态。然而，从海量单细胞数据中重建基因调控网络（Gene Regulatory Network, GRN）——即揭示转录因子（Transcription Factor, TF）与靶基因之间调控关系的网络图谱——仍面临巨大挑战。当前虽已有SCENIC、TENET等多种GRN推断算法，但这些工具通常需要用户具备熟练的命令行操作和脚本编程能力，且工具之间的集成性差、工作流设计复杂，导致许多生物医学研究者难以有效利用这些先进方法。更棘手的是，现有平台往往缺乏可扩展性，无法快速整合新开发的算法，同时分析过程的可重复性也难以保障。这些问题严重阻碍了GRN分析在疾病机制解析、药物靶点发现等领域的广泛应用。
为解决上述问题，韩国中央大学和松石大学的研究团队在《Bioinformatics》上发表了题为“CellCraft: an extensible visual programming application for gene regulatory network inference”的研究论文，开发了一款专为GRN分析设计的网页应用程序。该平台通过直观的可视化编程界面，将多种GRN推断工具整合于统一环境中，显著降低了操作复杂度。其模块化插件架构允许用户灵活添加新算法，而基于容器的部署方式则确保了分析结果的可重复性。研究表明，CellCraft能够有效帮助研究者聚焦于生物学发现而非技术细节，为单细胞转录组学的GRN研究提供了高效易用的解决方案。
关键技术方法包括：基于Vue.js框架构建网页客户端，集成Drawflow库实现可视化编程；采用FastAPI开发后端接口，通过PostgreSQL数据库管理元数据；使用Snakemake工作流引擎解析用户定义的任务依赖关系，并借助Celery和RabbitMQ实现分布式任务调度；通过Docker容器化技术保证跨平台一致性。系统支持scRNA-seq数据上传、预处理、GRN推断（集成TENET、GENIE3、GRNBOOST2等工具）及交互式可视化分析。
2.1 系统架构
CellCraft采用分层架构设计，网页客户端通过NGINX服务器与后端API交互。后端使用FastAPI处理用户认证、工作流验证及任务执行，并将工作流编译为Snakemake可执行的Snakefile。任务通过RabbitMQ消息队列分配给Celery工作节点，利用有向无环图（DAG）并行调度各分析步骤。所有任务状态和输出文件均实时存储于数据库，最终结果可通过API回调至前端可视化模块。整个系统通过Docker容器化封装，确保环境一致性。
2.2 可视化编程
与传统代码密集型平台（如Taverna、KNIME）相比，CellCraft专注于GRN分析场景的轻量化设计。其可视化编辑器基于Drawflow库实现，用户可通过拖拽节点方式构建分析流程。每个节点对应特定功能模块（如数据表查看、UMAP降维绘图、GRN推断算法等），节点间连接线明确表示数据流向与依赖关系。用户可实时调整参数、预览中间结果，并通过“DataTable”节点交互式筛选细胞亚群。这种设计将复杂的命令行操作转化为图形化操作，大幅提升了工作流的可理解性与可复用性。
2.3 插件系统
CellCraft的插件系统采用声明式注册机制，用户仅需通过图形界面定义插件的输入/输出格式、执行命令及参数规则，无需编写特定语言代码（如Java或Python）。例如，新开发的GRN算法可通过填写表单方式注册为插件，并自动集成到节点库中。该设计避免了传统插件架构对编程语言的强依赖，使算法开发者能够快速适配自定义工具，增强了平台的扩展性。
2.4 使用场景
典型分析流程包含四个阶段：首先，用户上传scRNA-seq数据或调用内置数据集；其次，选择预置模板（如TENET工作流）或从空白项目开始配置节点参数；随后，通过任务面板监控执行状态，实时查看Snakemake日志；最终，结果文件自动加载至“ResultFiles”节点，并可连接至“GRNViz”插件生成调控网络图、关键转录因子排序柱状图或伪时序热图。所有中间文件及配置均可导出，支持后续深度分析。
研究结论表明，CellCraft通过可视化编程与模块化设计的结合，有效降低了GRN分析的技术门槛。其轻量级架构在保证功能完整性的同时，避免了传统平台的功能冗余问题。该平台不仅支持多种主流GRN算法（如基于转移熵的TENET、基于机器学习的GENIE3），还通过容器化技术保障了分析流程的可重复性。对于单细胞转录组学研究而言，CellCraft的意义在于将复杂的计算任务转化为直观的可视化操作，使生物学家能够自主设计、执行并迭代GRN推断流程，从而加速从数据到生物学发现的转化进程。未来，通过社区贡献的插件生态，该平台有望进一步拓展至多组学整合分析、疾病特异性GRN推断等前沿领域。
