摘要

生物信息学工具是生命科学研究从数据到知识转化的核心驱动力。随着高通量测序技术的持续革新和多组学数据的爆炸式增长，生物信息学工具的数量和复杂度已达到前所未有的水平。截至2026年初，该领域呈现出三大核心趋势：工具生态的系统性整合——ELIXIR Tools Platform等基础设施通过bio.tools、BioContainers和WorkflowHub等组件，建立了从工具发现到可重复执行的完整生态链；分析范式的空间化转向——空间转录组学领域已涌现594个分析工具，覆盖77种实验技术，SpatialToolDB等平台的建立标志着该领域从“技术驱动”迈入“平台化工具选择”阶段；人工智能的深度嵌入——从ToolsGenie 2.0等多智能体系统的自动化分析到KBase平台对AI驱动发现的底层支持，AI正从“辅助工具”演变为“分析协作者”。本综述以生物信息学工具的演化脉络为线索，系统梳理序列分析、宏基因组学、空间转录组学三大核心领域的工具生态与分析方法，探讨平台化基础设施的构建逻辑，展望AI智能体与多组学整合的未来方向。

1 引言：工具驱动的生物学革命

现代生物学的核心悖论在于：数据生成速度远超知识转化效率。一台高通量测序仪可在数日内产出数TB的原始数据，而从中提取生物学洞见往往需要数月乃至数年的分析工作。这一鸿沟的桥梁正是生物信息学工具——从序列比对到变异解读，从基因注释到通路富集，从差异表达到空间映射，每一环节都依赖特定算法的支撑。

生物信息学工具的发展史堪称计算生物学演进的缩影。20世纪90年代，BLAST和FASTA等启发式比对算法开创了序列数据库搜索的时代。21世纪初，隐马尔可夫模型和位置特异性打分矩阵的引入使蛋白质家族注释进入统计建模阶段。过去十年，深度学习——尤其是AlphaFold2在蛋白质结构预测上的突破性成就——将AI推至生物信息学的舞台中央。而当前，我们正见证生成式AI和多智能体系统对这一领域的再塑造。

这一演进的驱动力来自两个方向：一是实验技术的革新——单细胞测序、空间转录组学、长读长测序等技术的成熟不断创造新的数据分析需求；二是计算能力的跃升——云计算的普及使大规模并行分析成为可能，而GPU/TPU算力的提升让深度学习方法得以落地。

然而，工具数量的爆炸式增长也带来了新的挑战。据ELIXIR Tools Platform统计，bio.tools注册的生物信息学工具已超过数万个。面对琳琅满目的选项，研究者面临的选择困难与日俱增——是采用熟悉的老工具，还是尝试性能可能更优的新方法？这一问题在空间转录组学领域尤为突出，594个分析工具对应77种实验技术，如何根据实验平台和分析目标选择最优工具组合，已成为独立的研究课题。

本综述旨在为这一困境提供系统性的导航。我们以分析任务为导向，梳理主流工具的分类体系、适用场景和局限性，并聚焦于三项核心议题：序列分析架构的演变（从启发式到深度生成模型）、宏基因组学管线的模块化设计（从QC到功能注释的端到端流程），以及空间转录组学分析的平台化趋势（从技术选择到工具选择的系统性框架）。最后，我们展望AI智能体系统如何进一步自动化生物信息学分析，降低非专业用户的使用门槛。

2 序列分析工具：从启发式到深度生成模型

蛋白质和核酸序列分析是生物信息学最古老也最活跃的领域。该领域的工具演化呈现清晰的技术代际——从基于启发式算法的快速比对，到基于隐马尔可夫模型的家族注释，再到当前深度生成模型主导的结构预测与从头设计。

2.1 经典比对工具：BLAST与HMMER的持续生命力

BLAST（Basic Local Alignment Search Tool）是序列分析领域当之无愧的“常青树”。自1990年发布以来，BLAST经历了持续优化，最新版本BLAST+ v2.16.0在敏感性和速度之间保持着良好的平衡。其核心思想——通过短字串匹配（seeding）后延伸（extension）的启发式策略——至今仍被许多现代工具沿用。BLAST的优势在于速度和对噪声的容忍度，适用于大规模数据库搜索；局限在于对远缘同源序列的敏感性不足。

HMMER采用隐马尔可夫模型进行序列比对，在敏感性上显著优于BLAST，尤其适用于识别同源性微弱的远缘蛋白家族。该工具与Pfam等蛋白质家族数据库的深度集成，使其成为功能注释管线的核心组件。然而，HMMER的计算成本远高于BLAST，这一短板在一定程度上限制了其在超大规模数据集上的应用。

两类工具的选择策略相对清晰：当目标是快速检索近缘同源序列时——如将新测序基因组中的基因与模式生物的已知基因家族进行比对——BLAST是合理选择；当任务是识别远缘同源关系或对功能未知蛋白进行家族分类时——如通过Pfam搜索理解新发现蛋白可能的功能域组成——HMMER则更为适合。

2.2 深度学习的范式突破：AlphaFold2与蛋白质语言模型

2021年AlphaFold2的问世被视为结构生物学领域的“ImageNet时刻”。该模型将蛋白质结构预测的准确性提升至接近实验精度，解决了困扰学界五十年的难题。AlphaFold2的创新在于三方面：一是将几何深度学习应用于残基对间的距离和角度预测；二是引入迭代的“回收”（recycling）机制，使预测结果逐步精化；三是整合了多序列比对（MSA）中的共进化信息。这一突破的示范效应远超结构预测本身——它证明了在拥有足够训练数据和精心设计的架构前提下，深度学习能够解决复杂的生物物理问题。

AlphaFold2的成功催生了蛋白质语言模型（Protein Language Models, PLMs） 的快速崛起。受自然语言处理领域BERT等模型的启发，PLMs在数千万蛋白质序列上进行掩码语言建模的预训练，学习到氨基酸序列的统计规律和进化约束。与AlphaFold2不同，PLMs不依赖MSA，因此在缺少同源序列的“孤儿蛋白”上具有独特优势。代表模型包括ESM-2（Meta）、ProtBERT（Hugging Face）和ProGen2（Salesforce）。

生成式模型更进一步，不仅支持结构预测，还实现了蛋白质的从头设计。ProteinMPNN在给定骨架结构条件下，以高成功率生成可折叠为预期结构的氨基酸序列；RFdiffusion（RoseTTAFold扩散模型）则将扩散生成框架引入蛋白质设计，用户可通过文本描述或骨架草图指导生成。这些工具已将蛋白质工程的周期从数月缩短至数周，在酶设计、抗体工程和新型生物材料开发中展现出应用潜力。

然而，深度生成模型的临床转化仍面临三大瓶颈：一是计算成本——大模型的训练和推理需要高端GPU资源，远超普通实验室的承受能力；二是可解释性缺陷——“黑箱”特性使模型的预测难以追溯到具体的生物学机制，在临床决策场景中存在信任障碍；三是双重用途风险——生成模型可被用于设计毒素或规避检测的蛋白，而现有评估基准尚未建立有效的生物安全审查机制。针对后一问题，研究者已提出“主动生物安全筛查模块”的架构设计，要求所有从头设计序列在生成后即进行计算毒性评估。

2.3 工具选择的决策框架

面对从经典比对到深度生成模型的广阔谱系，研究者如何选择合适工具？关键在于厘清任务目标与资源约束：

值得强调的是，工具组合往往优于单一工具的使用。例如，可先用BLAST快速扫描数据库缩小候选范围，再用HMMER对候选序列进行精细注释；或用AlphaFold2预测蛋白结构后，以PLMs评估突变对功能的影响。

3 宏基因组学工具：模块化管线的设计与整合

宏基因组学通过对环境样本中全部微生物DNA进行测序和分析，绕过了传统纯培养的技术瓶颈，直接揭示微生物群落的物种组成和功能潜力。该领域的分析流程通常包含数据预处理、序列组装、分箱、分类注释和功能注释五大模块，每个模块均有多种工具可供选择。

3.1 数据预处理：QC与宿主去除

原始测序数据包含低质量序列、接头污染和宿主DNA污染，预处理是确保下游分析准确性的第一道关卡。

质量控制工具中，FastQC是最广泛使用的质控可视化工具，提供序列质量、GC含量、接头污染等多维度评估报告。Trimmomatic和cutadapt用于去除低质量碱基和接头序列，前者支持滑动窗口质量裁剪，后者在处理复杂接头时更为灵活。PRINSEQ专用于宏基因组数据的QC，可识别和剔除重复序列。MultiQC则通过整合多个样本的QC报告，便于大规模项目的质量监控。

宿主去除是宏基因组学的特有步骤——人类或动物样本中的宿主DNA占比可达90%以上，若不在比对前去除，会严重浪费测序数据量并干扰微生物分析。Kraken2与Bracken的组合是主流策略之一：Kraken2基于k-mer精确分类序列，Bracken在其基础上估计物种丰度。Decontam则利用阴性对照样本中的污染物分布特征，通过统计模型识别试剂或环境引入的污染序列。

3.2 组装与分箱：从短读到基因组

宏基因组组装的挑战在于同时处理数十至数百个微生物基因组，且不同物种的覆盖深度差异可达数个数量级。

MEGAHIT和metaSPAdes是该领域两款代表性组装工具。MEGAHIT采用简洁的de Bruijn图结构，计算资源需求较低，适合处理超大规模数据集；metaSPAdes则引入多k-mer迭代策略和多次错配校正，在复杂微生物群落的组装连续性上更具优势。两者各有侧重，研究者需根据数据量（MEGAHIT适大规模）和群落复杂度（metaSPAdes适高复杂度）权衡选择。

宏基因组组装是宏基因组学的核心创新环节。组装获得的contigs需经分箱（binning） 归并为接近完整基因组的“宏基因组组装基因组”，相当于从混合物中“捡出”单个微生物的基因组。MetaBAT 2基于序列组成（四核苷酸频率）和覆盖度信息进行分箱，速度快、可扩展性好；MaxBin 2引入概率模型，对低丰度物种的分箱效果更优；DAS Tool则通过整合多个分箱工具的结果，选出质量最高的bin集合。

分箱质量评估是确保下游分析可靠性的关键。CheckM基于谱系特异性标记基因集评估bin的完整度和污染率，是领域内的“金标准”。完整性>70%、污染率<5%的bin通常被视为“中等质量”，完整性>90%、污染率<5%为“高质量”。

3.3 分类与功能注释：从谁在到达在做什么

分类注释解决“群落中有哪些微生物”的问题。基于标记基因的方法（如MetaPhlAn4）通过比对特定进化保守区域（如16S rRNA基因或单拷贝标记蛋白）实现快速准确的物种注释，计算高效且可实现定量比较。基于k-mer的方法（如Kraken2）不依赖参考基因集的完整性，具有更高的敏感性，但存在一定的假阳性率。CLARK采用精确k-mer匹配策略，在区分亲缘关系较近的物种时表现出色。

值得注意的是，基于16S rRNA基因的扩增子测序与全基因组鸟枪法测序在工具选择上存在差异。前者因仅测序单一标记基因，分析工具侧重于降噪和OTU/ASV聚类——DADA2通过误差模型推断精确序列变体（ASV）分辨率达单核苷酸水平；MOTHUR和QIIME 2则提供从QC到多样性分析的完整工作流。

功能注释回答“微生物群落具备哪些代谢潜能”的问题。MEGAN（Metagenome Analyzer）整合NCBI分类和功能数据库，将序列映射至SEED、KEGG和COG等功能层级。MetaPop和STRONG则侧重于检测群落中的正向选择信号和功能冗余性。

3.4 挑战与前沿

当前宏基因组学工具面临三大挑战：一是资源需求壁垒——多数工具需大内存和高性能计算集群支持，限制了资源有限环境下的研究开展；二是流程整合难度——不同工具采用各异的数据格式和参数体系，构建端到端管线的过程对"软件工程"水平要求不低；三是持续更新压力——参考数据库的不断扩增需持续重新运行分类和注释分析。

应对策略包括：转向云平台（如Galaxy、Terra）——将计算需求转移至云端，用户仅需浏览器即可运行复杂流程；采用容器化封装（Docker/Singularity）——确保环境可重现，降低依赖冲突风险；建立社区基准——通过Critical Assessment of Metagenome Interpretation等社区竞赛客观评估工具性能。

4 空间转录组学工具：新兴领域的生态构建

空间转录组学是过去五年发展最迅猛的生物信息学子领域。与单细胞测序不同，空间转录组在测量基因表达的同时保留组织的空间坐标信息，使研究者可在原生组织结构中理解细胞间的通讯和微环境动态。截至2025年9月，该领域已有77种实验技术和594个分析工具发表，涵盖从数据预处理到多组学整合的全部分析任务。

4.1 实验平台与工具选择的依赖关系

当前空间转录组技术可分为两大范式：基于成像的方法（如MERFISH、Xenium、CosMx）以单细胞甚至亚细胞分辨率直接可视化RNA分子，敏感性高但在基因通量上存在限制；基于测序的方法（如10x Visium、Slide-seq、Stereo-seq）通过在组织切片上定位微阵列捕获RNA，可检测数千个基因，但目前分辨率多为“多细胞”级别（典型spot直径55μm）。

工具选择高度依赖于实验平台的分辨率和数据特性。例如，MERFISH生成的超高分辨率数据需要针对性的分割和点解码算法；10x Visium的spot数据则适用解卷积方法推断spot内细胞类型组成。这一依赖关系意味着，工具选择不应是“独立决策”，而需与实验平台的选择同步考量。

4.2 全分析流程：数据处理到生物学发现

空间转录组的数据分析通常遵循以下流程：

数据预处理包括空间条形码解码、读段比对至参考转录组、以及生成表达矩阵。各平台均有配套的预处理流程——10x Genomics的Space Ranger和Vizgen的MERFISH解析器是代表性案例。

降噪与插补是空间数据特有的挑战——捕获效率的局限可能导致基因表达存在大量缺失值。BayesSpace利用空间邻域信息进行聚类引导的插补，SpaGCN通过图卷积网络整合空间坐标与表达数据。

空间模式与结构域识别旨在发现基因表达在组织中的空间变化规律。识别空间可变基因是核心任务之一，代表性方法包括SpatialDE（高斯过程模型）、SPARK（广义线性空间模型）和trendsceek（标记点过程）。空间聚类整合表达与位置信息，识别组织功能结构域，Giotto和Seurat的空间模块是常用工具。

细胞组成解卷积针对测序平台分辨率不足，利用单细胞参考数据推断每个spot的细胞类型比例。RCTD、Cell2location和SpatialDWLS是主流方法。

细胞间通讯分析应用空间邻近性推断配体-受体对的功能互作。工具如MISTy（多视图分析）、COMMOT（最优运输）、DeepTalk（图神经网络）等通过整合配体-受体表达与细胞空间距离，识别在空间上邻近且表达匹配配体-受体的细胞对。

轨迹推断和多组学整合是更高级的分析任务。前者追踪细胞在空间上的分化路径，后者将空间转录组与蛋白组、代谢组或表观组数据整合，构建组织分子图谱的多维度视图。

4.3 SpatialToolDB：生态整合的里程碑

面对快速膨胀的工具生态，研究者开发了SpatialToolDB数据库，系统性收录594个工具并按功能分类（预处理、降噪聚类、通讯分析、多组学整合等），支持基于平台类型（成像/测序）和任务类别的筛选，并提供工具间的交叉引用和基准研究链接。该平台的建立标志着该领域正从“各自为战的工具开发”转向“体系化的生态构建”。

5 平台化基础设施：从工具到生态

随着工具数量的指数级增长，分散下载、安装、配置和版本管理的传统模式已难以维系。平台化基础设施应运而生，为研究者提供统一的工具访问接口、标准化的数据格式和可重现的分析环境。

5.1 ELIXIR Tools Platform：欧洲生命科学的基础设施

ELIXIR是欧洲最大的生命科学信息基础设施，由23个成员国组成，其Tools Platform是支撑整个生态系统核心组件。平台包含四大核心服务：

bio.tools是生物信息学工具的“搜索引擎”，收录工具数万个，每条记录包含功能描述、输入/输出格式、引用信息和版本历史，支持基于关键字、操作类型和数据格式的多维度检索。

BioContainers提供标准化的容器化封装，每个工具均有对应的Docker或Singularity镜像，以“封装-运行-丢弃”的模式确保分析环境在不同计算平台上的一致性。

WorkflowHub支持工作流的共享和版本管理，研究者可上传基于Common Workflow Language或Nextflow编写的完整分析流程，实现一键式复现。

OpenEBench是工具评估的公共平台，社区成员可在统一数据集上提交工具运行结果，生成可比的性能报告，帮助研究者在客观基准上做出选择。

5.2 KBase：协作式多组学分析平台

KBase由美国能源部资助，提供从微生物基因组到生态系统的整合分析环境。其核心设计理念是“分析即叙事”（Narrative as Analysis），将数据、工具、参数、中间结果和解释文本封装为可执行、可引用的数字笔记本。

截至2026年2月，KBase平台已服务超过48,000名注册用户，存储1.2 PB公共数据，集成240余个分析工具。其技术特色包括：大文件批量导入支持从NCBI SRA到本地FASTQ的各类数据源；组织与收藏功能支持团队协作和参考数据集的共享；FAIR叙事支持为分析流程分配DOI，满足期刊对数据可用性的要求。在方法学上，KBase已整合长读长序列分析、蛋白结构数据库（PDB）对接以及微生物群落代谢建模等前沿功能。

5.3 Illumina Connected Multiomics：工业界的一体化解决方案

与学术平台不同，Illumina Connected Multiomics是首个由测序仪器厂商推出的云基多组学分析平台。平台整合了转录组、基因组、蛋白组和表观组数据的分析功能，底层采用DRAGEN进行二级分析，上层集成AI驱动的变异解读（PrimateAI、PromoterAI）和交互式可视化。

该平台的核心价值在于降低使用门槛——用户无需具备深厚的生物信息学编程背景即可完成单细胞和空间转录组的基础分析任务。一位黑色素瘤研究者评价道：“我不是程序员，但软件非常易于使用……这让我的团队可以专注于生物学见解而非生物信息学挑战”。

然而，专有平台与开源生态的平衡问题值得关注。平台锁定的风险（数据和分析流程难以迁移）和对第三方工具集成的局限性，可能限制其在需要高度定制化分析的学术实验室中的采用。

6 人工智能与自动化：ToolsGenie 2.0到Agentic AI

生物信息学工具的最后一道门槛是操作复杂度——即便有了平台化的基础设施，用户仍需理解每一步的生物学意义和参数选择逻辑，才能合理调用工具。AI智能体系统的崛起正试图弥合这一鸿沟。

6.1 ToolsGenie 2.0：多智能体自动化分析框架

2026年1月发布的ToolsGenie 2.0是一个面向生物信息学自动化的可扩展多智能体系统。其架构包含三层智能体：监督智能体负责理解用户自然语言请求，制定高层分析计划；执行智能体负责生成、执行和调试代码；知识智能体负责网络和文献检索，补充分析所需的上下文。智能体间通过共享状态进行协调，支持多轮“人在回路”的迭代分析。

ToolsGenie 2.0的关键创新在于动态Docker镜像选择——系统在规划阶段分析任务所需的软件依赖，运行时从Docker Hub等仓库自动拉取相应镜像，在执行隔离环境中运行。这种设计破解了传统自动化系统“依赖地狱”的困境。评估显示，启用Docker选择后，10个代表性任务的平均成功率从56.7%升至83.3%，执行时间从913秒降至257秒。

在与当前先进生物信息学智能体Biomni的比较中，ToolsGenie 2.0在内部数据集上准确率达68.6%（Biomni为60.0%），且在BixBench公开基准上保持了更低的推理成本。但大规模文件处理时的上下文丢失和智能体间的信息传递问题是当前系统的主要瓶颈。

6.2 Agentic AI系统：系统综述的发现

2026年3月发表的系统综述对基因组学与转录组学中的Agentic AI应用进行了全面梳理。从2,932条记录中筛选出10项符合纳入标准的研究，涵盖单细胞RNA-seq注释、CRISPR向导设计、孟德尔随机化和生物信息学工作流自动化。

关键发现包括：多智能体架构与解释不确定性紧密关联——当任务涉及细胞类型的主观判断时，多智能体设计相较于单智能体方案更为有效；结构性约束比模型升级更重要——通过工具集成和输出格式规范化限制智能体的行动空间，提升任务可靠性；过度迭代自我修正产生效益递减——要求智能体反复检查和修正其输出，超出一定轮次后准确率反而下降。

然而，研究也揭示了该领域的薄弱环节——80%的研究存在较高的偏倚风险，主要原因包括数据规模有限、缺乏外部验证以及参考标准的定义不够客观。尚无任何系统在其原始研究组之外得到验证。这提示，AI智能体在生物信息学中的应用虽前景广阔，但距离“生产级部署”仍需系统性的基准建立和独立验证。

7 挑战与展望

7.1 当前面临的核心挑战

工具选择的决策支持不足。尽管bio.tools和SpatialToolDB等平台已实现工具的“可发现”，但从“发现工具”到“选择工具”的决策过程仍缺乏系统性支持。多数研究者仍依赖个人经验和文献偏好进行选择。建立基于客观基准的推荐系统是未来方向。

可重现性危机。环境配置的差异、软件版本的碎片化和随机数种子的不可控，使生物信息学分析的可重现性堪忧。容器化（BioContainers）、工作流语言（Nextflow、Snakemake）和云平台是应对策略，但普及率有待提高。

资源分配不均。高端计算资源的可及性在全球范围内高度不平衡，发展中国家和资源有限机构的科研人员面临结构性壁垒。云平台和商业解决方案（如Connected Multiomics）提供了一种替代路径，但成本问题依然存在。

FAIR原则的落实。工具本身是否符合FAIR（可发现、可访问、可互操作、可重用）原则，与其产生的数据同等重要。ELIXIR Tools Platform的FAIR工具评估工作是重要起点。

7.2 未来五年的发展趋势

AI智能体的普及化。未来3-5年，AI智能体预计将从研究原型过渡到生产级工具，覆盖从数据质控到生物学解释的完整自动化分析流。关键突破点在于基准集的建立、多智能体协作的优化以及“人在回路”界面的设计。

多组学原生整合。独立分析基因组、转录组、蛋白组和代谢组后“手动拼接”的模式将被淘汰。KBase、Connected Multiomics等平台已提供“多组学原生”的分析环境——数据从上传起即相互链接，分析工具可跨数据类型调用。

基准文化的形成。Critical Assessment of Metagenome Interpretation、空间转录组学Benchmarking等社区竞赛已推动工具性能的客观评估，未来这一文化将扩展至更多子领域。

实时分析的兴起。便携式测序仪（如Oxford Nanopore MinION）产生的实时数据流需同步分析。“边测序边分析”模式对工具的低延迟和可扩展性提出新要求。

负责任AI与生物安全。生成式AI的“双重用途”风险将推动生物安全审查机制的前置。如蛋白设计领域提出的“主动生物安全筛查模块”，要求所有生成序列在合成前均通过计算毒性评估。

8 结论

生物信息学工具正处于深刻的范式转型期。从序列比对到空间转录组，从单机软件到云平台，从人工操作到AI智能体，每一次技术跃迁都在重塑生命科学的研究方式。工具的演进轨迹呈现出清晰的方向性：从碎片化到系统化（ELIXIR、KBase等平台的建设）、从高门槛到低门槛（自然语言驱动的自动化分析）、从单一模态到多组学整合（空间多组学、蛋白-代谢联合分析）。

对研究者而言，面对快速扩张的工具生态，明智的策略不是追逐“最新”工具，而是建立任务导向的选择框架：明确分析目标（鉴定物种 vs 注释功能 vs 空间定位）、评估资源约束（计算资源、编程能力、可用时间）、查阅社区基准（该任务上哪些工具表现最优）后，选择最具成本效益的方案。

对工具开发者而言，未来的竞争力不仅来自算法创新，更来自生态兼容性：工具是否易于容器化封装？是否可被工作流系统调用？是否提供清晰的API接口？AI智能体在规划分析时会优先选择“友好”的工具——那些文档清晰、依赖明确、输出格式规范的工具。

生物信息学工具的本质是连接原始数据与生物学洞见的桥梁。随着AI智能体系统的成熟，这座桥梁正从“需要专业向导的险峻栈道”转变为“任何人都可通行的坦途”。我们正站在这一转变的临界点——未来五年，我们将见证工具从“被专业人士使用”到“赋能所有人”的历史性跨越。

参考文献

[1] Progress in bioinformatics tools for analysis of metagenomically isolated microbiome: Current status and future prospects. Gene Reports, 2026; 43:102437. 

[2] KBase: Open-source Platform for Collaborative Biological Data Analysis and Publication. Journal of Molecular Biology, 2026; 169676. 

[3] From heuristics to deep generative models: A critical review of protein sequence analysis architectures for clinical decision support systems. Expert Systems with Applications, 2026. 

[4] ToolsGenie 2.0: A Scalable and Extensible Multi-Agent System for Bioinformatics Automation. bioRxiv, 2026. 

[5] Mapping biology in space: from spatial transcriptomics platforms to analytical tools and databases. Science Bulletin, 2026; 71(4):921-945. 

[6] ELIXIR Tools Platform: A Guide to Accessible Bioinformatics Software. researchLatvia, 2026. 

[7] Software Applications in Biomedicine: A Narrative Review of Translational Pathways from Data to Decision. BioMed, 2026; 6(1):9. 

[8] Illumina launches powerful software for connected, intuitive, and scalable multiomic analysis. Illumina Press Release, 2026. 

[9] Emerging Use of Agentic AI Systems Across Genomics and Transcriptomics Domains: a Systematic Review. Research Square, 2026.