Self-contained, run-out-of-the-box R & Python modules for everyday bioinformatics. Each module ships a tiny example dataset, runs from a single command, and renders journal-style vector figures. Copy any one of them and its
READMEtells you exactly what data to feed in, what analysis it does, and what figures come out.开箱即跑的 R / Python 生信分析模块库。 每个模块自带小型示例数据,一条命令即可运行, 输出顶刊风格矢量图。复制走任意一个,看它的
README就知道:喂什么数据、做什么分析、出什么图。
What you get · How a module works · Quick start · Status legend · ★ New in 2026 · ★ Source-grounded batch · Example figures · All categories · Framework · Reproducibility · License
EN — A practical toolbox for dry-lab bioinformatics: 196 modules across 10 domains and 53 subcategories (single-cell, spatial, Mendelian randomization, WGCNA, ML signatures, docking/MD, enrichment, and more). Most run turnkey on bundled or synthetic example data with no edits; the rest keep their real script + dependency notes for a server/GPU. A shared plotting framework gives every figure the same journal-ready look, and a static linter + quality checklist keep pipelines reproducible.
中文 — 一套实用的干实验生信工具箱:横跨 10 个域、53 个子类(单细胞、空间转录组、虚拟扰动、因果推断与遗传、机器学习、 Bulk 组学、临床转化、结构与药物设计、网络药理、可视化)共 196 个模块。大多数开箱即跑 (自带或合成的示例数据,无需改动);少数需要服务器/GPU 的也保留了真实脚本与依赖说明。 共享绘图框架让所有图保持统一的顶刊审美,静态检查器 + 质量清单保证管道可复现。
Design principles · 设计原则
- Reuse, never from scratch · 复用而非从头写 — start from a real module or a real published tool; never hand-write analysis from memory (that invites hallucinated APIs). 从既有模块或真实已发表工具起手,绝不凭记忆手写分析(那会产生臆造的 API)。
- Honest baselines built in · 内置诚实基线 — every deep-learning / complex model module ships a simple baseline (PCA / linear / LASSO / permutation null), because in 2026 these often don't beat the baseline — the module reports both so you can judge. 每个深度学习/复杂模型模块都配一个简单基线(PCA / 线性 / LASSO / 置换 null);2026 年这些 方法常常打不过基线,模块会把两者都报出来让你判断。
- No plain bar charts · 不用平凡条形图 — top journals rarely use them; modules default to lollipop / dot / dumbbell / violin / raincloud / heatmap / network. 顶刊很少用条形图,模块默认改用棒棒糖图 / 点图 / 哑铃图 / 小提琴 / 云雨图 / 热图 / 网络图。
- Reproducible · 可复现 — fixed seeds, relative paths only, vector PDF + 300 dpi PNG, environment snapshots, CI lint gate. 固定随机种子、仅用相对路径、矢量 PDF + 300dpi PNG、 环境快照、CI 检查门。
Every module is a self-contained folder. 每个模块都是一个自带一切的文件夹:
<category>/<NNN_module>/
├── <NNN_module>.R | .py # main script · 主脚本 (runs on example_data/ by default)
├── README.md # input spec, method, outputs · 输入规格 / 方法 / 输出图
├── example_data/ # small synthetic input · 小型合成输入(可直接跑通)
└── assets/ # committed preview figures · 提交进库的预览图
EN — Run it as-is to render the bundled example; point --input / --outdir at your
own data to reuse it. Open the module's README.md to see the exact input format, the
method (and its honest baseline), and every output figure with a preview. Run-time
outputs (results/) are git-ignored.
中文 — 直接运行就出示例图;用 --input / --outdir 指向你自己的数据即可复用。打开
模块的 README.md 就能看到:确切的输入格式、方法(及其诚实基线)、每一张输出图的预览。
运行时产物(results/)默认被 git 忽略。
git clone https://github.com/fsy2004/bioinfo-reusable-code.git
cd bioinfo-reusable-code/modules
# run a module on its bundled example data · 用自带示例数据运行
Rscript 06_bulk_omics/01_differential_expression/010_geo_deg_volcano_heatmap_pca/010_*.R
python 02_spatial_transcriptomics/02_domains_svg_stats/543_squidpy_spatial_statistics/543_*.py
# run on your own data · 换成你自己的数据
Rscript 06_bulk_omics/01_differential_expression/010_geo_deg_volcano_heatmap_pca/010_*.R \
--input your_matrix.csv --outdir results/run1Tested with R 4.4 and Python 3.12. 已在 R 4.4 / Python 3.12 下测试。
Per-module dependencies are listed in each module's README.md.
每个模块的依赖见其 README.md。
| Mark | Meaning · 含义 |
|---|---|
| ✅ | Turnkey — runs locally on bundled/synthetic data, no edits · 开箱即跑,无需改动 |
| 🟡 | Honest baseline / core runs locally; full method needs the package on a server · 本地跑诚实基线/核心,完整方法需服务器装包 |
| 🔴 | Heavy / GPU / external toolchain (GROMACS, deep-learning FMs) — reference wrapper · 重型/GPU/外部工具链,参考封装 |
| 📄 | Template — bring your own data + install · 模板,自备数据与安装 |
| 📦 | Vendored third-party package · 内置的第三方包源码 |
Full per-module index (purpose, input→output, deps, figure types) + a figure-type → module
reverse index live in modules/CATALOG.md.
逐模块完整索引(用途、输入→输出、依赖、图类型)与**「图类型→模块」反查表**见
modules/CATALOG.md。
EN — 30 modules wrapping 2026-H1 new methods across seven analysis lines. Each is
grounded in the real published package, run-verified on synthetic data, and ships an
honest simple-baseline comparison (FMs/complex models often don't beat PCA/linear/LASSO
— the module reports the baseline). Format: NNN package — what it does (its niche) ·
output figures · status.
中文 — 30 个模块封装 2026 年上半年的新方法,覆盖七条分析线。每个都接地于真实已发表的
软件包、在合成数据上跑通验证,并内置诚实基线对照(基础模型/复杂模型常打不过 PCA/线性/LASSO,
模块会把基线一并报出)。格式:编号 包名 — 做什么 (工具侧重点) · 输出图 · 状态。
557sccomp— Bayesian beta-binomial differential composition test （侧重组成性、防比例假阳） · boxplot+lines · lollipop · raincloud · ✅559muscat— multi-sample pseudobulk differential state （样本级聚合,2026 金标准,防伪重复) · MDS · pathway-volcano · heatmap · lollipop · ✅558miloR— KNN-neighbourhood differential abundance, no clusters （连续状态、邻域级 DA) · beeswarm · network · volcano · 🟡560copyKAT— scRNA copy-number / aneuploidy calling （inferCNV 已弃用后的替代) · CNV heatmap · UMAP · lollipop · ✅532SCpubr— one-call publication-grade single-cell figures （统一顶刊审美、色盲友好) · UMAP · dot · alluvial · ✅
541BANKSY— spatial domain segmentation （自表达+邻域+方位梯度,非DL可解释) · domain map · ARI vs baseline · UMAP · ✅542nnSVG— spatially variable genes (nearest-neighbour GP) （区分空间结构 vs 单纯高变) · spatial expr · lollipop · scatter · ✅543squidpy— spatial statistics: Moran / neighbourhood / Ripley （带置换 null 基线) · nhood heatmap · Moran lollipop · co-occurrence · ✅544PASTE— multi-slice alignment by optimal transport （切片配准、3D 堆叠) · before/after scatter · overlay · ✅545SPOTlight— spot deconvolution + scatterpie （带已知比例 RMSE 校验) · spatial scatterpie · heatmap · scatter · ✅531LIANA+— consensus cell-cell communication （统一多方法、共识更稳) · L-R dotplot · chord · tile · ✅
534MendelianRandomization— MVMR-cML constrained-ML multivariable MR （抗相关+非相关多效性) · forest · dumbbell · heatmap · ✅535MRBEE— bias-correcting cis / MVMR estimator （校正测量误差偏倚) · lollipop · forest · scatter · ✅533MRcare— winner's-curse-free robust MR （内生化选择偏倚) · lollipop · forest · scatter · 🟡536MR-link-2— single-region cis-MR, pleiotropy-robust （单关联区域、控假阳) · forest · LD heatmap · scatter · 🟡537SharePro— effect-group colocalization （多因果变异共定位) · locuscompare · dot · heatmap · 📦
538NetRep— cross-dataset module preservation permutation test （模块可重复性、外部验证) · Zsummary scatter · lollipop · null density · ✅539SmCCNet— phenotype-driven multi-omics sparse-CCA network （性状特异跨组学子网) · network · adjacency heatmap · lollipop · ✅540CWGCNA— causal-direction module↔trait mediation （回应「共表达=相关≠因果」) · forest · network · lollipop · 🟡
554RobustRankAggreg— consensus feature selection by robust rank aggregation （稳定性>单方法) · lollipop · rank heatmap · UpSet · ✅550TabPFN— tabular foundation model classifier （小样本能打过 GBDT 的 2026 硬证据;折内防泄漏) · ROC+PR · calibration · lollipop · ✅551aorsf— accelerated oblique random survival forest （比标准 RSF 更准、对照 Cox) · time-AUC · importance lollipop · KM · ✅552survex/SurvSHAP(t)— time-dependent survival explanation （特征贡献随时间变化) · SurvSHAP curve · importance · BD · ✅553riskRegression— calibration + decision curve + time-AUC （Stop-Chasing-C-index:补校准与临床获益) · calibration · DCA · time-AUC · ✅555MAPIE/crepes— conformal prediction UQ （给签名预测统计有效的覆盖保证) · calibration scatter · set-size violin · coverage · dumbbell · ✅
547ProLIF— protein-ligand interaction fingerprint （逐帧占据率、客观非主观挑残基) · barcode · interaction heatmap · lollipop · ✅548bio3d— MD DCCM / PCA / RMSF ensemble analysis （集体运动与柔性区) · DCCM heatmap · PCA scatter · RMSF lollipop · ✅556PoseBusters— docking-pose physical validity gate （>50% DL pose 物理无效→守门) · tick heatmap · per-check lollipop · dumbbell · ✅
546enrichplot— dotplot / cnetplot / emapplot / treeplot （代替富集条形图;cnetplot 已迁 ggtangle) · dot · gene-concept network · module map · tree · ✅549GOplot— chord / circle enrichment figures （基因-通路多对多关系) · GOChord · GOCircle · GOHeat · ✅
Background, dated sources, and "does it beat PCA/linear?" notes for these 2026 tools are compiled in the companion knowledge base (
bioinfo-DL-library/analysis-tools-2026/). 这些 2026 工具的背景、发表年月与「打不打得过基线」的提醒,汇编在配套知识库bioinfo-DL-library/analysis-tools-2026/。
EN — 36 modules wrapping 2025-2026 methods from Cell, Nature Methods, Nature Biotechnology, Genome Biology and Nature Communications. What is different about this batch is how it was built: each upstream repository was fetched locally, and every call a module makes is traced to a file and symbol in that source — not to the upstream README. A second agent then independently re-checked all 674 of those traces.
That pass caught two fabrications a README read would never surface: 582 had the D-SPIN
hyperparameters as lam_l1_j / lam_l1_interaction (the real names are lambda_l1_j,
dspin/dspin.py:251, and lambda_l1_interaction, :493), and 586 claimed a return
annotation on upstream's Custom.__call__ that the source does not carry — while labelling
it "read from source". It also fixed non-API defects: a crash on the counts-only path in
562, a summary field in 563 asserting a geometry reference the code never uses, and
several README claims about upstream (pretraining scale, whether a repo ships tutorials,
where weights live) that the source contradicts.
All 31 PMIDs were verified against PubMed. Where no peer-reviewed paper could be found, the module says so instead of inventing one. Every module ships a baseline that runs on already-installed packages, so a result never depends on the heavy upstream install.
中文 — 36 个模块封装 2025–2026 的新方法。这批的不同之处在怎么建的:36 个上游仓库 全部拉到本地,模块里每一个上游调用都要能指到源码的文件与符号(不是 README), 再由另一个 agent 独立复核这 674 条溯源。
复核抓到两处读 README 绝不可能发现的编造:582 把 D-SPIN 超参写成 lam_l1_j /
lam_l1_interaction(真名是 lambda_l1_j,dspin/dspin.py:251;lambda_l1_interaction,:493),
586 给上游 Custom.__call__ 编了个源码里没有的返回注解、还标注"读自源码"。
同时改掉了非 API 的真问题:562 在 counts-only 路径直接崩溃、563 的 summary 里写了一条
代码从未使用的几何参照断言,以及若干与源码矛盾的 README 陈述(预训练规模、仓库有没有
tutorials、权重放在哪)。
31 个 PMID 全部对 PubMed 核实过;查不到经同行评审论文的,模块里如实写明,不编。 每个模块都带一条用本机已有依赖就能跑的基线,出结果不依赖上游重型安装。
562mixhvg— 混合多种 HVG 打分方法(按秩取max)选高变基因,自带 Seurat vst 基线 + ground-truth recall / ARI / silhouette 评测 · 🟡563CONCORD— 多批次单细胞整合模块:3 个本机可跑基线(PCA/批次中心化/ComBat+PCA)+ 守卫式 CONCORD 接口,用「批次混合熵 / 生物保真(kNN纯度+ARI/NMI) · 🟡564scExtract— 多批次 scRNA 整合评测:以「批次混合熵 × 细胞类型 kNN 保真度 × 稀有类型保真度」双轴对比未校正 PCA / ComBat(/Harmony),并守卫式封装 sc · 🟡565scMultiBench— 把 scMultiBench 的 scIB 评测层封装成模块:给任意整合 embedding 打生物保留/批次校正/综合分,强制与朴素 PCA 基线对比,出热图+权衡散点+lo · 🟡566Φ-Space— PhiSpace 连续表型软注释：把 query 细胞投影到参考类型张成的表型空间，给出每细胞×每类型的连续得分而非硬标签 · 🟡567GLIMES— 多供体单细胞原始 UMI 计数上的 Poisson-GLMM(供体随机截距)差异表达,与朴素细胞级 t 检验、pseudobulk 两条基线同台对比,量化供体伪重复造成的一类错 · 🟡568scPRINT— scPRINT 单细胞基础模型三任务(GRN 推断 / 去噪 / 细胞嵌入与标签预测)的本机可跑朴素基线 + 守卫式官方 API 封装,评估口径逐条对齐上游源码 · 🟡569Nicheformer— Nicheformer(单细胞+空间联合预训练基础模型)守卫式封装 + 本机可跑的线性对照基线:比较 intrinsic 表达 PCA 与 niche-aware(⊕空间 kN · ✅570EpiAgent— scATAC 细胞×cCRE 矩阵 → TF-IDF+SVD(LSI) 基线做嵌入/聚类/细胞类型预测/填补/批次混合评估,并守卫式封装 EpiAgent 基础模型路径(仅环境 · 🟡571CAPTAIN— 配对 CITE-seq「RNA→表面蛋白」填补基准台：matched-gene 与 PCA+Ridge 两条防泄漏基线 + CAPTAIN 本体守卫式探测（含 Drive 占位 · 🟡572CellVQ— 离散「细胞词表」(VQ codebook)单细胞表征模块：PCA+k-means 码本基线量化离散化的信息损失/码本坍缩/重构 R²，并对官方 CellVQ 提供逐符号核实过的 · 🟡
573proseg— 成像空间转录组转录本点云的细胞分割:自带「最近核外扩」可跑基线(半径扫描 + recall/precision/ambient-leak/ARI 评分),Proseg 本体为 · 🟡574STAIR— 多切片空间转录组整合模块：本机可跑的三级整合阶梯基线（PCA / ComBat+PCA / 空间平滑+ComBat+PCA，scIB 式双轴评分），外加签名逐行核对自上游源码的 · 🟡575SCALE— 空间组学多尺度空间域识别:空间平滑×Leiden分辨率网格上的跨种子稳定性搜索(朴素基线)+ SCALE 上游守卫式封装,含无空间信息对照 · 🟡576CellNEST— 空间转录组细胞通讯:空间受限 LR 共表达乘积基线(本机 CPU 即跑)+ CellNEST(GATv2 图注意力)守卫式封装,输出与 CellNEST 官方 9 列 sche · 🟡577SPIDER— 在相邻 spot 之间构建 interface(容量约束 Delaunay 图),对配体-受体对做 interface 层面 Moran's I 置换检验找空间可变互作(SVI · 🟡578SpatialEx— 用 H&E 形态学做锚,把一张切片测到的组学 panel 跨切片翻译到另一张切片(SpatialEx/SpatialEx+ 的 panel 对角整合),自带 Ridge+空间平 · 🟡579SIMO— — 把无空间坐标的单细胞多组学(scRNA + 非转录组模态)通过最优传输概率性映射到空间转录组切片 · 🟡580Novae— 多切片空间转录组的空间域/niche 划分与跨切片可迁移性评估 · 🟡
561RegVelo— GRN 约束的 RNA 速率 + 逐 TF in-silico 调控子敲除,经 CellRank 命运概率重分配打分筛查转录因子 · ✅581veloAgent— 空间信息驱动的 RNA velocity 与 in-silico 敲除:scVelo + 空间 kNN 平滑基线 + veloAgent 守卫式封装,出速度场 quiver / · 🟡582D-SPIN— 从多重扰动 scRNA-seq 反推程序级 Ising 自旋网络(共享耦合矩阵 J + 每扰动场向量 h),自带混池相关 / 朴素平均场两条带真值评分的基线,D-SPIN 正式 · 🟡583KEGNI— 知识图增强 GRN 推断:5 种本机可跑基线(Pearson/Spearman/PCA 嵌入点积/纯知识先验/知识-表达秩融合)按 BEELINE 口径出 EPR/AUPRC/ · 🟡584CellPolaris— 在已有 GRN 上建高斯概率图模型做 TF 虚拟敲除(ΔX),并用 ΔX 与真实相邻状态表达差的余弦相似度沿分化轨迹排主控 TF · 🟡585IGNITE— 用非对称动力学 Ising 模型的反问题（IGNITE，PLoS Comput Biol 2026）从未扰动的伪时序单细胞数据反推有向有符号 GRN 并模拟基因敲除，自带 3 · ✅586PSGRN— 从带干预标签的单细胞扰动矩阵(CRISPRi/Perturb-seq 风格,含 non-targeting 对照)推断有向基因调控网络 · 🟡587RegFormer— RegFormer GRN 重建评测台：把上游「基因嵌入→余弦相似度 TF 有向图→谱聚类模块」下游链路本地复刻，用共表达/PCA 朴素嵌入作必跑基线，可插入任意外部 gene · 🟡588scCausalVI— 案例-对照单细胞扰动响应的因果解耦模块：默认跑可复现线性基线（条件中心化 PCA 背景表示 + 全局/细胞类型特异 Δ 反事实 + kNN 响应细胞打分），scCausalVI · 🟡589scDrugLink— 按 scDrugLink 上游源码复刻的单细胞药物重定位打分:Drug2Cell 靶点臂(促进/抑制)× 扰动签名臂(敏感/耐药)在细胞类型层面 exp(weight) 相乘串 · 🟡590scPerturBench— 把自己的单细胞扰动预测按 scPerturBench (Nat Methods 2026) 的同一套指标打分，并强制与上游口径的朴素基线 (controlBaseline / · 🟡591scArchon— Leave-one-batch-out benchmarking harness for single-cell perturbation response predictio · 🟡
592TWiST— 拟时序(细胞状态)分辨的 TWAS:用 B-spline eQTL 权重矩阵沿拟时序逐点做 FUSION 式 burden 检验,与静态 TWAS 同框对照 · 🟡593CASE— 多细胞类型 eQTL 联合精细定位:区分跨细胞类型共享效应与细胞类型特异效应,内置「完全特异」「完全共享」两条纯 base R 极端基线 + 守卫式 CASE 上游调用 · 🟡594ColocBoost— 同一基因座多性状(GWAS+eQTL/sQTL/pQTL)共定位:真包 coloc::coloc.abf 两两基线 + 守卫式 colocboost 多性状联合封装,出 dot · 🟡595MR-EILLS— 不变性(EILLS)稳健 MR：整合多个异质 GWAS summary 数据集，对含水平多效性的无效工具做筛选并给出单/多暴露因果估计，与 MVMR-IVW / MR-Egge · 🟡
596SCORCH2— SCORCH2 双视图共识 ML 重打分的守卫式封装 + 本机可跑的虚拟筛选富集评测骨架(EF1%/EF5%/BEDROC/AUROC,按靶点分层、GroupKFold 防泄漏 · 🟡
逐模块完整索引(用途、输入→输出、依赖、图型、状态)见
modules/CATALOG.md;方法类的评测与批评(基础模型打不打得过 PCA、silhouette 在整合基准中的缺陷、扰动预测泛化性)见modules/_framework/BENCHMARKS_AND_CRITIQUES.md。
Rendered directly from bundled/synthetic example data · 直接由自带/合成示例数据渲染:
| DE volcano · 差异火山 | scRNA UMAP · 单细胞 | MR scatter · 孟德尔随机化 |
|---|---|---|
 |
 |
 |
| Spatial domains · 空间域 (BANKSY) | Composition · 组成 (sccomp) | Enrichment network · 富集网络 (cnetplot) |
|---|---|---|
 |
 |
 |
| Spatial niche · 空间邻域 (squidpy) | Diagnostic ROC · 诊断 (TabPFN) | Decision curve · 决策曲线 (riskRegression) |
|---|---|---|
 |
 |
 |
EN — Organised as domain → subcategory, so "which analysis am I doing" maps to one
folder. Ten domains, forty-nine subcategories. Full per-module index (purpose, input→output,
deps, figure types) in modules/CATALOG.md.
中文 — 按 域 → 子类 两级组织,让「我要做哪类分析」直接对应到一个文件夹。
共 10 个域、49 个子类。逐模块完整索引见 modules/CATALOG.md。
| 域 | Domain · 域 | 子类 · Subcategories |
|---|---|---|
| 01 | Single-cell · 单细胞分析 | 上游与质控 · 整合与批次校正 · 注释与分型 · 组成/丰度差异 · 差异表达 · 轨迹与 RNA 速率 · 拷贝数与克隆 · 活性打分 · 单细胞↔bulk 表型 · 基础模型 |
| 02 | Spatial · 空间转录组 | 上游与细胞分割 · 空间域/SVG/空间统计 · 解卷积与映射 · 切片配准与 3D · 细胞通讯 · 空间多组学 · 空间基础模型 |
| 03 | Virtual perturbation · 虚拟扰动 | 虚拟敲除 · 基因调控网络推断 · 因果与反事实 · 药物扰动 · 扰动预测基准 |
| 04 | Causal genetics · 因果推断与遗传 | 工具变量准备 · 两样本 MR · cis-MR 与药靶 · 中介与 MVMR · 共定位 · TWAS/sc-eQTL · 稳健 MR 估计量 |
| 05 | Machine learning · 机器学习 | 特征筛选 · 分类模型 · 生存 ML · 可解释性 · 不确定性量化 · 泛化与外部验证 |
| 06 | Bulk omics · Bulk 组学 | 差异表达 · 富集 · 共表达网络(WGCNA 家族) · 多组学整合与分型 · 突变/甲基化/蛋白/代谢 |
| 07 | Clinical · 临床与转化 | 诊断模型 · 预后与生存 · 免疫浸润与解卷积 · 药物警戒 · 疾病负担与人群队列 |
| 08 | Structure & drugs · 结构与药物设计 | 分子对接 · 分子动力学 · 虚拟筛选与打分 |
| 09 | Network pharmacology · 网络药理 | 靶点数据库提取 · 靶点交集 · 成药性评分 |
| 10 | Visualization · 可视化 | 高级图型 · 模板与外部资源 |
Foundation-model, MD and TWAS/FUSION subcategories need heavy/GPU toolchains; their scripts
- dependency notes are kept for reference. Modules marked 🟡 run a real baseline/core
locally and need the full package on a server — see
modules/_framework/SERVER_DEPENDENCIES.md. 基础模型、分子动力学、TWAS/FUSION 等子类需要重型/GPU 工具链;🟡 模块本地跑真实基线/核心, 完整方法需服务器装包,详见SERVER_DEPENDENCIES.md。
Shared by all modules so figures and I/O stay consistent · 所有模块共用,保证图与 I/O 一致:
theme_pub.R/pubstyle.py— Nature-aligned theme; journal palettes (NPG / AAAS / Lancet + colour-blind-safe Okabe-Ito), viridis for continuous, RdBu for diverging;save_fig()exports vector PDF + 300 dpi PNG. 顶刊主题与配色,一次导出矢量 PDF + 300dpi PNG。CONVENTIONS.md— module layout, turnkey rules, figure rules · 模块结构、开箱即跑、绘图规范。ANALYSIS_TEMPLATE/— scaffold for a new multi-step project (central config, seed, checkpointed steps, env snapshot; R + Python) · 新项目脚手架。QUALITY_CHECKLIST.md— pre/in/post-analysis checklist · 分析前/中/后质量清单。qc_lint.py— static checks for hard-coded paths, missing seeds, non-vector exports, missing env snapshots; also a CI gate · 静态检查 + CI 门。TOOL_SELECTION_GUIDE.md— pick the right module/tool for a task · 任务→模块/工具选择指南。BENCHMARKS_AND_CRITIQUES.md— the yardsticks: top-journal papers that benchmark or criticise whole method classes (single-cell foundation models vs PCA, silhouette's flaws in integration benchmarking, perturbation-prediction generalization). Read before writing "our new method is better". 尺子与警告:专门评测/批评某类方法的顶刊论文,写「更好」之前先过一遍。gen_catalog.py— regeneratesCATALOG.md+ each domain'sREADME.mdfrom the folder tree, so the index never drifts from what is on disk · 从目录树重新生成索引,避免索引与实际脱节。
- Modules run on bundled example data with no edits; use
--input/--outdirto switch. 模块用自带示例数据零改动即跑;用--input/--outdir切换。 - No absolute paths or
setwd(); figures exported as vector PDF + 300 dpi PNG. 不用绝对路径或setwd();图导出为矢量 PDF + 300dpi PNG。 - Fixed seeds; honest baselines reported alongside complex models; figure text in English, code comments bilingual. 固定随机种子;复杂模型旁报诚实基线;图中文字英文、代码注释中文。
- Reuse the framework instead of re-implementing themes or I/O. 复用框架而非重写主题与 I/O。
Each module follows the license of the tools and methods it uses. Vendored third-party code
keeps its original license — see the relevant module README and upstream repository.
每个模块遵循其所用工具与方法的许可。内置的第三方代码保留其原始许可,详见对应模块 README
与上游仓库。