OmicClaw: executable and reproducible natural-language multi-omics analysis over the unified OmicVerse ecosystem.

OmicClaw 是一个基于统一 OmicVerse 生态系统和 J.A.R.V.I.S. 运行时的可执行自然语言框架，它通过将用户请求转化为可追溯的工作流，解决了多组学分析中工具碎片化和可重复性不足的问题，并显著提升了复杂任务的分析性能与交互体验。

要点

这篇文章介绍了一个名为 OmicClaw 的新工具，它就像是为生物学家（特别是研究基因和细胞的人）配备的一位**“超级智能助手”**。

为了让你更容易理解，我们可以把复杂的生物数据分析想象成**“在一家巨大的、混乱的超级市场里找东西并做一道菜”**。

1. 以前的痛点：混乱的超市和不同的语言

在 OmicClaw 出现之前，生物学家面临着一个大麻烦：

• 超市太乱（工具碎片化）： 想要分析基因数据，你需要去不同的“货架”（软件包）。有的货架卖“清洗蔬菜”的工具，有的卖“切菜”的工具，有的卖“炒菜”的工具。
• 语言不通（接口不兼容）： 这些工具之间互不相通。A 工具切好的菜，B 工具可能根本拿不起来，因为它们的“把手”形状不一样。
• 厨师太累（人工操作）： 科学家必须像搬运工一样，手动把数据从一个工具搬到另一个工具，还要自己写代码把它们“焊接”在一起。一旦中间出错（比如切菜时刀断了），整个流程就得重来，而且很难知道是哪一步出了问题。

2. OmicClaw 是什么？一个统一的“智能厨房”

OmicClaw 的出现，相当于把整个超市改造成了一个高度智能化的统一厨房。它由两个核心部分组成：

A. 核心底座：OmicVerse（统一的食材库）

• 比喻： 想象一个巨大的、整理得井井有条的中央食材库。
• 作用： 以前，不同的工具（切菜机、搅拌机）需要不同的接口。OmicVerse 把所有这些工具都换成了统一的接口。无论你是要处理“单细胞数据”（像切细丝）还是“空间数据”（像摆盘），它们现在都使用同一种标准的“容器”（AnnData 对象）。
• 好处： 就像你不需要关心蔬菜是装在塑料盒还是纸盒里，只要放进这个统一容器，任何机器都能直接处理。

B. 智能大脑：J.A.R.V.I.S.（你的私人管家）

• 比喻： 这是 OmicClaw 的**“智能管家”**（名字致敬电影《钢铁侠》里的 J.A.R.V.I.S.）。
• 作用：
  • 听懂人话： 你不需要写复杂的代码。你只需要对管家说：“帮我分析一下这些细胞的运动轨迹，看看它们是怎么变老的。”
  • 查字典（注册表）： 管家不会瞎编。它会先查一本**“官方工具目录”**（Registry）。这就像管家手里有一本只有经过认证的、安全的工具清单。如果清单里没有“切菜机”，管家绝不会凭空变出一个不存在的机器。
  • 防错机制： 如果管家发现你还没“洗菜”（预处理数据）就直接让机器“炒菜”（分析），它会立刻停下来告诉你：“老板，菜还没洗呢，请先执行‘清洗’步骤。”这防止了因为步骤错误导致的“厨房爆炸”（代码崩溃）。
  • 自我修复： 如果某个步骤失败了，管家不会直接放弃，而是会尝试修复，或者换一种方法，直到完成任务。

3. 它是如何工作的？（一个生动的例子）

场景： 你想分析一组细胞数据，找出它们是如何分化的。

• 以前（传统方式）：
  你打开电脑，写代码调用工具 A 清洗数据，保存结果；再打开工具 B 读取结果，调整参数；再调用工具 C 画图。如果工具 B 报错，你得去查文档，改代码，重新运行。整个过程像在玩一个没有说明书的拼图游戏。

• 现在（OmicClaw 方式）：

  1. 你： 在聊天框里输入：“请帮我分析这组单细胞数据，找出分化轨迹并画图。”
  2. OmicClaw (管家)：
     • 它先检查你的数据（AnnData 对象）是否准备好了。
     • 它查阅“工具目录”，发现需要三个步骤：清洗 -> 降维 -> 轨迹分析。
     • 它自动调用 OmicVerse 里的标准工具，一步步执行。
     • 如果中间某一步数据格式不对，它会自己发现并修正，或者问你：“老板，这里少了一个参数，您想怎么填？”
     • 最后，它不仅给你文字回答，还直接生成图表、报告，甚至把代码记录下来，保证下次还能一模一样地复现。

4. 为什么这很重要？

• 让外行变专家： 即使不懂编程的生物学家，也能通过自然语言（像聊天一样）完成复杂的基因分析。
• 不再“瞎编”： 以前的 AI 助手可能会“幻觉”（Hallucination），编造不存在的函数。OmicClaw 的管家只使用经过验证的真实工具，所以结果非常可靠。
• 可重复性： 以前别人很难复现你的分析结果，因为步骤太乱。现在，OmicClaw 会自动记录每一步的操作日志，就像给整个做菜过程拍了视频，随时可以回放。
• 网页版体验： 它还有一个网页界面，就像在浏览器里玩一个高级的“生物数据游戏”，可以直观地看到百万级细胞的数据，还能直接和 AI 对话。

总结

OmicClaw 就像是给生物学家装上了**“钢铁侠的战甲”**。

• OmicVerse 是战甲的动力核心，统一了所有能量来源。
• J.A.R.V.I.S. 是战甲的智能系统，帮你规划路线、自动避障、执行任务。

它让复杂的生物数据分析变得像**“点外卖”**一样简单：你只需要告诉它你想吃什么（分析目标），它就能自动去厨房（OmicVerse）把菜做好，并且保证味道正宗、过程透明、下次还能做出一模一样的菜。

技术摘要

这篇论文介绍了 OmicClaw，这是一个基于统一 OmicVerse 生态系统构建的、可执行且可复现的自然语言多组学分析框架。该框架旨在解决当前生物信息学分析中工具碎片化、接口不兼容以及工作流难以复现的问题，通过结合大语言模型（LLM）与受控的执行运行时，实现了从自然语言指令到可验证分析工作流的转化。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

尽管批量（bulk）、单细胞（single-cell）和空间组学（spatial omics）技术的进步极大地推动了生物学发现，但数据分析领域仍面临严重的软件瓶颈：

• 工具碎片化：核心分析任务（如预处理、聚类、细胞类型注释、轨迹推断、RNA 速度等）分散在独立的软件包中。
• 接口不兼容：不同工具使用不一致的对象约定（如 AnnData 的变体）、异质的依赖关系和互不兼容的接口。
• 复现性差：用户需要手动桥接工具、编写包装器并重组中间输出，导致构建稳健的多步骤流程极其困难。
• AI 辅助分析的局限性：现有的 LLM 辅助分析往往依赖无约束的代码生成，容易产生“代码幻觉”（调用不存在的函数、参数错误）或方法选择错误，导致工作流失败且难以修复。

2. 方法论 (Methodology)

OmicClaw 由两个核心层级组成：OmicVerse（分析基底）和 J.A.R.V.I.S.（执行运行时）。

A. OmicVerse：统一的分析基底

• 核心架构：以 AnnData 为中心，将超过 100 种多组学方法（包括上游处理、单细胞、空间、批量转录组及基础模型工作流）组织成任务导向的模块。
• 模块化设计：
  • ov.alignment: 测序数据预处理及计数矩阵生成。
  • ov.preprocess: 标准化质控、高变基因选择、降维和批次校正。
  • ov.single: 统一单细胞下游分析（聚类、注释、轨迹、RNA 速度、细胞通讯等）。
  • ov.space: 空间组学分析（分割、去卷积、空间动态）。
  • ov.bulk & ov.fm: 支持批量转录组及生物基础模型（如 scGPT, CellPLM）。
• 互操作性：与 PyTorch、PyTorch Geometric 等机器学习生态无缝集成，支持 CUDA 和 Apple Metal 加速。

B. J.A.R.V.I.S.：受控的执行运行时

J.A.R.V.I.S. 将 OmicVerse 生态系统转化为一个有界的分析动作空间，通过以下机制确保 LLM 生成的代码可执行且安全：

• 注册表驱动 (Registry-grounded)：所有 OmicVerse 函数通过 @register_function 注册到中央工具注册表中。LLM 只能调用注册表中存在的、具有明确参数模式（Schema）和前置条件的函数，杜绝了幻觉。
• 状态感知与可恢复性 (State-aware & Recoverable)：
  • 系统维护执行上下文（当前 AnnData 对象、会话历史、失败记录）。
  • 支持迭代修复：当执行失败时，系统能检测前置条件缺失（如 PCA 前缺少缩放层），并自动建议或执行修复步骤，而非直接报错终止。
  • 多轮对话：将用户意图与当前分析状态耦合，支持长视野（long-horizon）的多步骤任务分解。
• MCP 兼容服务器：通过 Model Context Protocol (MCP) 暴露工具，允许外部 Agent（如 Claude Code）访问，同时确保 AnnData 对象不跨越协议边界，仅传递轻量级句柄，保证数据安全与性能。
• 安全与审计：包含 AST 静态扫描、工具级策略控制（如文件写入需审批）以及完整的执行轨迹（Provenance）记录。

3. 关键贡献 (Key Contributions)

1. OmicClaw 框架：首个将自然语言分析转化为可执行、可追踪、可恢复工作流的框架，解决了 LLM 在生物信息学中“只会说不会做”的痛点。
2. OmicVerse 生态系统：提供了一个统一的、跨模态（单细胞、空间、批量）的 Python 分析接口，整合了 200+ 个注册函数，消除了不同工具间的接口壁垒。
3. J.A.R.V.I.S. 运行时：创新性地提出了“注册表驱动 + 状态感知”的执行层，通过前置条件验证和自动修复机制，显著提高了复杂分析任务的成功率。
4. OmicVerse Web 平台：
   • 支持百万级单细胞数据的交互式可视化（基于 WebGL/Deck.gl）。
   • 内置 Notebook 风格代码编辑器、终端和Agent 工作区，实现了从数据加载、分析、可视化到 AI 辅助决策的闭环。
   • Skill Store：允许用户定义和共享可复用的分析技能（Skill），促进知识沉淀。

4. 实验结果 (Results)

• 基准测试 (Benchmark)：在涵盖 scRNA-seq、空间转录组、RNA 速度、scATAC-seq、CITE-seq 和多组学分析的 15 项任务中进行了评估。
  • 性能对比：OmicClaw 中的智能体（ov.Agent）在基于评分标准（Rubric-based）的测试中，表现显著优于直接使用 LLM 生成代码的基线（Bare one-shot LLM）。
  • 长程任务优势：在涉及多步骤、长视野的任务中，OmicClaw 通过迭代修复和状态管理，大幅提高了任务完成率和结果的可信度。
• 计算性能：OmicVerse 在 HVG 选择、PCA、UMAP 和 Leiden 聚类等关键步骤上，相比 Scanpy 实现了线性或近线性的扩展，且在 GPU 加速下性能更优，同时保持了与 Scanpy 结果的高度一致性（Jaccard 指数、子空间相似度等指标）。
• 社区采用：OmicVerse 已在 GitHub 获得 800+ Star，PyPI 下载量超 10 万，并被大量高影响力期刊论文引用，证明了其生态系统的成熟度。

5. 意义与展望 (Significance)

• 人机协作的新范式：OmicClaw 证明了将 LLM 置于一个统一、受控且可验证的领域生态系统中，可以显著提升 AI 在科学计算中的实用性和可靠性。它不是试图用 LLM 完全替代生物信息学家，而是作为增强工具，处理繁琐的流程编排。
• 可复现性提升：通过强制性的前置条件检查和完整的执行轨迹记录，OmicClaw 为多组学研究提供了可审计、可复现的分析基础。
• 降低门槛：Web 平台和自然语言接口使得缺乏编程经验的实验生物学家也能进行复杂的百万级数据分析和多组学整合。
• 未来方向：随着生物基础模型和计算基础设施的演进，OmicClaw 有望成为计算生物学中互操作性分析和人机协作的持久基础。

总结：OmicClaw 不仅仅是一个新的分析工具，它是一个可执行的生态系统。它通过 J.A.R.V.I.S. 运行时将大语言模型的推理能力“锚定”在 OmicVerse 的严谨科学逻辑上，成功解决了生物信息学分析中碎片化、不可靠和难复现的长期痛点。