我用AI完成了一篇GEO论文复现，还自动生成了HTML报告

做生信复现最怕什么？

找不到GEO数据、Methods看半天、表达矩阵格式不统一、R包/Python包反复报错、图跑出来但不知道怎么和原文对比……

今天我用DCS Cloud做了一次真实测试：不用自己写脚本，只通过自然语言沟通，就把一篇炎症性肠病相关论文的GEO数据定位、表达矩阵分析、结果对照和HTML报告生成串了起来。

你看看这个过程有多方便。

我的需求 👉

我想要复现论文《Engineered extracellular vesicles reprogram T cells by targeting PD-1 and PHB1 signaling in inflammatory bowel disease》全部公开生信分析内容。

具体如下：

■从原文提取对应GEO数据集编号；

■全程仅依托GEO平台已上传表达矩阵开展分析，无需下载原始测序Raw数据；

■完整复现文中bulk RNA-seq、miRNA-seq、单细胞RNA-seq分析结果；

■将本次复现数据结论与原文研究结论逐项比对校验；

■自动生成可视化可交互HTML分析报告；

■基于全套复现成果，整理适配对外展示、科普传播的微信推文素材。

实战开始 

登录 后进入项目（已有项目或新建一个项目），打开智能分析模块，在交互对话框输入核心需求：

帮我下载 Engineered extracellular vesicles reprogram T cells by targeting PD-1 and PHB1 signaling in inflammatory bowel disease 的GEO数据，并且严格按照文章的method和原文内容，复现文章的生信分析内容。

随后再次又补充了一句：

不需要下载raw数据，直接用表达数据来进行。

Genpilot会根据这两句需求开始拆解任务，不需要我自己去NCBI页面一个个找编号，也不用手动整理每个GSE对应什么分析。

几秒后，Genpilot没有直接开始下载数据，而是先把任务拆成几个清晰步骤。

Genpilot规划任务中

更值得一提的是，原本常常堆在最后的“交付物总览”，也被分散到每个步骤里：每一步都能看到它解决的问题、生成的文件/图片。

具体步骤

01读取论文信息，定位Methods、Data availability和GEO编号

这一步先从论文题目和全文信息入手，定位数据可用性声明，以及Methods中涉及RNA-seq、miRNA-seq和single-cell RNA-seq的段落，并提取文章中出现的GEO编号。

这样可以避免一上来就盲目下载数据，也能先判断每个数据集对应哪一类分析。

步骤1工作界面-01

步骤1工作界面-02

02识别哪些数据是本文生成的，哪些是外部引用数据

识别到GSE编号后，继续区分“本文生成数据”和“原文引用数据”。

例如本案例中，GSE302696、GSE302709、GSE302712对应文章自己的测序数据，而GSE3365是用于PD-1表达验证的外部IBD PBMC数据。

这个区分决定了后续分析时哪些结果属于原文主数据，哪些结果属于外部验证。

GSE302696：单细胞分析

GSE302709：bulk RNA-seq分析

GSE302712：miRNA-seq分析

GSE3365：PDCD1表达验证

03根据用户要求，只围绕表达矩阵和processed data组织分析

我明确说：不需要下载Raw数据，直接用表达数据来进行。

因此流程不再围绕Raw reads重新比对，而是把重点放在GEO已经提供的表达矩阵、计数矩阵和10x矩阵上。这样能更快进入差异分析、单细胞聚类和原文结果对照。

04分别处理bulk RNA-seq、miRNA-seq和single-cell RNA-seq数据

不同数据类型不能混在一起处理。

bulk RNA-seq用于比较处理组和对照组的基因表达差异；

miRNA-seq用于观察miRNA表达谱变化；single-cell RNA-seq用于查看CD4+ T细胞状态、聚类结构和marker表达。

每一类数据都有独立的输入、质控、统计和可视化步骤。

05按照原文阈值和方法复现核心差异分析与可视化

在bulk RNA-seq中，按照原文思路使用edgeR，并采用|log2FC| ≥ 0.58、FDR < 0.05作为显著差异筛选阈值；同时生成PCA图、火山图、热图等结果。

单细胞部分则生成UMAP、聚类图和marker dotplot，用于观察细胞状态结构。

结论示例1：

Crohn’s disease患者中的PDCD1表达显著升高，Ulcerative colitis中有升高趋势但不显著，与原文描述一致。

GSE3365中PDCD1表达比较图

结论示例2：

按原文阈值得到显著差异基因3,778个，PCA和火山图显示处理组与对照组存在明显转录组差异。

GSE302709 CD4 bulk RNA-seq PCA图

GSE302709 CD4 bulk RNA-seq 火山图

结论示例3：

单细胞分析得到26,114个细胞、36,353个基因和15个Leiden cluster，并可视化FOXP3、CTLA4、IL2RA、PDCD1、TBX21、IFNG、RORC、IL7R、CCR7等关键marker。

GSE302696 single-cell UMAP图

GSE302696 single-cell marker dotplot图

06把复现结果与原文结论逐项比较

这一步不是简单地说“复现成功”，而是把原文结论拆开判断：哪些能被公开表达数据支持，哪些只能部分支持，哪些因为缺少原文参数或对象不能直接验证。这样得到的报告更适合科研复盘，也能避免过度解读。

步骤6工作界面

07生成Markdown报告和HTML报告

最后把分析过程、结果表格、图件、限制说明和原文对照整理成报告。

Markdown：适合继续编辑

HTML：适合直接浏览和展示。

整个过程从“分析”延伸到“交付”，减少了后期手动整理成本。

步骤7工作界面

它不是简单堆命令，而是先判断任务边界，再拆解数据类型，并明确哪些能复现、哪些需要谨慎解释；同时，每个分析步骤都能对应到具体结果图或交付物。

效率与效果验证？👉

经过实测，Ai确实展现了强大的能力，主要体现在以下三点：

只用说需求

“只要表达数据”、“与原文结果进行比较，生成HTML报告”、“根据刚才的过程生成微信推文”，后续流程就会继续理解上下文，并把结果一步步推进下去。

不会“凑”结果

这在科研复现里特别重要。

比如GO/GSEA和miRNA靶基因网络那块，原文要是没写清楚数据库版本或参数，报告就会直接告诉我“这里没法严格复现”，而不是瞎编一个漂亮结论糊弄过去。

靠谱的AI流程，不光要快，还得知道什么时候该停。

一站式“出”报告

换作自己手动翻论文、找GEO、整表达矩阵、跑差异分析、画图、写报告，怎么也得耗上几天，现在这几步全被串成了一条看得见的工作流，来回聊几句，报告就拿到了。

适合哪些场景（如果你也有以下类似需求） 👉

■想快速复现一篇GEO文章

■想检查一篇文章的公开数据是否支持原文结论

■想做bulk RNA-seq差异分析

■想做miRNA-seq分析

■想做单细胞RNA-seq公开数据再分析

■想自动生成HTML科研报告

■想把分析结果整理成组会材料或推文

感兴趣可以试试，平台也有新人权益，直接口述需求就能出分析结果，能减少不少工作量。使用遇到问题，欢迎 CSDN 站内私信沟通。