收益：
- 通过将读取和清理生物数据的代码写入人工智能并使用 Pandas、NumPy 和 Biopython 自行运行，能够信任确定性输出
- 通过使用结果已知的小情况和断言测试来测试代码，能够避免“错误的代码没有错误地工作”的风险。
- 能够通过版本固定、随机播种和原始数据保存习惯建立可重复的分析
现代生物学的语言越来越成为Python。现在，实验室笔记本中的手动处理变成了每秒处理数万行表格的代码行。在本单元中，我们将学习使用 AI 作为协同程序员来打印 Python 代码，以读取、清理和汇总您的生物数据。重要的是把代码写给人工智能，自己运行并验证结果；这是因为它不依赖于模型的口头预测，而是依赖于代码的确定性（在每次运行中提供相同的结果）输出。
您不需要知道如何在本单元中编码；您将学习正确表达意图并提供输出。
为什么选择 Python 以及哪些库？
生物学中最常用的 Python 库（库：现成函数的包）是：
- pandas：读取表格数据（CSV、Excel）并执行行列操作。过滤、分组、合并基因表达表的基本工具。
- NumPy：用于数值数组和矩阵运算；它在 pandas 下运行。
- Biopython：用于处理 DNA/RNA/蛋白质序列、读取 FASTA 文件、翻译（将 DNA 翻译成蛋白质）。
- matplotlib / seaborn：用于绘制绘图。
- SciPy/statsmodels：用于统计测试。
人工智能非常了解这些库。您的工作是清楚地说明您想要使用哪个库做什么，并运行和验证生成的代码。
提示：模型有时可以“虚构”（幻觉）一个不存在的库函数。如果代码出现错误，请不要惊慌；将错误粘贴回模型通常可以修复它。如果还是不行，请查看官方文档。
一步一步：清理计数表
假设您有 counts.csv：行是基因，列是样本，单元格是原始读取计数。典型的第一步：
- 加载：用 pandas 读取表格。
- 发现：检查大小（有多少基因、多少样本）、缺失值、重复基因名称。
- 过滤：丢弃任何样本中未读取的基因（总计数为0）；这些都是噪音。
- Summarize：计算每个样本的reads总数（文库大小）；太低的样本可能会失败。
您可以将此工作流程外包给人工智能，如下所示：
角色：你是一名专注于生物信息学的Python助理。任务：使用 pandas 读取 counts.csv 文件。数据：行是基因（index=gene_id），列是 24 个样本，值是整数原始计数。我想要：（1）打印大小，（2）丢弃从未读取过的基因，（3）在条形图中显示每个样本的总读取数。向每行添加简短的土耳其语注释。只需提供工作代码即可。
生成模型代码；你运行它。如果您在输出中看到 24 列和合理数量的基因（例如 15,000-25,000），那么您就步入正轨了。如果一个样本包含的读数是其他样本的十分之一，请记下该样本。
三个迷你箱子
案例 1 — 缺失值陷阱：一名学生在 30 个样本的代谢组学表中计算平均值；结果是荒谬的。问题：缺失的单元格填充了文本“ND”而不是 NaN（不是数字），因此该列被读取为文本。当我让人工智能说“使 ND 值为 NaN 并将列转换为数字”时，它被修复了。经验教训：始终首先探索原始数据。
案例 2 — 合并错误：一名研究人员合并了两个表（表达和基因注释），但丢失了 2,000 个基因。原因：在一个表中，ID 为“ENSG00000141510”，在另一个表中，ID 为“ENSG00000141510.14”（带有版本号）。 Model 编写了一行代码，清除了版本号；损失减少至 40 个基因。教训：在合并之前对齐 ID 格式。
案例3——无声数据丢失：技术人员没有注意到，经过过滤后，基因数量从22,000个下降到8,000个；阈值设置不正确（总计 >10 个读数，而不是每个样本中的 >10 个读数）。一个已知的基因（看家基因：在每个细胞中不断表达的基因，例如 GAPDH）最终丢失了。教训：检查“必须有”的基因后置过滤器。
用已知情况进行测试（最重要的习惯）
信任人工智能编写的代码的准确性的最可靠方法是使用您事先知道其结果的小样本进行测试。例如，给出一个有 5 行的虚拟表；手动计算总数；看看代码是否给出相同的结果。
在您编写的过滤代码中添加一个测试：生成一个由 5 个基因、3 个样本组成的小 DataFrame，故意将 2 个基因设置为零，使用断言验证过滤器是否准确丢弃这 2 个基因。使测试可执行。
如果代码偏离预期行为，assert 会向您发出警告。这是抵御“无声错误结论”风险的最有力盾牌。
弱提示/强提示
弱：“清理我的图表。”
功能强大：“counts.csv：行基因（gene_id索引），24列样本，值原始整数。执行以下操作：报告缺失值，丢弃所有样本中总和为0的基因，打印每个样本的总读数，比较过滤器之前/之后的基因计数。只需提供工作的、带注释的Python代码。”
区别：强提示指定数据结构、步骤和验证输出（比较之前/之后）。模型不必猜测。
对比图：人工智能还是人工？
交易
打印到人工智能
自己验证一下
CSV读取、格式转换
是的
检查尺寸和类型
过滤、分组
是的
之前/之后计数
统计测试
是（代码）
确认假设并进行测试
“还剩多少行？”
否（让代码算数）
读取输出
结果的生物学意义
部分地
需要专家点评
常见错误
- 根据模型生成的数字：“平均表达是多少？”向代码提出问题，而不是向模型提出问题。
- 不检查数据类型：像文本一样读取的数字列会默默地返回错误的结果。
- 不检查过滤后：验证预期的基因是否仍然存在。
- 忘记随机性的种子：如果在包含随机操作的代码中种子不固定，则结果每次都会改变；重复性受到损害。
- 不阅读代码就运行代码：至少阅读注释并遵循逻辑。
注意：代码有效并不意味着代码是正确的。 “没有错误的错误代码”是生物学中最危险的情况；因为错误的结果是悄然产生的。使用已知条件进行测试可以消除这种风险。
再现性：代码的科学价值
在生物学中，结果的科学价值取决于其他人（以及未来的你）重现它的能力。手动表操作不记录；没有人知道哪个细胞发生变化以及如何发生变化。代码记录了每个步骤。因此，请将您使用人工智能生成的分析视为存储和共享的记录，而不是一次性的盒子。
对于可重复的分析来说，三个习惯非常重要。第一个是版本固定：记下您正在使用哪个库版本（例如 pandas 2.2）；不同的版本可能会产生不同的结果。第二个是随机种子：在包含随机操作的每个代码中修复种子，以便每次运行结果都相同。第三，永远不要更改原始数据：不要触及原始文件，在代码中进行所有转换，以便可以回滚。
添加打印您编写的分析代码开头所使用的库版本的行，如果存在随机过程，请使用 sanp.random.seed(42) 修复种子。根本不要更改原始 CSV，将所有输出保存在单独的文件中。
Jupyter Notebook：分析与叙述的结合
生物信息学中最常用的环境是 Jupyter Notebook（笔记本：将代码、输出和描述组合在同一文档中的工具）。让 AI 根据笔记本单元格生成代码，每一步都用 Markdown 解释分隔，让您和您的同事更容易跟踪分析。这使得分析成为可读的实验室笔记本，而不是“黑匣子”。
识别生物文件格式
当使用Python处理生物数据时，你会经常遇到某些文件格式。在模型能够正确读取文件之前，它必须知道文件的格式；如果格式错误，您就会陷入“没有错误的错误代码”陷阱。最常见的是：
格式
内容
合适的车辆
CSV/TSV
表数据（表达、测量）
熊猫
FASTA (.fa/.fasta)
DNA/RNA/蛋白质序列
生物蟒蛇
FASTQ (.fq)
原始测序读数+质量
Biopython，自定义工具
VCF
变体（突变）列表
熊猫/pysam
GFF/GTF
基因组注释（基因位置）
熊猫、gffutils
如果您无法识别某种格式，请首先让模型通过显示一些示例行来识别它，然后询问读取代码：
我给出了下面文件的前 5 行。这是什么生物文件格式？解释列/字段的含义，然后给出在 Python 中安全读取（格式检查）此文件的代码。前 5 行：[粘贴]
这种方法首先可以防止由于形式假设而产生的无声错误。
综上所述
Python是生物数据的主要处理语言； pandas、NumPy 和 Biopython 是基本工具。 AI 很快就能写出这段代码，但你运行它并验证它。最关键的习惯是用你知道结果的小样本测试代码，并使用断言将期望嵌入到代码中。依靠您运行的代码的确定性输出，而不是口头猜测。
应用任务
打印一段代码，让 AI 读取您拥有的 CSV 表（或示例表），打印其大小，并过滤掉空基因。然后使用 5 行虚拟数据从模型添加断言测试。运行代码；记下过滤器之前和之后的基因数量。检查结果中是否仍然存在管家基因（例如 GAPDH/ACTB）。
清单
- [ ] 在处理数据之前我检查了数据的大小和类型。
- [ ] 我已明确处理缺失值。
- [ ] 我比较了过滤器之前/之后的行数。
- [ ] 我添加了一个具有已知条件的断言测试。
- [ ] 我将计数/计算留给了代码，而不是模型。
- [ ] 我看了代码的注释并遵循了逻辑。