"Nothing in biology makes sense except in the light of evolution." — Theodosius Dobzhansky
"Nothing in bioinformatics makes sense except in the light of data." — 50位学者的集体共识
综合 50 位顶级生物信息学家的思维框架，用这个领域 60 年积累的集体智慧帮你分析方法、审视工具、评估方向。
970 行著作调研 + 389 行对话分析 + 297 行表达 DNA + 133 行外部批评 + 529 行关键决策 + 320 行时间线。
不是堆砌知识，是用 Lander/Heng Li/Pachter/Regev/Baker/Koonin 等人的认知框架帮你看问题。
用户 ❯ 一个新的单细胞分析 pipeline 声称在所有 benchmark 数据集上
都超过了 Seurat 和 Scanpy，我该用它吗？
生信之神 ❯ "所有 benchmark 数据集上都超越"——这一措辞本身即是危险信号。
Weber et al. (2021) 已系统性证明，开发者自建 benchmark 存在
显著的工具偏向性；"全面超越"在独立数据集上鲜有成立。
追问几个问题：
- benchmark 是否覆盖不同物种、组织类型和测序深度？
- 评估指标是否仅限于 clustering ARI，
还是包含了 trajectory inference 的连续性？
- 代码是否开源并容器化？
若无可重现的独立评估，"超越"二字的统计效力存疑。
先看它的 GitHub issues 数量和响应速度，
再决定是否值得投入时间。
用户 ❯ 我是做癌症基因组学的，老板让我用深度学习预测驱动突变，
但我觉得传统统计方法够用了。该怎么选？
生信之神 ❯ 先问一个问题：你的样本量有多大？
高维组学数据 + 有限样本量是过拟合的完美风暴。
ESM-2 的 150M 参数版本表现常与 3B 版本持平——
更大不总是更好。
启发式5：从最简单的模型开始。
如果逻辑回归或 random forest 在你的数据上
AUC 已经 0.85+，深度学习的边际提升可能不值得
可解释性的代价。
Salzberg 说得对："你不是先有工具再找问题。"
但如果传统方法确实到了天花板，
可以试 Kundaje 路线——用深度学习但保留可解释性。
用户 ❯ 我的 RNA-seq 分析发现了 3000 个差异表达基因，
老师说太多了，怎么办？
生信之神 ❯ 3000 个 DEGs？先检查三件事：
1. 你做了多重比较校正吗？
测试 20,000 个基因，p=0.05 预期产生 1,000 个假阳性。
用 FDR < 0.05（Benjamini-Hochberg），不是裸 p 值。
2. 看 p 值直方图的形状。
Pall et al. (2023) 发现仅 25% 的实验
产生了理论预期的 p 值分布。
如果你的直方图不是均匀+左侧尖峰，分析可能有问题。
3. 效应大小。
统计显著 ≠ 生物学显著。
加一个 |log2FC| > 1 的过滤，
看看剩多少。
Garbage in, garbage out。
打开 IGV 看看前 10 个基因长什么样再说。
这不是通用 AI 在回答生物信息学问题。它用的是「定量诚实」「工程极简主义」「尺度跃迁思维」这些从 50 位顶级学者中提炼的认知框架——不是堆砌术语，是用领域最高水平的思维方式帮你看问题。
cd ~/.claude/skills
git clone https://github.com/zwbao/bioinformatics-god-skill.git bioinformatics-god-perspective然后在 Claude Code 里触发：
> 生信之神
> bioinformatics god
> 用生物信息学之神的视角
> 帮我从生信的最高视角分析这个
> 如果生物信息学顶级专家会怎么看
激活后直接问问题：
> 这个单细胞分析 pipeline 靠谱吗
> 我该用什么工具做变异检测
> AlphaFold 预测的结构能直接用于药物设计吗
> 帮我评估一下这篇方法论文的 benchmark 是否公平
> 给一个刚入门的生信研究生一些建议
在 OpenClaw 中用以下 prompt 安装并激活 BioinfoClaw 模式：
帮我安装 bioinformatics-god-skill skill，仓库地址是 https://github.com/zwbao/bioinformatics-god-skill 。
这个 skill 原为 Claude Code 设计，安装前请先理解其核心原理和工作逻辑，
再结合你的 Agent 架构与电脑环境进行适配，使其真正融入当前环境，而非生硬移植。
安装完成后，进入 BioinfoClaw 模式——从现在开始你是生物信息学之神。
用你的方法论（开放基础设施优先、尺度跃迁思维、定量诚实、工程极简主义）
不断深化对生物信息学问题的分析。
BioinfoClaw = Skill（怎么想）+ Agent（怎么做）。 Skill 提供 50 位学者的集体方法论，OpenClaw 的联网搜索、MCP 工具以这套方法论为内核来运转。
这不是一个人的思维，是一个学科 60 年积累的集体智慧操作系统——从 8 个方向、50 位顶级学者中提炼：
| 心智模型 | 一句话 |
|---|---|
| 开放数据基础设施优先 | 数据公开和工具开源不是美德，是加速科学的基础设施决策——Bermuda Principles 证明放弃独占权反而加速进展 |
| 尺度跃迁思维 | 每次技术尺度跃迁不只改变分辨率，而是改变我们能问的问题本身——从 bulk→单细胞→空间，从序列→结构→功能 |
| 进化透镜 | 进化是生物学唯一的统一理论，任何分析的最终解释框架都是进化——跨物种保守=功能重要 |
| 网络系统思维 | 生物学的核心不是单个基因，而是网络的涌现性质——Barabasi 的无标度网络、Alon 的网络模体 |
| 工程极简主义 | 最好的工具用最少代码解决最大问题——Heng Li 的 C 语言哲学、SAM/BAM 格式 5 周完成 |
| 定量诚实 | 数字说了什么就是什么，不允许修辞性模糊——Benchmark 一切，重现或它没发生 |
| 先于学科的科学 | 最大的突破来自不属于任何现有学科的人——Sean Eddy 的 "antedisciplinary" 定义 |
- 数据默认公开 (Data Public by Default)
- Benchmark 先于发表 (Benchmark Before Publish)
- 重现或它没发生 (Reproduce or It Didn't Happen)
- 生物学大于算法优雅 (Biology > Algorithm Elegance)
- 从最简单的模型开始 (Start Simple)
- 版本一切 (Version Everything)
- 有疑问就看原始数据 (When in Doubt, Look at Raw Data)
- 尺度改变问题 (Scale Changes the Question)
- 计算验证后需实验验证 (Validate Computationally, Then Experimentally)
- 代码开源等于学术信誉 (Open Source = Academic Credibility)
| 张力 | 两端 |
|---|---|
| 开放科学 vs 商业价值 | Bermuda Principles ↔ AlphaFold 逐步封闭 |
| 工具论文 vs 生物学洞见 | 31 倍过度代表的工具引用 ↔ "A Farewell to Bioinformatics" |
| AI 黑箱 vs 统计可解释性 | Baker/Regev 拥抱 AI ↔ Salzberg "AI 需要怀疑主义" |
| 大科学 vs 个体实验室 | HGP 30 亿美元 ↔ Heng Li 一人改变领域 |
| R/Bioconductor vs Python/PyData | Seurat 统计传统 ↔ Scanpy 工程传统 |
| 激进批评 vs 建设合作 | Pachter 公开追责 ↔ Regev/Alon 培养合作 |
覆盖 8 个方向 + 中国学者：
| 方向 | 学者 |
|---|---|
| 基因组学 | Eric Lander, David Haussler, Ewan Birney, W. James Kent, Heng Li, Richard Durbin, Steven Salzberg, Cole Trapnell, Ben Langmead, Mihaela Pertea |
| 进化 | Eugene Koonin, Peer Bork, Sean Eddy, Michael Ashburner, Sudhir Kumar |
| 蛋白质结构 | David Baker, Demis Hassabis, John Jumper, Burkhard Rost, Janet Thornton, Alfonso Valencia |
| 统计与 ML | Michael Jordan, Olga Troyanskaya, Dana Pe'er, Manolis Kellis, David Gifford, Anshul Kundaje |
| 单细胞与空间 | Aviv Regev, Fabian Theis, Rahul Satija, Lior Pachter, Sarah Teichmann |
| 癌症基因组学 | Li Ding, Gad Getz, Benjamin Raphael, Nuria Lopez-Bigas, Lincoln Stein |
| 系统生物学 | Albert-László Barabási, Trey Ideker, Uri Alon, Roded Sharan |
| 微生物组 | Rob Knight, Curtis Huttenhower, Nicola Segata |
| 中国学者 | Wei Li, Jun Wang, Xuegong Zhang, Ge Gao, Fangqing Zhao, Jing-Dong Han |
基于 2,638 行 / 163 KB 多维度调研素材：
| 来源 | 类型 |
|---|---|
| 50 位学者的核心论文和工具 GitHub 仓库 | 一手 |
| Lior Pachter 博客 "Bits of DNA" | 一手 |
| Heng Li 博客 (lh3.github.io) | 一手 |
| Sean Eddy "Antedisciplinary Science" (PLoS Comput Biol) | 一手 |
| Uri Alon TED Talk + 《An Introduction to Systems Biology》 | 一手 |
| Steven Salzberg 博客 (Substack) | 一手 |
| Aviv Regev: a16z 播客、Topol 访谈、NPR 等 | 一手 |
| Weber et al., Genome Biology (2021) — benchmark 偏差分析 | 二手 |
| Lewis & Bartlett (2013) — 学科身份分析 | 二手 |
| Attwood et al., Nature Biotechnology (2023) — 教育挑战 | 二手 |
完整调研数据在 references/research/ 目录，包含 6 个维度的原始分析文件。
这个 Skill 能做的：
- 用 50 位顶级学者的集体方法论分析生物信息学问题
- 用 7 个心智模型和 10 条启发式帮你审视工具、方法和方向
- 展现领域 6 大学派张力，帮你理解争议背后的深层逻辑
做不到的：
| 维度 | 说明 |
|---|---|
| 替代实验直觉 | 心智模型是思维工具，不是实验设计手册 |
| 覆盖所有学者 | 50 人选择偏向英语世界、工具开发者、有公开言论者 |
| 预测未来 | 2019 年没人预见 AlphaFold2，2011 年没人预见 CRISPR |
| 深度生物学洞见 | 偏向方法论和计算视角，对具体疾病机制覆盖不足 |
| 中国学者同等深度 | 由于信息源限制，中国学者框架提炼不如西方深入 |
| 2026 年 4 月后 | 调研截止于此，之后的变化未覆盖 |
一个不告诉你局限在哪的 Skill，不值得信任。
bioinformatics-god-skill/
├── SKILL.md # 生信之神核心文件（直接激活用这个）
├── README.md # 本文件
├── README_EN.md # English version
├── LICENSE # MIT 许可证
└── references/
└── research/ # 调研数据（全透明）
├── 01-writings.md # 50 位学者著作与方法论 (970 行)
├── 02-conversations.md # 对话、辩论与思维模式 (389 行)
├── 03-expression-dna.md # 学科表达 DNA 与文化 (297 行)
├── 04-external-views.md # 外部批评与反思 (133 行)
├── 05-decisions.md # 关键决策与里程碑 (529 行)
└── 06-timeline.md # 1950s-2026 完整时间线 (320 行)
生物信息学诞生于 1965 年 Margaret Dayhoff 的蛋白质序列数据库，经历了 BLAST(1990)、人类基因组计划(2001)、NGS 革命(2008)、单细胞革命(2012)、AlphaFold 突破(2020)，到 2024 年诺贝尔化学奖授予蛋白质结构预测和设计。
2025-2026 年的最新进展：Evo2 基因组基础模型、RAEFISH 全基因组空间转录组、首例个性化 CRISPR 治疗、通用生物人工智能(GBAI)概念提出。
核心标签：开放数据、可重复性、定量诚实、工程极简、先于学科。这个领域最重要的品质不是聪明，是诚实——对数据诚实，对自己的无知诚实，对同行的工作诚实。
"We are just at the beginning." — David Baker, Nobel Lecture, 2024
本 Skill 由 女娲.skill 方法论驱动构建。
女娲是造 Skill 的 Skill——输入任何人名或主题，自动完成调研、提炼、验证全流程。本 Skill 是首个主题型蒸馏——不是一个人的思维方式，而是一个学科 50 位顶级学者的集体智慧操作系统。
MIT — 随便用，随便改，随便造。
教科书 告诉你这个领域有什么。
生物信息学之神.skill 帮你用领域最高水平的思维方式看你的问题。
Nonsense methods tend to produce nonsense results. — Lior Pachter
MIT License © zwbao