1. 领域背景与文献
文献英文标题：ChromSkills enables interpretable and domain-guided agentic chromatin data analysis；
发表期刊：Genome Biology；影响因子：未公开；研究领域：计算基因组学，染色质生物信息学分析。
高通量染色质检测技术的发展推动了染色质调控领域研究的快速进步，领域共识：染色质的开放状态、组蛋白修饰等染色质特征解析是研究基因表达调控、细胞分化以及疾病发生发展机制的核心基础。近年来，基于大语言模型的智能代理分析逐渐应用于组学数据处理领域，为无编程基础的研究人员开展数据分析提供了便利，成为当前染色质数据分析领域的研究热点。但无约束的大语言模型分析存在明显缺陷，由于模型本身缺乏系统的领域专业知识，容易出现工具选择不一致、参数设置不符合实验设计逻辑、分析执行失败率高等问题，同时结果可解释性差，token利用效率低，无法满足稳定可靠的染色质数据分析需求。当前领域尚未建立整合领域专家知识的模块化智能分析框架，无法实现领域知识对AI分析过程的引导约束，这一空白限制了AI辅助染色质数据分析的推广应用。本研究针对这一核心问题开发ChromSkills分析框架，为智能染色质数据分析提供可解释、稳定的解决方案，对推动AI技术在染色质组学研究领域的规范应用具有重要学术价值。
2. 文献综述解析
本次提供的原文内容仅包含研究摘要、作者信息、资助信息及伦理声明，未呈现完整的文献综述章节内容，基于摘要信息可梳理出作者对现有研究的核心评述逻辑。
现有基于大语言模型的智能染色质数据分析研究均采用无约束的模型自主分析模式，这类模式赋予模型高度自主性，但也暴露出三方面明显局限性，一是工具选择缺乏统一标准，不同运行过程得到的分析工具组合一致性差，导致结果重复性低；二是参数选择缺乏领域规则约束，模型往往随机选择参数，容易得到不符合生物学意义的结果；三是分析执行过程稳定性不足，token浪费严重，分析成本较高。现有研究均未关注领域专家知识如何整合到智能代理分析流程中，没有针对染色质数据分析这一细分领域构建标准化的技能库，本研究的创新价值在于首次将染色质数据分析领域的专家决策逻辑和参数选择规则编码为模块化的分析技能，实现了领域知识对AI分析过程的引导，解决了现有无约束分析模式的核心缺陷，为AI辅助组学数据分析提供了新的范式。
3. 研究思路总结与详细解析
本研究的整体研究目标是开发可解释、领域知识引导的智能染色质数据分析框架ChromSkills，解决现有无约束大语言模型智能分析存在的工具参数选择不一致、执行稳定性差的核心问题，技术路线遵循框架设计→性能验证→结论总结的逻辑闭环，明确验证了所开发框架的性能优势。
3.1 ChromSkills模块化技能库构建
实验目的：构建整合染色质数据分析领域专家知识的标准化技能库，为智能代理平台提供领域规则约束。方法细节：在支持技能功能的编码智能代理平台上，构建经过人工整理的领域特异性分析技能库，将领域专家的决策逻辑和参数选择规则编码为模块化、人类可读的技能单元，每个技能单元连接结构化的工具接口，实现基于自然语言任务自动组合形成完整分析流程。结果解读：该设计实现了分析过程的可追溯与可解释，既保留了智能代理基于自然语言生成分析流程的便利性，又通过领域规则约束保证了分析流程的规范性。文献未提及具体实验产品，领域常规使用计算基因组学服务器与大语言模型开发平台完成框架构建。
3.2 ChromSkills框架性能基准验证
实验目的：在代表性染色质数据分析任务中验证ChromSkills框架相比无约束大语言模型分析的性能优势。方法细节：选取多个领域典型的染色质数据分析任务，分别采用ChromSkills框架和无约束大语言模型开展分析，从工具选择一致性、参数选择一致性、执行成功率、token利用效率多个维度进行性能比较，同时邀请独立评估者对生成的分析报告进行盲评。结果解读：对比分析结果显示，ChromSkills框架显著提升了工具和参数选择的一致性，提高了分析执行的稳定性，同时降低了token消耗，提升了分析效率（文献未明确提供具体统计数据，基于摘要结论整理），证明该框架能够为AI辅助染色质数据分析提供透明、可靠的领域引导方案。文献未提及具体实验产品，领域常规使用统计分析软件与基准测试工具完成性能评估。
4. Biomarker 研究及发现成果
本研究属于计算基因组学领域的方法学开发研究，研究目标是构建新型智能染色质数据分析框架，未涉及生物标志物的筛选、验证及临床关联研究，因此无相关Biomarker研究成果输出。