28 KiB
Executable File
PlantAI：面向证据约束与可执行植物生物信息学分析的可扩展多智能体系统
英文工作题目： PlantAI: an extensible multi-agent system for evidence-grounded and executable plant bioinformatics analysis
稿件状态：中文第一稿（Draft v0.1）。凡标有“模拟草稿结果”的数值均为合成数据，仅用于文章结构、图表版式和结果句式演示，不能作为投稿证据。
摘要
植物生物信息学研究通常需要在实验设计、数据预处理、统计分析、候选基因筛选和下游功能解释之间连续切换。现有工作流系统能够提高单一流程的可复现性，但仍要求研究者预先掌握工具、参数、文件依赖和执行环境；大语言模型智能体降低了自然语言交互门槛，却可能产生无法执行、缺少证据或不能追踪的分析建议。本文提出PlantAI，一个面向植物生物信息学分析的证据约束、可执行和可扩展多智能体系统。PlantAI由分析执行层PlantAI-dev和知识证据层PlantAI-RAG组成。PlantAI-dev使用LangGraph组织意图解析、任务规划、预执行检查和阶段执行，通过阶段契约、分析范围身份和Manifest将智能体决策绑定到真实文件与命令；其内置能力覆盖基因家族分析和RNA测序分析，并通过轻量Extension loop将已有可运行代码转换为可验证的标准阶段。PlantAI-RAG以Graph RAG为主，将文献中的实体—关系—证据记录组织为分层知识图，并支持实体邻域、有限跳路径和带来源的证据检索。我们设计五组验证，分别考察系统级执行闭环、多场景RNA-seq计划、RNA-seq到候选基因家族的连续案例、分级代码转写，以及Graph RAG的检索与引用忠实度。当前实现证据表明，各功能已形成明确的调用路径、输入输出契约和追溯接口；其定量优势仍需以统一基线、真实数据和消融实验完成验证。PlantAI为连接自然语言分析意图、植物生信工具和文献证据提供了一个可审计的系统框架，其适用范围目前限于已实现并经过验证的分析类型。
关键词： 植物生物信息学；多智能体系统；可复现工作流；RNA-seq；基因家族；Graph RAG；代码转写
1 引言
植物基因组学和功能基因组学研究正在同时受到数据规模扩大与分析链条延长的推动。研究者往往不再只运行一个独立工具，而是需要把质量控制、序列比对、统计检验、功能富集、候选基因筛选以及进化和结构分析连接成连续过程。Nextflow和nf-core等工作证明，显式依赖、环境隔离和标准化流程能够显著改善计算分析的可复现性（Di Tommaso et al., 2017；Ewels et al., 2020）。然而，这类系统通常从已经写好的流程定义开始，无法自动解决研究者如何从自然语言问题确定分析路线、如何识别实验设计，以及如何把新出现或项目特异的代码纳入已有流程等问题。
大语言模型智能体为这一缺口提供了新的交互方式。近期系统已尝试在生物医学分析中将语言模型连接到文献检索、数据库和计算工具。例如，BRAD将检索增强生成与生信工具结合，用于生物标志物发现和富集分析（Pickard et al., 2025）；SciToolAgent通过科学工具知识图谱支持多工具选择与执行（Ding et al., 2025）；PhenoAssistant则把自然语言多智能体交互应用到植物表型分析（Chen et al., 2026）。这些进展说明，智能体可以降低复杂工具的使用门槛，但也暴露出科学执行中的共同风险：语言模型给出的“完成”不一定对应真实产物，计划中的输入依赖可能不存在，生成参数可能偏离生物学问题，检索到的知识也可能缺少可核查来源。有关生信智能体的综述同样将生物学依据不足、检索错配、可解释性和可复现性列为关键挑战（Yang et al., 2025）。
植物生物信息学进一步放大了这些问题。一方面，RNA-seq的分析设计依赖样本分组、生物学重复、批次、时间、组织和处理因素；差异表达模型只有在比较关系与设计矩阵可估计时才有意义。DESeq2和edgeR等方法能够对计数数据的离散度和差异进行稳健估计（Love et al., 2014；Robinson et al., 2010），但统计方法本身不能替代对实验设计语义的判断。另一方面，候选基因常需要继续进入基因家族鉴定、系统发育、motif、结构域、基因结构、共线性、启动子、表达和蛋白互作分析。若这些步骤缺少统一身份和产物契约，结果容易在物种、成员集合或分析路线之间发生错配。
本文提出PlantAI，以“自然语言意图能否被可靠地转换为证据约束、可执行且可追踪的植物生信工作流”为中心问题。PlantAI不是将所有功能统称为智能体，而是区分三种工程机制：PlantAI-dev中的LangGraph多智能体编排负责意图解析、计划和执行；轻量Extension loop负责把已有可运行代码迭代转换为标准阶段；PlantAI-RAG中的Graph RAG负责组织和检索带来源的知识证据。本文的主要贡献包括：其一，将智能体计划与阶段契约、分析范围和Manifest绑定，使科学完成状态由可解析产物而非自然语言消息定义；其二，提供从多场景RNA-seq设计到候选基因家族下游分析的连续路径；其三，提出保留原始算法语义的轻量代码转写闭环；其四，将文献实体关系与证据位置组织为可检索的Graph RAG层。本文同时明确限制：Diagnosis Agent不作为贡献，ResultParser和Discovery仅作为深度解读支持，未实际启用的agentic RAG不进入实验结论，重测序—GWAS仅作为后续扩展方向。
2 材料与方法
2.1 PlantAI总体架构
PlantAI由PlantAI-dev和PlantAI-RAG两个相互连接但职责不同的层组成（Figure 1；Table 1）。PlantAI-dev是分析与执行层，接收自然语言问题、样本文件和项目上下文，生成分析计划并调用标准化阶段。PlantAI-RAG是知识与证据层，把文献和方法信息组织成可追踪的实体—关系—证据记录，为方法选择和结果解释提供来源。两层之间通过结构化对象而不是自由文本耦合：执行层可以向证据层提交物种、基因、基因家族、分析阶段或方法问题；证据层返回关系、证据文本、章节、论文标识、置信度和声明范围，执行层再决定这些信息能否进入计划或解读。
系统将功能归属与代码来源分开管理。基因家族执行框架、LangGraph编排和统一阶段后端归入PlantAI-dev；RNA-seq使用其最新的场景化分析实现；Extension采用回退后的轻量闭环实现；当前最新知识证据实现以PlantAI-RAG命名。该处理避免用仓库路径替代系统边界，也使不同模块能够独立演进。
2.2 LangGraph引导的意图—规划—执行链
PlantAI-dev以状态图组织核心流程。Router和Intent组件首先区分知识咨询、分析执行和深度解读等请求，并把分析型请求转交PlanningAgentV2。规划器读取用户目标、已上传文件、已完成阶段、阶段能力和依赖关系，产生有序子计划。Preflight在执行前检查输入文件、样本元数据、物种参数、上游产物和环境要求；ExecutionAgent随后通过阶段注册表调用共享pipeline backend和CLI入口。
本文不以初始化的Agent数量作为系统复杂度指标。核心执行贡献限定为意图解析、规划、预执行检查和执行。ResultParser与Discovery虽连接在部分结果处理路径中，但其可见作用主要集中在深度解读，因此作为可选后处理组件描述。Diagnosis相关代码不纳入本文系统贡献，也不用于性能结论。
2.3 阶段契约、分析范围与Manifest
每个标准阶段由输入要求、参数、输出产物和完成条件共同定义。执行前，系统根据契约确认必需文件及上游依赖；执行后，系统检查最终目录和Manifest中的产物记录。Manifest至少保存阶段标识、运行状态、分析前缀、产物路径和类型、摘要指标及追溯信息。因而，“任务完成”并不由智能体文本决定，而由Manifest状态和可解析产物共同决定。
对于多物种或子家族分析，系统还记录分析范围。范围由目标物种、参考物种、成员集合和分析路线共同确定，并在阶段上下文、计划、执行参数和产物状态之间传播。该设计用于避免把目标物种结果误认为目标—参考联合结果，或把一个成员集合的产物复用于另一个集合。
2.4 内置基因家族分析能力
PlantAI-dev的内置阶段覆盖植物基因家族研究的主要计算环节，包括家族成员鉴定、系统发育、保守motif、Pfam结构域、外显子—内含子结构、启动子和顺式元件、种内与种间共线性、染色体定位、组合图、表达模式、蛋白互作、直系同源和蛋白理化性质等。各阶段通过独立CLI或技能包装执行，并将核心产物写入统一工作区。本文将这些阶段视为一个契约化工具集合，而不是为每个生信工具单独定义一个智能体。
2.5 场景化RNA-seq分析管理
RNA-seq子系统接收标准化样本表、计数矩阵或原始测序数据。样本表描述样本标识、处理组、组织、时间、生物学重复和技术批次等字段。分析管理器首先构建输入包并计算稳定指纹，随后绑定执行语义、可估计性和生物学重复信息，再根据有效因素编译具体场景。支持的分析链包括原始数据质量控制、比对、定量、样本级质量评估、差异表达、GO/KEGG富集、基因集富集、共表达分析和候选家族汇总。
差异表达阶段采用经过验证的计数模型工具；具体模型根据设计和实现配置确定。系统不允许在缺少可估计比较、有效重复或必要背景注释时直接进入统计分析。富集分析在执行前检查gene-to-GO或gene-to-KO背景，或要求用户明确允许本地注释流程。对于需要用户确认的RNA-seq计划，系统把确认令牌与用户、任务、分析包指纹、子计划、计划摘要和版本绑定，并拒绝过期、篡改或跨任务重放。
2.6 RNA-seq到候选基因家族的证据传递
候选家族优先级由多类证据共同构成，而不是只依赖差异表达基因数量。系统可组合差异表达幅度与显著性、功能富集、基因集得分、共表达模块、家族成员覆盖以及后续可分析性等信息，形成候选基因和候选家族列表。候选被用户或规则确认后，其成员集合和来源证据被写入下游分析上下文，再进入鉴定、系统发育、结构和功能分析。该过程的关键不是固定某一种打分公式，而是保存每个候选的证据来源及其对应分析范围。
2.7 轻量Extension loop
Extension用于把用户已经拥有且能够运行的分析代码转换为PlantAI标准阶段，而不是让语言模型发明新的算法。系统首先保存原始代码和测试数据，规范化入口命令并执行原始基线；基线失败时停止转换。基线成功后，转换器生成API规格、输入角色、参数、输出契约和确定性包装命令。转换边界允许修改路径、输入绑定、输出收集和资源参数，但要求保留算法、工具选择、阈值和业务逻辑。
转写后的阶段依次经过试运行、用户确认、独立验证、原始与转写结果比较、模板门控和发布门控。失败信息可以进入受限修复循环，修复后重新执行对应门控。通过门控的阶段被注册为可由自然语言触发的标准阶段。本文采用这一轻量生命周期，不使用后续加入的“权威模式”作为文章方法。
2.8 PlantAI-RAG的证据记录与Graph RAG
PlantAI-RAG从植物基因家族和相关研究文献中抽取实体、关系及其证据。基本记录由source、relation、target、实体类型、证据文本、章节、论文标识、置信度、声明范围和输出层构成。知识图根据证据性质区分主要知识、方法关系、数据集元数据、背景关系和待审候选关系，默认检索不把待审候选混入正式证据。
Graph RAG提供三类接口：实体邻域查询返回与目标实体直接或间接相连的关系；路径查询在限定跳数内寻找两个实体之间的证据链；图问答先识别候选实体并执行全文实体检索，再按关系置信度和输出层优先级组织证据，最后可由语言模型基于检索记录生成回答。返回对象保留证据句、章节和论文标识，使回答能够追溯到原始来源。本文不把未实际进入主路径的Self-RAG或agentic检索写入当前方法。
2.9 实验设计
实验分为五组（Table 2）。实验一验证PlantAI能否从自然语言目标生成合法阶段计划并产生可追踪执行记录。实验二建立包含两组比较、多组比较、时间序列、多因素、技术批次和不可估计设计的RNA-seq场景集，评价设计识别、比较关系、子计划完整性和拒绝正确性。实验三选择一个真实RNA-seq项目，完成从原始数据或计数矩阵到候选家族，再对一个候选家族执行下游分析。实验四用由简单单脚本到多文件外部工具流程构成的分级代码集评价Extension。实验五用人工核对的查询—证据集合比较BM25、向量检索和Graph RAG。
主要指标包括计划阶段精确率和召回率、依赖合法率、执行成功率、Manifest完整率、RNA-seq设计正确率、比较关系正确率、候选证据可追溯率、Extension转写成功率、修复迭代次数、原始—转写输出一致性，以及检索Precision@10、Recall@10、MRR@10、nDCG@10、回答正确性和引用忠实度。每一项比较应使用相同输入、运行环境和评价标准。涉及随机模型调用时，应报告模型版本、温度、提示词版本、重复次数和置信区间。
2.10 模拟草稿数据的生成与标识
为在真实实验完成前检查图表结构，可生成不对应任何真实数据集的合成结果。生成脚本固定随机种子，明确变量范围和相关结构，并在源数据中写入data_status=simulated_draft_only。所有相关图内显示“SIMULATED DATA — DRAFT ONLY”，图注首句重复声明。模拟数值仅用于展示预期统计图和文章句式，不进入摘要中的性能结论，也不用于声称PlantAI优于基线。投稿前，这些面板必须由真实结果替换；若保留为正式模拟实验，则需在方法中完整说明生成机制和研究问题。
3 结果
3.1 PlantAI形成知识证据与契约执行相连接的双层系统
代码与接口审计显示，PlantAI-dev和PlantAI-RAG已形成职责明确的双层结构（Figure 1）。PlantAI-dev的主执行链将路由、意图识别、计划、预执行检查和阶段执行连接到共享分析后端；PlantAI-RAG则通过图接口返回实体、关系和来源证据。内置基因家族与RNA-seq阶段由统一注册表暴露，执行结果以Manifest和产物路径记录。该结构支持一个保守但可验证的系统结论：PlantAI能够把语言模型产生的计划约束到已有阶段及真实执行接口，而不是把自由文本回答直接视为分析结果。
系统审计同时揭示了需要在论文中主动限定的部分。LangGraph定义中存在结果解析、发现和诊断节点，但其独立贡献并未得到同等验证；因此Figure 1只把ResultParser和Discovery标为可选深度解读，将Diagnosis排除在论文贡献之外。Graph RAG与执行层已有接口桥接，但“接口存在”不等于检索能够改善最终生物学结论，后者由Result 5单独评价。
3.2 场景化管理使RNA-seq计划绑定到实验设计
RNA-seq分析管理器能够从样本表和计数矩阵构建稳定分析包，并为场景编译、可估计性、生物学重复和技术批次提供独立检查。与固定的“两组比较模板”相比，这种设计允许系统把不同问题映射为不同设计和子计划，同时在比较不可估计或重复不足时中止执行。Figure 2将分别报告设计识别、比较关系、计划完整性和错误拒绝表现。
模拟草稿结果——不可作为实验证据： 为验证Figure 2版式，拟生成60个合成场景，其中两组、多组、时间序列、多因素、批次混杂和不可估计设计各10个。示例模拟值可设为：完整系统的设计识别正确率91.7%，固定模板基线63.3%；比较关系正确率88.3%与58.3%；不可估计设计拒绝率90.0%与30.0%。这些数值仅用于草稿图和结果句式，真实稿需由人工标注场景集替换。
预期的关键误差不只是“阶段选错”，还包括把技术批次当成生物学因素、忽略交互效应、生成方向相反的比较、在缺少重复时执行差异检验，以及富集背景不匹配。因而，最终评价将同时报告总体正确率和错误类型，而不是只给一个平均分。
3.3 连续分析将转录组证据传递到候选基因家族
端到端案例用于检验PlantAI是否能够保持同一项目、样本设计和候选成员集合的证据连续性（Figure 3；Table 3）。分析从样本质量和差异表达开始，随后利用富集、基因集或共表达证据形成候选家族列表。选定家族后，系统执行家族成员鉴定、系统发育、motif、结构域、基因结构、共线性、表达、PPI或同源分析，并通过Manifest链记录上游证据和下游产物。
模拟草稿结果——不可作为生物学发现： Figure 3草稿可使用一个包含24个样本、4个处理/时间组合的合成表达矩阵。示例版式将显示1,248个差异表达基因、12个候选家族和一个排名第一的示例家族；候选家族分数由差异表达覆盖、富集、共表达和Graph RAG支持四部分构成。所有基因名、通路和效应量均使用虚构标识，不对应真实物种或真实基因。
真实案例完成后，本节只报告由数据直接支持的观察，例如候选家族在特定比较中的表达变化、成员在系统发育亚群中的分布以及结构和表达证据是否一致。PPI、同源或文献关系只作为功能假设支持，不能替代遗传学或湿实验因果验证。
3.4 轻量Extension loop支持分级代码转写
Extension实现已经包含原始基线、转换、试运行、确认、验证、结果比较和发布门控等状态，且转换边界明确要求保留原始算法、工具和阈值（Figure 4）。这使扩展性可以被定义为一个可测试问题：同一输入下，转换阶段是否能够运行、是否生成约定产物，以及其输出是否与原始代码一致，而不是仅检查是否生成了包装脚本。
模拟草稿结果——不可作为转写性能证据： Figure 4草稿拟包含40个合成案例，按单脚本、多参数、多文件、外部工具和复杂流程分层。示例模拟值为总体发布通过率77.5%，中位修复迭代1次；简单层通过率95%，复杂层55%；失败主要来自输入角色误绑定、输出路径错误、参数语义丢失和外部依赖缺失。真实评估需使用实际可运行代码、保留原始输出并执行golden比较。
未来的重测序—GWAS流程可作为复杂度最高的压力测试，但在完成真实转写和验证前，不把它列为PlantAI已经支持的分析能力。
3.5 Graph RAG返回带来源和声明范围的关系证据
当前Graph RAG接口能够查询实体邻域、在限制跳数内搜索路径，并返回source、relation、target、evidence、section、paper_id、confidence、claim_scope和output_layer等字段（Figure 5）。候选审查层默认不进入正式查询，降低了未经确认的关系与主知识混合的风险。图问答可以在语言模型生成回答前保留最多若干条结构化边，使回答过程具备可审计输入。
模拟草稿结果——不可作为检索优势证据： Figure 5草稿拟使用100个合成查询，示例模拟值为Graph RAG的Recall@10为0.78、MRR@10为0.71、引用忠实度为0.89；向量检索对应为0.68、0.62和0.77，BM25为0.55、0.49和0.83。该模拟仅用于展示“图检索可能提高多跳召回，而关键词检索可能保持较高字面引用精度”的图形结构，不能用于真实比较结论。
最终评估将把查询按单实体事实、关系检索、多跳证据、方法选择和边界控制分层，并报告Graph RAG在哪些问题上没有优势。特别需要检查实体别名、物种歧义、错误关系方向、低置信候选混入和证据句与回答不一致等失败模式。
4 讨论
PlantAI的核心推进不在于增加智能体数量，而在于把智能体输出约束到可执行和可核查的科学对象。传统工作流系统擅长在既定流程中管理依赖和环境（Di Tommaso et al., 2017；Ewels et al., 2020），而近期科学智能体强调自然语言交互、工具选择和跨来源信息整合（Chen et al., 2026；Ding et al., 2025；Pickard et al., 2025）。PlantAI位于两者之间：语言模型负责理解和规划，但阶段注册表限定可调用能力，契约限定输入输出，Manifest限定完成状态，Graph RAG限定可引用证据。该分工不能消除模型错误，却使错误更容易在执行前、产物检查或证据审计中被发现。
RNA-seq主线为系统提供了比“运行一个预先指定的基因家族流程”更接近研究实践的入口。研究者通常从处理、组织、发育阶段或表型出发，而不是从一个已经选好的家族出发。场景化设计允许系统在调用DESeq2或edgeR等统计方法前明确比较和可估计性（Love et al., 2014；Robinson et al., 2010），候选家族层再把转录组信号连接到进化和结构分析。需要强调的是，这一链条产生的是候选优先级和可检验假设，而不是基因功能的因果证明。
Extension与Graph RAG分别解决能力边界和知识边界。轻量Extension loop使系统不必把所有分析永久写入核心代码，但其可信性依赖原始基线和结果一致性；因此本文把它定义为“已有代码的受约束转写”，而不是自动软件开发。Graph RAG则能保留关系、证据位置和声明范围，适合回答需要实体关联和多跳证据的问题；但知识图质量受文献解析、实体规范化和关系抽取影响。即使图检索得分提高，也不能据此推断生成回答必然正确。
本研究仍有五方面限制。第一，当前部分证据来自代码与接口审计，尚不足以证明真实任务上的性能优势。第二，多场景RNA-seq需要覆盖更多物种、实验设计和低质量元数据，才能验证其泛化性。第三，端到端生物学案例若只有一个候选家族，不能代表所有基因家族和物种。第四，Extension评估必须控制原始代码质量，否则转写失败可能来自输入程序本身。第五，Graph RAG需要人工核对的查询集和引用忠实度标注；知识图规模、关系类型和文献覆盖也会限制结论。外部语言模型和数据库版本还可能影响可复现性，因而正式实验必须保存模型、提示词、索引和环境版本。
PlantAI的后续扩展方向是把轻量Extension应用到重测序、变异检测和GWAS等更长的流程，并检验跨分析类型的身份和产物契约是否仍然成立。这一方向与当前题目中的“plant bioinformatics analysis”一致，但不应在本稿中提前写成已验证结果。更现实的近期目标是完成真实RNA-seq闭环、分级Extension基准和Graph RAG对照实验，并公开可复现包。
5 结论
本文提出PlantAI，一个由PlantAI-dev执行层和PlantAI-RAG证据层组成的可扩展多智能体系统。PlantAI通过LangGraph组织意图、计划和执行，通过阶段契约、分析范围与Manifest把智能体决策绑定到真实分析，通过轻量Extension loop扩展已有代码，并通过Graph RAG返回可追踪的文献关系证据。当前实现支持对系统结构和功能路径的确定描述，但其定量优势和跨任务泛化仍需真实实验验证。因而，PlantAI目前最合适的定位是一个面向植物生信工作流的证据约束执行框架，而不是自主完成所有植物组学研究的通用智能体。
数据可用性
正式稿需列出所有公共RNA-seq或基因组数据的数据库、项目号和版本。图表源数据将与稿件一并提供。模拟草稿数据与真实实验数据应分目录保存，并在文件级元数据中标记数据状态。
代码可用性
正式稿需提供PlantAI-dev、PlantAI-RAG、实验配置、容器或环境文件、提示词版本、绘图脚本和复现说明。若代码在审稿阶段为匿名仓库，应在接收后替换为永久地址和版本标签。
作者贡献
[待作者填写CRediT贡献：Conceptualization；Methodology；Software；Validation；Formal analysis；Data curation；Visualization；Writing—original draft；Writing—review and editing；Supervision；Funding acquisition。]
利益冲突
作者声明是否存在利益冲突。[待作者确认。]
参考文献（第一批，按AIIA作者—年份体例排序，后续扩充）
Chen, F., et al., 2026. A conversational multi-agent AI system for automated plant phenotyping. Nature Communications. https://doi.org/10.1038/s41467-026-71090-y
Di Tommaso, P., et al., 2017. Nextflow enables reproducible computational workflows. Nature Biotechnology 35, 316–319. https://doi.org/10.1038/nbt.3820
Ding, K., et al., 2025. SciToolAgent: a knowledge-graph-driven scientific agent for multitool integration. Nature Computational Science 5, 962–972. https://doi.org/10.1038/s43588-025-00849-y
Ewels, P.A., et al., 2020. The nf-core framework for community-curated bioinformatics pipelines. Nature Biotechnology 38, 276–278. https://doi.org/10.1038/s41587-020-0439-x
Love, M.I., Huber, W., Anders, S., 2014. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biology 15. https://doi.org/10.1186/s13059-014-0550-8
Pickard, J., et al., 2025. Automatic biomarker discovery and enrichment with BRAD. Bioinformatics 41. https://doi.org/10.1093/bioinformatics/btaf159
Robinson, M.D., McCarthy, D.J., Smyth, G.K., 2010. edgeR: a Bioconductor package for differential expression analysis of digital gene expression data. Bioinformatics 26, 139–140. https://doi.org/10.1093/bioinformatics/btp616
Yang, T., et al., 2025. The rise and potential opportunities of large language model agents in bioinformatics and biomedicine. Briefings in Bioinformatics 26. https://doi.org/10.1093/bib/bbaf601
Figure legends
Figure 1｜PlantAI双层架构与可执行闭环。 a，PlantAI-dev与PlantAI-RAG的功能分层及数据交换；b，LangGraph核心意图—规划—执行路径；c，内置基因家族、RNA-seq和轻量Extension能力；d，阶段契约、执行、Manifest和产物验证；e，分析结果、深度解读和证据追溯输出。该图依据实现结构绘制，不包含模拟性能数据。
Figure 2｜多场景RNA-seq计划生成与执行准备度。 SIMULATED DATA — DRAFT ONLY：本图定量结果均为模拟草稿数据。 a，样本元数据到场景编译；b，不同实验设计及其比较关系；c–e，设计识别、子计划完整性和错误类型；投稿前需以人工标注场景集替换。
Figure 3｜RNA-seq到候选基因家族的连续分析。 SIMULATED DATA — DRAFT ONLY：本图生物学数值与标识均为模拟草稿数据，不代表真实发现。 a，实验设计和样本质量；b，差异表达；c，功能与基因集证据；d，候选家族排序；e–f，候选家族的进化、结构、表达和互作证据；g，Manifest追溯链。
Figure 4｜轻量Extension loop及分级代码转写评价。 SIMULATED DATA — DRAFT ONLY：本图定量结果均为模拟草稿数据。 a，从原始基线到发布阶段的生命周期；b，代码复杂度分层；c–f，发布通过、修复迭代、输出一致性和失败类型；真实评估需执行原始与转写代码的golden比较。
Figure 5｜Graph RAG证据检索和可追踪回答。 SIMULATED DATA — DRAFT ONLY：本图定量结果均为模拟草稿数据，不能用于支持检索优势结论。 a，SRT证据记录；b，分层知识图；c，实体邻域和有限跳路径示例；d–f，检索指标、引用忠实度和失败类型。