用Genpilot 复现一篇 Immunity 论文是什么体验？---从原始 RDS 数据到 Figure 1–4 完整复现，全程零代码基础也能上手。

Genpilot 是 DCS Cloud 上的生信 AI 智能体，支持自然语言驱动多组学分析，自动出图并产出可复现结果，降低科研门槛，真正实现Data In , Results Out。

01从原始 RDS 数据到 Figure 1–4 完整复现，全程零代码基础也能上手

去年 Immunity 上发表了一篇 COVID-19 与流感（IAV）单细胞免疫景观比较的论文，里面 Figure 1–4 涵盖了 PBMC 图谱、B 细胞免疫、IFN 反应程序、COVID 与 IAV 分子特征对比等核心分析。如果给你一个 Seurat RDS 文件，让你自己复现这四张图——你要花多久？

我们用Genpilot 试了一下：从原始 RDS 数据 + 论文 PDF，到四张完整拼图跑通、修正、出报告，全程在对话中完成。下面就是这次完整的复现过程记录。

实操步骤：

①上传数据，给 Genpilot 一篇 PDF 和 RDS 文件

用户把 Final_nCoV_0716_upload.RDS 和论文 PDF 上传到云平台，然后直接告诉 Genpilot："请按文章内容复现 Figure 1"。Genpilot 自动读取 RDS 结构、检查细胞类型、样本批次和降维坐标，然后开始写 R 代码——从Seurat 对象中提取细胞类型、画 UMAP、统计细胞数量、做 marker 基因小提琴图。

整个过程不需要用户自己写一行代码，完全由 Genpilot 根据论文 Methods 描述自动生成分析脚本。

②逐图推进，Genpilot 自动写代码跑分析

Figure 1 跑通之后，继续告诉 Genpilot："接着复现 Figure 2、3、4"（ Figure 2、3、4复现指令都一样）。Genpilot 根据论文图注描述，自动读取文章方法部分相关内容，按照每一个 Figure的内容一一去复现出来。比如根据文章内容分析 B 细胞 / 浆细胞比例、做 GO 富集、画转录因子表达的箱线图和点图等分析。每个步骤都会在容器中运行 R 脚本，并且把中间结果实时反馈给用户。

③用户反馈，Genpilot 自动修正

看图后提出了相关修改意见：

• 复现figure1的时候相关结果图没有图的标题和x、y字体显示方块，给Genpilot提出修改意见直接自动进行重新写代码修改可视化结果。

• 复现figure2的时候相关结果图会多一个表征分组进来进行分析，给Genpilot提出修改意见直接自动进行重新写代码修改可视化结果。

每次修改，用户只需要在对话中说清楚问题，Genpilot 就能理解并修改代码、重新运行、重新出图。整个过程就像有一个懂生信的同事在旁边帮你迭代。

④生成报告

全部四张图跑通后，用户提出："帮我整理一份复现过程的报告"。Genpilot 自动把每张图的结果、复现逻辑、合理结论汇总成一份报告里。

图表展示 VS 原文结论

在Genpilot的协助下，和它清楚的交代了数据路径在什么位置以及参考文章methods的分析内容，剩下的流程由Genpilot组织。最终得到与文献结论一致的复现figure图。上为文献原图，下为复现结果:

1.UMAP聚类对比：

（文献原图）

（复现结果）

2.基因表达小提琴图对比：

（文献原图）

（复现结果）

3.每个样本中细胞类型的堆积图对比：

（文献原图）

（复现结果）

4.不同组别相关基因表达箱线图对比：

（文献原图）

（复现结果）

5.相关转录因子表达水平热图对比：

（文献原图）

（复现结果）

02Genpilot 复现的核心生物学发现

复现结果与原文核心结论一致：

1.COVID-19 早期出现强烈的 IFN/ISG 反应（ISG15、IFI44L、MX1、XAF1 上调），随疾病进展部分 IFN 程序下降，同时 T 细胞凋亡（XAF1/TNF/Fas）信号增强。

2.翻译/蛋白合成相关基因程序在 stage2 后升高并保持，与抗体产生时机吻合，对应原文 Cluster 1。

3.COVID-19 与 IAV 在 activated CD4+ T 细胞中呈现明显不同的分子特征——COVID-19 突出 IL6R/IL6ST/STAT1/IRF3 等受体和 IFN 转录响应，IAV 突出 STAT3/REL/NFKB1/RUNX3 等转录因子活化。

4.一句话总结：COVID-19 以 IFN 反应、促炎因子/受体与体液免疫激活为主，伴随 T 细胞凋亡增强；IAV 更偏向转录因子驱动的促炎反应，二者免疫应答策略明显不同。

03Genpilot 在这件事上做对了什么？

1.无需写代码：全程自然语言对话，Genpilot 自动生成 R/Python 脚本并运行。

2.理解论文方法：能根据图注和 Methods 文本自动理解原文关键参数和阈值。

3.脚本完整保留：每次运行生成的R 脚本、日志、结果图都在容器目录中，可随时核查。

4.报告自动生成：能自己写 Markdown 报告，把复现逻辑、结论组织好。

04测评：Genpilot 的实际表现到底怎么样？

经过这次 Immunity 论文 Fig1–Fig4 的完整复现，我们给 Genpilot 的实际表现打了以下几个分：

代码编写能力：★★★★☆

R 代码写得很规范，Seurat、ggplot2、Mfuzz、clusterProfiler 等包的调用方式正确，能自动处理 Seurat 对象的版本兼容问题。偶尔需要调一下配色和图注位置，但整体超出预期。

论文理解能力：★★★★☆

能准确理解图注和图注中的关键参数（如 adjusted p<0.01、FC≥2、Mfuzz 的 c=6 等），也能从正文中提取补充表信息。

反馈修正能力：★★★★★

这是最让人惊喜的部分。用户说图中字体没有显示出来，Genpilot 能理解重新可视化结果图片；多一组表征分析纳入分析的问题可自动重新去除这一组进行分析。不需要用户自己改一行代码，全程对话驱动。

可视化审美：★★★☆☆

图本身的数据呈现是准确的，但配色、字体、面板标签位置等细节需要用户提意见后调整。不过考虑到这是 AI 自动生成的，不是人工精修的，这个水平完全可以接受，而且调整起来也很方便——直接说就行。

效率与成本：★★★★★

四张复现结果图 + 完整报告。如果自己写脚本写报告进程，光调试 FindMarkers等工具参数的流程就要花费不少时间。

05你也可以试试

如果你手里有一篇论文、一个单细胞数据，想快速验证或复现结果，或者你只是想看看某种分析怎么做、用什么参数——把数据和 PDF 上传到 DCS Cloud，打开 Genpilot，直接告诉它你想做什么，剩下的交给它。

不需要是 R 或 Python 高手，不需要记住每个包的参数名，不需要在报错日志里翻半天。像跟一个懂生信的同事聊天一样，说需求、看结果、提修改意见——Genpilot 帮你把代码、图表、报告都搞定。

06总结案例要点，输出实操避坑经验

1.上传数据时建议同时提供论文 PDF，Genpilot 能从中提取图注和 Methods 参数，比纯对话描述更准确。

2.首次出图后建议逐图对照原文检查，Genpilot 的审美和参数默认值需要人工微调，但调整成本很低——直接说就行。

3.脚本和日志都会保留在容器目录中，建议每次跑完都检查一下脚本，有助于理解 Genpilot 的分析逻辑。

4. 总的来说，Genpilot 更适合作为"懂生信的副驾驶"——它能帮你把 80% 的重复性 coding 工作干掉，让研究者可以把精力放在真正需要专业判断的地方。

本文作者：温洋锋---中国科学院大学-深圳华大生命科学研究院联合培养硕士研究生