- 11 次围观
组学研究日益依赖于漫长且多向的工作流程，使得可审计性与单个分析工具本身同样重要。现有由大语言模型驱动的生物信息学智能体能够自动化完成其中部分工作，但鲜有系统经过结论层面可复现性且执行过程可追踪的验证。MetaClaw 将分析拆分为确定性的上游工具流 FlowHub 和可定制的下游技能容器 OpenClaw，并通过一个 YAML 管线注册表将二者耦合。针对每项任务的归档包保存 FlowHub 规范、技能脚本、固定版本的 Dockerfile、参数及输出，而下游容器在无网络访问的环境中运行。 我们在来自四项已发表研究的下采样队列上对 MetaClaw 进行了基准测试，总计包含 94 个样本。尽管下采样可能限制了对低流行度标志物的敏感性，MetaClaw 仍恢复了 2/4 的高粱标志物、3/3 的 RRMS 特征、3/5 的 CRC 标志物以及 5/5 的多年冻土标志物组。在 45 次“模型—提示词”运行中，所有后端均完成了上游处理，而下游结果的有效性则取决于模型及指令细节；三个经诱饵测试的端点未显示显著差异。在 35 次消融实验中，移除注册表、参考脚本、规划循环或清单都会导致不同类型的性能损失。相较于移除注册表的情况，完整脚手架使时间降低了 32%、工具调用次数减少了 37%、token 成本下降了 47%。因此，MetaClaw 在一个可审计的智能体框架中实现了模块化架构、安全且可重复运行的溯源、生物学结论复现、扰动鲁棒性以及可测量的资源效率之间的联结。
组学研究日益依赖冗长且多向的工作流程，这使得可审计性与单个分析工具本身同等重要。现有由大语言模型驱动的生物信息学智能体已能自动化完成其中部分工作，但很少有系统经过结论层面复现且执行过程可追溯的测试。MetaClaw 将分析拆分为确定性的上游工具流程 FlowHub 和可定制的下游技能容器 OpenClaw，并通过一个 YAML 流水线注册表将二者耦合。针对每项作业生成的归档包保存了 FlowHub 规范、技能脚本、固定版本的 Dockerfile、参数和输出，同时下游容器在无网络访问的环境中运行。
我们在来自四项已发表研究的降采样队列上对 MetaClaw 进行了基准测试，总计包含 94 个样本。尽管降采样可能限制了对低流行率标志物的敏感性，MetaClaw 仍成功复现了 2/4 个高粱标志物、3/3 个 RRMS 特征、3/5 个 CRC 标志物以及 5/5 组永久冻土标志物。 在 45 次“模型—提示词”运行中，所有后端均完成了上游处理，而下游结果的有效性则取决于模型类型及指令细节；三个经诱饵测试的端点未显示出显著差异。在 35 次消融实验中，移除注册表、参考脚本、规划循环或清单均导致了不同类型的性能损失。相较于移除注册表的情形，完整脚手架使时间减少了 32%，工具调用次数减少了 37%，token 成本降低了 47%。因此，MetaClaw 在一个可审计的智能体框架中，将模块化架构、安全且可重复运行的溯源机制、生物学复现能力、扰动鲁棒性以及可量化的资源效率联系在一起。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.21.739769v1?rss=1
🏷️ 宏基因组学 多组学分析 智能体框架 可审计性 可复现性 生物信息学工作流