Tian Lejin's Site

引言LangChain 和 LangGraph 是目前最流行的 AI Agent 开发框架。LangChain 提供了丰富的工具抽象和 LLM 接口，而 LangGraph 则提供了强大的状态图和工作流控制能力。 本文将基于真实的急诊科分诊智能体项目，介绍如何结合 LangChain 和 LangGraph 构建生产级智能体。 Lang 生态核心概念LangChain vs LangGraph在 Lang 生态中，LangChain 和 LangGraph 各有侧重： LangChain： 提供工具抽象（BaseTool）和 LLM 接口 适合简单的链式调用和 ReAct Agent 基于 Prompt 模板控制流程 快速原型开发 LangGraph： 提供状态图（StateGraph）和工作流控制 适合复杂的多步骤、多分支流程 显式的流程控制和状态管理 更好的可调试性和可观测性 最佳实践：结合使用 使用 LangChain 定义工具（BaseTool）和 LLM 接口 使用 LangGraph 构建状态图和工作流 Agent 的核心要素一个完整的生产级 Agent...

个人推荐指数：⭐️⭐️ BiCLUM 简介BiCLUM（Bilateral Contrastive Learning for Unpaired Single-Cell Multi-Omics Integration）是一种基于双边对比学习的单细胞多组学数据整合方法，专门用于整合未配对的单细胞 RNA-seq 和 ATAC-seq 数据。该方法由西安交通大学李丽敏团队开发，发表于 bioRxiv（2025年3月）。 BiCLUM 的核心能力包括： 未配对数据整合：无需配对的多组学数据，可直接整合来自不同实验的 RNA-seq 和 ATAC-seq 数据 双边对比学习：同时在细胞层面和特征层面进行对比学习，增强跨模态对齐 批次效应校正：有效消除批次效应，同时保持生物学异质性 联合嵌入空间：将不同模态的数据映射到统一的低维嵌入空间 BiCLUM 的主要应用场景： 整合来自不同实验的单细胞 RNA-seq 和 ATAC-seq 数据 跨模态细胞类型识别和注释 发现跨模态的生物学关系和调控网络 批次效应校正和数据标准化 模型架构BiCLUM 采用基于自编码器的架构，结合对比学...

个人推荐指数：⭐️⭐️⭐️ 论文简介这是一篇发表在 Nature Methods（2025年12月）的综述性文章，系统性地回顾了 Transformer 模型在多尺度基因组学中的应用和发展。文章由沙特阿拉伯阿卜杜拉国王科技大学（KAUST）的 Jesper Tegner 团队撰写，全面梳理了从单模态到多模态 Transformer 模型的演进历程，并提出了构建”超级 Transformer”（Super Transformer）的愿景。 文章的核心贡献包括： 系统性分类：将基因组学中的 Transformer 模型分为三个层级（单模态、增强单模态、多模态） 技术综述：详细介绍了 Transformer 在基因组序列、单细胞组学和空间转录组学中的应用 实践指导：提供了四个基于公开数据集的代码教程，涵盖多组学、基因组序列、单细胞和空间转录组分析 未来展望：提出了构建模块化”超级 Transformer”的架构设想，用于整合异质性模态数据 这篇综述不仅是对当前 Transformer 在基因组学应用的全面总结，更为未来的多模态基础模型发展提供了清晰的路线图。 Transfor...

个人推荐指数：⭐️⭐️⭐️⭐️⭐️ EpiFoundation 简介EpiFoundation 是首个专门为单细胞 ATAC-seq（scATAC-seq）数据设计的基础模型，通过创新的峰-基因对齐（peak-to-gene alignment）预训练策略，学习细胞的表观基因组表示。该模型由加州大学圣克鲁兹分校（UC Santa Cruz）、杜克大学（Duke University）和哥伦比亚大学（Columbia University）的研究团队开发，发表于 bioRxiv（2025年9月）。 EpiFoundation 的核心能力包括： 高效处理高维稀疏的 scATAC-seq 数据：仅处理非零峰集合，提高数据密度 跨模态预训练：利用配对的基因表达数据监督峰-基因关联学习 多任务支持：细胞类型注释、批次校正、基因表达预测等下游任务 最先进性能：在多个组织和任务上超越现有方法 scATAC-seq 技术通过测量单细胞水平的染色质可及性，能够识别活跃的调控元件（如启动子、增强子、转录因子结合位点），为理解基因调控和表观基因组异质性提供了前所未有的分辨率。然而，scATAC...

个人推荐指数：⭐️⭐️⭐️⭐️ scPairing 简介scPairing 是一个基于变分自编码器（VAE）的单细胞多组学数据整合与生成框架，能够将不同模态的单细胞数据（如 RNA、ATAC、蛋白质）整合到共同的嵌入空间，并通过”桥接整合”（bridge integration）方法生成高质量的人工多组学数据。该工具由加拿大不列颠哥伦比亚大学（University of British Columbia）的 Jeffrey Niu 和 Jiarui Ding 开发，发表于 Cell Reports Methods（2025年11月）。 scPairing 的核心能力包括： 跨模态数据整合：将 RNA-seq、ATAC-seq、蛋白质等不同模态的单细胞数据整合到统一的嵌入空间 人工多组学数据生成：通过桥接整合方法，从单模态数据生成高质量的配对多组学数据 三模态扩展：支持同时整合三种模态（RNA + ATAC + 蛋白质）的数据 生物学结构保持：生成的数据能够保持粗粒度和细粒度的生物学结构 scPairing 的主要应用场景： 利用少量配对的多组学数据作为”桥接”，将大量单...

引言我经常需要在SLURM集群上启动一个交互式会话，完整命令如下： 1srun --partition=a100 --nodes=1 --cpus-per-task=4 --mem=64G --nodelist=a100node1 --time=0 --pty /bin/bash 这个命令太长了，每次输入都很麻烦。我希望创建一个简短的命令 a1n1 来代替它。 实现方法将自定义命令集中管理，更加规范和易于维护 创建一个自定义脚本的目录 1mkdir -p ~/bash_scripts 创建名为 a1n1 的脚本文件： 1vi ~/bash_scripts/a1n1 在文件中写入以下内容： 12#!/bin/bashsrun --partition=a100 --nodes=1 --cpus-per-task=4 --mem=64G --nodelist=a100node1 --time=0 --pty /bin/bash 第一行 #!/bin/bash 是shebang，指定使用bash解释器执行此脚本。 赋予执行权限 1chmod +x ~/bash_scr...

个人推荐指数：⭐️⭐️⭐️ Chan Zuckerberg Initiative 简介Chan Zuckerberg Initiative（CZI）是由 Facebook 创始人 Mark Zuckerberg 和他的妻子 Priscilla Chan 于 2015 年创立的慈善组织。Priscilla Chan 是一位儿科医生，她对医学和科学的热情深刻影响了 CZI 的发展方向。CZI 的使命是”在我们的有生之年治愈、预防或管理所有疾病”，这一宏大目标推动了该组织在生物医学研究领域的大量投资。 CZI 的科学部门专注于开发开源软件工具和协作平台，以加速全球生物医学研究。其中，单细胞生物学是 CZI 重点支持的领域之一。CZI 认为，理解人体中每种细胞类型的功能是理解健康和疾病的基础。为此，CZI 投入大量资源支持人类细胞图谱（Human Cell Atlas）项目，并开发了一系列工具来帮助研究人员探索和分析单细胞数据。 CZ CELLxGENE 就是 CZI 在单细胞领域最重要的贡献之一。 CZ CELLxGENE 简介CZ CELLxGENE（发音为”cell-by-g...

个人推荐指数：⭐️⭐️⭐️⭐️ OpenProblems 简介OpenProblems 是一个社区驱动的开源基准测试平台，专注于单细胞组学分析方法的评估和比较。该项目由 Helmholtz Munich 和 Yale University 联合领导，获得 Chan Zuckerberg Initiative 的支持，相关论文于 2025 年 7 月发表在 Nature Biotechnology 上。 单细胞基因组学使得以前所未有的规模和分辨率研究生物过程成为可能。这些研究得益于创新的数据生成技术以及专门针对单细胞数据的新兴计算工具。随着单细胞技术的普及，新分析工具的开发也随之增加，截至 2024 年 2 月已有超过 1,700 种已发表的算法。因此，持续评估哪种算法在哪种情境下表现最佳变得越来越重要，以便为不断发展的领域提供最佳实践指导。 在许多定量科学领域，公开竞赛和基准测试通过按照已知标准评估最先进的方法来满足这一需求，遵循”共同任务框架”（common task framework）的概念。OpenProblems 正是这样一个持续更新的、广泛的、社区引导的平台，包含...

在上一篇博客中，我们介绍了 Agent Skills 的概念和原理。本文将聚焦于实战，介绍如何安装 Claude Code、加载和使用 Agent Skills，并以官方的 skill-creator 为例，演示如何创建自定义 Skill。 Claude Code 安装Claude Code 是 Anthropic 推出的命令行工具，可以在终端中直接与 Claude 交互，是使用 Agent Skills 的主要方式之一。 安装 Claude Code 1npm install -g @anthropic-ai/claude-code 修改~/.claude/settings.json文件，使用中转站 12345678910111213141516{ "alwaysThinkingEnabled": true, "env": { "ANTHROPIC_AUTH_TOKEN": "sk-bHWPKD8Ns5", "ANTHROPIC_BASE_URL&...

K-Dense AIK-Dense AI 是一家专注于构建自主 AI 科学家的公司，致力于将 AI 应用于真实的科学研究场景。他们开发了一系列开源工具，特别是围绕 Claude 的 Agent Skills 框架，为生物信息学、化学信息学、数据科学等领域提供强大的 AI 辅助能力。 官网：https://k-dense.ai/ K-Dense 的核心产品K-Dense 的核心产品是 K-Dense Analyst（也叫 K-Dense Web），这是一个多智能体 AI 系统，能够自主完成科学研究任务。它采用双循环多智能体架构（Planning Loop + Implementation Loop），可以进行深度研究、编码执行和专业写作输出。 K-Dense 提供三种使用方式： 方案 价格 特点 Open Source 免费 在本地运行，包含智能助手、专业写作、自主机器学习 K-Dense Web $50 免费额度 托管在云端，包含研究+专业写作、端到端数据分析 K-Dense Enterprise 定制价格 自定义部署、自定义能力和数据连接器 K-Dens...

个人推荐指数：⭐️⭐️ scAgent 简介scAgent 是一个基于大语言模型（LLM）的通用单细胞注释框架，能够实现跨组织的细胞类型注释、发现新型细胞类型，并支持增量学习扩展到新细胞类型。该工具由浙江大学和哈佛大学的研究团队开发，发表于 arXiv（2025年4月）。 scAgent 的核心能力包括： 跨组织细胞类型注释：在 35 种人类组织和 160 多种细胞类型上实现高精度注释 新型细胞发现：能够识别参考数据中未见过的新型细胞类型（如癌细胞） 增量学习：高效学习新细胞类型，仅需少量样本即可扩展模型能力 批次效应校正：在存在批次效应的情况下仍能准确注释 scAgent 由三个核心模块组成： 规划模块（Planning Module）：基于 DeepSeek-R1 671B 大语言模型，接收用户查询和 scRNA-seq 数据，生成详细的执行计划。 动作空间（Action Space）：包含 scRNA 模型（scGPT）、MoE-LoRA 插件、增量训练工具和嵌入分析工具。 记忆模块（Memory Module）：存储数据集、嵌入向量和系统历史记录，支持高效的知识检...

个人推荐指数：⭐️⭐️⭐️⭐️ CellWhisperer 简介CellWhisperer 是一个多模态 AI 模型，它将转录组数据与自然语言相结合，使用户能够通过自然语言对话的方式探索单细胞 RNA 测序（scRNA-seq）数据。该工具发表于 Nature Biotechnology（2025年11月）。 CellWhisperer 的核心功能包括： 自由文本搜索：例如”Show me tissue-resident T cells in the intestine” 回答关于细胞的各种问题：例如”What are these selected cells?”、”Which genes are highly expressed in these cells?” 基于转录组数据和 LLM 的生物学知识生成回答 CellWhisperer 由两个相互关联的 AI 模型组成： CellWhisperer Embedding Model（嵌入模型）：通过多模态对比学习，将 RNA 表达谱与其文本注释整合到一个联合嵌入空间中。训练数据包含超过 100 万个转录组及其自然语言描述...