科学计算领域长期存在一个矛盾：论文里的方法描述越精炼，复现它的代码就越难写。依赖冲突、版本迭代、边界条件修复，这些工程开销往往远超算法本身的设计成本。然而算法的核心思想往往早已在论文中得到了清晰描述。这引出一个值得检验的问题：如果只给大语言模型一篇论文，它能直接写出可用的代码吗？
来自Cedars Sinai医学中心的研究团队近期在Bioinformatics上发表了一项系统性评估。他们选取了随机森林、Combat批次校正、Augusta基因调控网络推断、SERRF代谢组学校正以及GSEA富集分析等具有代表性的算法，要求多个主流LLM仅依据原始论文的PDF文件生成完整实现。测试对象包括GPT-4o-mini-high、Gemini Pro 2.5、Claude 4 Sonnet等模型。
研究团队选取了五类代表性算法作为测试基准，涵盖随机森林分类、Combat批次校正、基因调控网络推断、代谢组学误差校正以及基因集富集分析。每个任务中，模型仅接收论文PDF和基础输入输出要求，不得调用现成库函数，需从零实现算法逻辑。评估维度包括代码能否执行、输出是否与标准包一致、统计指标是否吻合。
结果呈现明显的分层。对于数学定义清晰、流程标准化的方法，如随机森林和Combat，主流模型（尤其是GPT-o4-mini-high）生成的代码在分类准确率、批次校正效果等关键指标上与scikit-learn、pyComBat等成熟库无统计学差异。这说明当算法逻辑本身完备时，模型具备将形式化描述转化为等价代码的能力。
但在涉及领域特定数据结构的任务中，问题开始暴露。以SERRF方法为例，示例数据采用多层索引的Excel表格，论文未明确说明行列语义。模型首次生成的代码虽逻辑正确，却因无法解析复合索引而失败。只有当研究者补充数据结构说明后，才获得可用实现。类似地，在Augusta基因网络推断任务中，模型首次复现的网络拓扑正确，但边方向与符号判断与官方包存在系统偏差。回溯发现，差异源于论文未指定离散化策略、互信息估计器选择以及峰值时间重合时的处理规则——这些在工程实现中默认约定的细节，在论文中往往被省略。
基因集富集分析任务则呈现另一种挑战。GSEApy作为应用笔记类论文，本身未详述算法步骤，仅引用原始文献。多数模型因此无法完成从零实现，唯有GPT-o4-mini-high主动检索并遵循2005年Subramanian论文中的排序统计与置换检验流程，最终输出与官方工具高度一致的结果。这提示我们：模型能否成功，不仅取决于当前论文的信息密度，也与其知识检索与跨文献推理能力相关。
研究团队由此提出一个务实建议：作者在投稿时可附带一份"方法规范提示"（Method Specification Prompt），明确记录用于复现该方法的提示词模板、输入数据格式、关键参数范围及验证标准。这份提示不是替代代码，而是为后续复现者（无论人类或模型）提供可执行的规格说明。它倒逼方法描述走向结构化，也降低因实现歧义导致的复现失败。
这项工作的价值不在于证明"模型能写代码"，而在于揭示当前科研写作与软件工程之间的接口缺陷。当算法描述足够精确时，按需生成实现已成为可能；而生成失败的场景，恰恰标出了论文中需要补充的细节缺口。对方法开发者而言，这或许意味着维护重心的转移：从调试多语言版本的代码库，转向打磨一份机器可读、人类可验的方法规格。
科研软件的可持续性，或许正需要从"发布代码"转向"发布规格"。论文不再只是思想的载体，也可以成为可执行实现的起点。这条路还长，但方向已经清晰。
附本文代码、数据和文件地址：github.com/xomicsdatas…
【项目案例】7个主流基因组选择（GS）算法，直接套用你的数据发表文章
欢迎加入生信AI育种交流群，一群已满，请添加小编微信拉你加入二群，请备注“姓名-单位”，方便交流~~~
