## 一、专业标题 **BILBO：面向大规模RNA-Seq分析的自托管平台及其功能注释聚类与检索增强生成解读框架**

《Functional & Integrative Genomics》：BILBO: a self-hosted platform for large-scale RNA-Seq analysis with a functional annotation clustering framework

## 三、摘要翻译

RNA测序（RNA-Seq）已成为转录组研究的核心手段，但其实际应用仍需协调多个计算步骤，且通常产生庞大的基因表达输出，其整合性生物学解读仍具挑战性。在此，研究人员提出BILBO（Bioinformatics Integration for Large-scale Biological Operations），一个自托管且完全容器化的平台，旨在支持从数据获取到整合性功能解读的可重复、端到端RNA-Seq分析。BILBO将广泛采用的开源工具整合为标准化工作流，可在统一环境中实现公共或私有RNA-Seq数据的自动获取、质量控制、比对、定量、标准化、差异表达分析以及可发表级别输出的生成。除工作流整合外，BILBO引入了一种新颖的功能注释聚类框架，利用基于Gene Ontology（GO）的语义相似度对基因进行组织。该方法按调控方向与本体（ontology）分离基因，计算GO注释间的Wang语义相似度，应用完全连接（complete-linkage）层次聚类，通过基于轮廓系数（silhouette）的剪枝细化归属，并选取代表性基因作为语义中心点（semantic medoids）。为进一步增强生物学可解释性，BILBO整合了检索增强生成（Retrieval-Augmented Generation，RAG）策略，通过混合检索与DOI关联的证据片段，将代表性基因和功能簇与经过整理的科学文献相连接。在与nf-core/rnaseq的受控SEQC/MAQC-III基准测试中，BILBO保持了差异表达效应量（跨工作流Spearman ≥ 0.994）及参考混合样本的预期行为，同时BILBO所需的峰值临时磁盘空间减少68%，但实际耗时（wall time）增加25%。在SEQC数据集中，所得聚类与独立的MSigDB通路表现出高度一致性，与基于GOSemSim的参考工作流相当，且在适度参数变化下保持稳定。综上，这些特性使BILBO成为一种整合性、可扩展的解决方案，弥合了大规模RNA-Seq数据处理与更高层次功能洞察之间的差距，促进了转录组研究的可重复性、可解释性与可及性。

## 四、论文主体解读

### 研究背景与问题

RNA测序（RNA-Seq）已成为现代转录组学的基石，可对多种生物系统与实验条件下的基因表达进行全面的定量刻画。高通量测序技术的进步显著提升了数据可获得性并降低了测序成本，公共数据库因而积累了海量转录组数据，为数据复用、比较分析和元研究提供了机会。然而，尽管测序技术日趋成熟，转录组分析的实际执行仍依赖于多种软件工具、参考数据集与参数化工作流的协同使用。这种碎片化增加了操作复杂性，并在异构计算环境中引入研究间变异，使研究人员难以维持一致的工作流并高效地从原始数据处理过渡到生物学解读，在大规模或比较分析中尤为突出。与此同时，RNA-Seq结果的生物学解读仍是主要瓶颈。差异表达分析通常产生大量基因列表，下游功能注释与生物学意义综合往往依赖碎片化的富集结果、人工整理或僵硬的本体分类。传统功能富集方法偏重过表征统计，常难以捕捉基因功能间潜在的语义关系，限制了揭示更高层次生物学结构或涌现功能模块的能力。基于相似性的分析与利用嵌入表示的机器学习方法虽已被提出以挖掘基因功能间的潜在关联，基于大语言模型（LLM）的新兴方法也显示出推断传统富集方法未能检测的生物学模式的能力，但这些方法标准化不足，常缺乏可解释性或与既有注释框架的无缝整合。这一空白凸显了从基因中心注释转向数据驱动功能组织的整合策略之必要。为此，研究人员提出BILBO——一个自托管、完全容器化的平台，支持从原始数据获取到整合性功能解读的可重复大规模RNA-Seq分析，将广泛采用的开源工具整合为标准化自动化工作流，并引入基于GO语义相似度的功能注释聚类框架与基于检索增强生成（RAG）的自动生物学解读层，其模块化与文献驱动设计可适配其他生物界别。

### 主要关键技术方法

其一，数据获取与流程组件：通过NCBI SRA（Sequence Read Archive）按登录号自动下载原始reads并转换为FASTQ，亦支持私有FASTQ上传；经NCBI获取参考基因组及GFF注释；流程整合FastQC、Trimmomatic、STAR、Picard、HTSeq与R（edgeR）。其二，系统实现：后端采用FastAPI暴露RESTful接口，以async/await实现异步执行，PostgreSQL经SQLAlchemy持久化，前端基于Flet，采用Docker与docker-compose容器化部署，SSH本地端口转发远程访问，OAuth2与JWT认证。其三，基准评测：采用GEO系列GSE47774的SEQC/MAQC-III配对末端文库（A、B各4个重复及已知混合样本C、D，共16个样本），生成1百万与5百万读对子集，与nf-core/rnaseq v3.26.0（star_salmon路线）在相同GRCh38与Ensembl release 112注释、128逻辑CPU与128 GB内存条件下比较，并以TaqMan RT-PCR（Bioconductor“seqc”数据包）与混合样本预期比例评估生物学有效性。其四，功能聚类：基于GOSemSim框架计算Wang语义相似度，完全连接层次聚类，轮廓系数剪枝，并以语义中心度选取代表基因，与GOSemSim v2.32.0参考工作流比较，采用调整Rand指数（ARI）评估敏感性，以MSigDB C2:CP:KEGG_MEDICUS评估功能一致性。其五，RAG模块：语料来自PlantExp索引的1,612项研究，按节约350词的句子感知分块，Qdrant中以BGE-M3稠密向量与本地BM25稀疏向量混合索引，经倒数秩融合（RRF）合并并重排，最终由本地Gemma 4 E4B模型（经Ollama编排）在封闭知识约束下合成，并以13个基因查询、53,037个文献片段评估检索性能。

### 研究结果

**系统架构与工作流概览**：通过整合后端服务、基于Web的用户界面、辅助处理脚本与持久化数据层，系统实现了复杂分析工作流的协同执行，同时保持组件间职责清晰分离；各分析阶段作为独立模块执行并具显式状态管理，前端—后端交互循环中若验证失败则中止执行并反馈，集中式数据层使分析状态与中间结果可跨步骤访问。

**基于BILBO的端到端RNA-Seq分析**：通过以子进程方式依次调用下载（SRA Toolkit的fasterq-dump，tmux会话内并行）、参考基因组获取（NCBI Datasets CLI）、修剪（Trimmomatic，自动识别单/双端与Phred编码）、比对（STAR）与去重（Picard）、定量（HTSeq-count）及R环境下的预处理（TMM标准化、低计数过滤）与差异表达分析（负二项模型、离散度估计、广义线性模型），得出各阶段经参数校验、目录检查与日志记录，输出自动注册并可供前端可视化、全流程可追溯的结论。

**输出可视化与解读工具**：通过将FastQC报告解析嵌入前端、基于edgeR输出生成文库大小条形图、多维标度（MDS）图、样本聚类图与计数密度分布，以及自动生成上下调基因条形图、MA图与火山图，并结合GFF与UniProt注释支持交互式表格筛选与检索，得出用户可在单一环境内从定量结果无缝过渡到生物学解读、图形输出以适合发表的高分辨率格式保存的结论。

**相对nf-core/rnaseq的计算性能**：通过受控SEQC/MAQC-III基准测试，得出两个工作流均产生含相同63,140个基因标识的结构有效矩阵；BILBO总基因计数较低（BILBO与nf-core中位比值在1百万与5百万读对下分别为0.784与0.751），归因于HTSeq基因组比对计数与Salmon转录本定量经tximport聚合的策略差异；标准化后log₂(CPM+1)的样本中位Pearson相关为0.921与0.923；A对B的log₂倍数变化跨工作流Spearman相关为0.9944–0.9961，差异表达基因集Jaccard指数为0.8223–0.8580；与TaqMan的一致性近乎相同（Spearman 0.963对0.967）；与混合样本C、D预期谱的Spearman相关分别为0.9951/0.9959（BILBO）与0.9947/0.9954（nf-core）；热缓存5百万读对条件下BILBO中位运行时间3.963 h、nf-core为3.180 h（BILBO慢24.6%），峰值内存相近（71.58对66.77 GiB），临时磁盘空间为43.37对135.45 GiB（减少68.0%）的结论。

**功能注释聚类框架增强生物学解读**：通过按调控方向及BP、MF、CC本体分别计算Wang语义相似度并转为距离矩阵、完全连接层次聚类、轮廓系数剪枝与语义中心点选取，并以MSigDB评估，得出两种方法聚类的通路共享比例均远高于匹配随机组（匹配随机组约4%）；在2,262个共同聚类基因中453个见于KEGG_MEDICUS通路，基因对共享至少一条通路的平均比例为BILBO 69.8%、GOSemSim工作流65.1%；在GO注释不超过12条的基因中分别为62.0%与57.6%；BILBO高4.8个百分点，95%自助法边际约±11.9个百分点；至少一条MSigDB通路FDR < 0.05显著富集的簇比例分别为17.6%与19.5%；敏感性分析中GO相似度阈值适度变化下ARI为0.87–0.96，提高轮廓系数截断值逐步移除不确定归属但不重组保留基因，平均连接引起更明显重组，单连接因长相似链缩减为7个宽泛簇，支持采用完全连接与轮廓系数过滤的结论。

**基于RAG的自动生物学解读**：通过分区处理文献、剔除低信息片段、句子感知分块并附来源元数据、BM25与BGE-M3混合检索、RRF融合、按生物学证据信号重排及来源去重，并由本地LLM在封闭知识约束下输出结构化HTML，得出混合BM25+BGE-M3检索获得最高Precision@5（0.862，BM25为0.815，BGE-M3为0.708），直接证据MRR与BM25基本一致（0.511对0.510），BM25的nDCG@10（0.796）与合并Recall@10（0.488）最高（混合法为0.785与0.469），BGE-M3在全部指标上超过PubMedBERT与BioBERT（Precision@5分别为0.708、0.369、0.262）；专家评审中工作流对13个基因中的6个生成11条论断、7个因证据不足而弃答，8条完全支持、1条部分支持、2条无支持、0条被引文献反驳，严格论断准确率72.7%（含部分支持为81.8%），引用正确率81.8%，另有22条候选论断在呈现前被确定性证据控制拒绝的结论。

### 讨论与结论

讨论部分指出，BILBO作为整合平台可支持完整RNA-Seq分析，并同时应对可扩展性、可解释性与生物学情境化等关键挑战；其模块化架构与异步执行模型使复杂工作流以可控可追溯方式执行，容器化确保跨分析一致性与异构基础设施部署，适于需要可重复性与数据主权的研究团队；SEQC基准将BILBO定位为经验证的替代方案，其以更少临时磁盘空间换取更长热缓存运行时间的权衡，在存储受限的自托管环境中可能更有利。通路分析支持功能聚类策略的生物学一致性，且在GO注释较少的基因中同样维持，敏感性分析支持完全连接与轮廓系数过滤；功能注释聚类将冗长基因列表转化为紧凑、生物学一致的组，实现从基因中心到功能中心的解读转变；本体语义相似度、保守层次聚类与证据约束文献合成的组合在数学结构与生物学可解释性间取得平衡；混合融合在前序检索片段中给出最高相关性，确定性拒绝规则阻止22条候选论断进入最终输出，观察到的弃答反映工作流在文献证据不足时的预期行为。总体而言，BILBO不仅自动化RNA-Seq数据处理，还通过结构化功能组织增强结果可解释性，适用于探索性与假设生成研究及需跨数据集一致解读的大规模比较分析。

结论部分译述：本研究报告了BILBO——一个旨在通过整合、可重复且可解释的计算框架支持大规模RNA-Seq分析的自托管平台。通过将数据获取、预处理、统计建模、可视化与解读整合于单一环境，BILBO应对了碎片化RNA-Seq工作流的常见局限，降低了管理复杂生物信息学流程的技术负担。本研究的一项核心贡献是引入新颖的功能注释聚类策略，通过结合严格的GO语义相似度、完全连接层次聚类、轮廓系数剪枝与语义中心点选取，将冗长的差异表达基因列表转化为紧凑、生物学一致的功能组，实现更高层次的生物学过程推理并便于探索性分析，同时保持每个簇与底层GO注释的直接联系；结合文献支撑的RAG合成，该框架以透明且受生物学约束的方式支持探索性解读。这些方法在模块化容器化架构中的整合确保分析在异构计算环境中保持可重复、可移植与可扩展；平台对交互式可视化与结构化输出探索的重视使用户能够从定量结果无缝过渡到生物学洞见，支持假设生成与下游实验规划。总体而言，BILBO表明将确定性数据结构化技术与自动化解读工作流相结合可显著提升RNA-Seq分析的可用性与可解释性，为计算生命科学提供了一个开放、可扩展的框架，支持端到端转录组分析并促进复杂基因组数据的生物学意义抽象。