btrainee/文献综述技能

生物信息学文献系统综述

目的

将原始英文研究论文PDF转化为一套标准化的高质量中文综述材料：包含每张主图嵌入和讲解的Word深度阅读报告、PPT分享幻灯片，以及可选的科普文章。专为需要可重复、深度优先文献解读的生物信息学研究人员设计。

何时使用

当用户提供科学论文PDF（或要求审阅特定论文）并希望获得以下任一内容时触发：

• Word深度阅读报告（10部分结构化分析）
• 图表提取——将PDF中的每张主图提取为图像并逐一讲解
• 小组会分享用的PPT材料
• 微信公众号科普文章
• 以上全部（完整流程）

典型的用户短语：

• "解读这篇论文" / "解析这篇文章"
• "帮我做个文献精读"
• "把每张主图提取出来讲解" / "每张Figure都要配图解读"
• "生成Word解读 + PPT"
• "整理成科普文章"

前提条件

Python环境

任何Python >= 3.9都可以。使用你代理运行时自带的解释器，或你自己的虚拟环境。

安装依赖（一次性）：

pip install pdfplumber pymupdf python-docx python-pptx

如果PyPI速度慢（在中国大陆常见），可使用国内镜像：

pip install pymupdf -i https://mirrors.cloud.tencent.com/pypi/simple

• pymupdf (PyMuPDF) 用于图表提取——它同时提供页面渲染和坐标级别的文本/图形检查。
• pdfplumber 用于纯文本提取。
• python-docx / python-pptx 用于生成交付物。

项目结构约定

每篇论文在工作空间根目录下拥有一个独立文件夹：

NN_YYYY-Journal-Topic/
  Original_Paper.pdf
  Journal_YYYY_Topic_LiteratureReview.docx
  Journal_YYYY_Topic_ArticleSharing.pptx
  full_text.txt              (提取的文本，中间产物)
  figures/                   (提取的主图PNG，中间产物)
    fig1.png, fig2.png, ...
    captions.json            (图编号 -> 标题/页码/边框清单)
  Topic_PopularScience.html   (可选，用于微信公众号)

• NN: 零填充序号 (01, 02, 03...)
• YYYY: 发表年份
• Journal: 简写期刊名 (Nature, Cell, Science...)
• Topic: 简短的中文主题描述

工作流程

第1步：设置与PDF文本提取

1. 按照上述命名约定创建输出文件夹
2. 将源PDF复制到新文件夹中
3. 运行 scripts/extract_pdf_text.py 提取全文：

   python scripts/extract_pdf_text.py "<pdf_path>" "<output_txt_path>"
   

   这将生成以分页符分隔的提取文本文件 full_text.txt。

第2步：从PDF中提取主图

运行 scripts/extract_figures.py 将每张主图提取为高分辨率PNG（默认300 DPI）：

python scripts/extract_figures.py "<pdf_path>" --out "<paper_folder>/figures" --dpi 300

• 添加 --include-ed 也会提取扩展数据/补充图表。
• 脚本定位标题（"Fig. 1", "Figure 1", "图1"），确定列跨度，合并标题上方的图形区域，并渲染该区域。
• 已处理布局变体（在Nature / Cancer Cell PDF上验证）：
  • 标题在图表下方（最常见）；
  • 标题在图表旁边（标题在列顶，图形在另一列）；
  • 标题在图表上方；
  • Cell Press "图注在下一页"：图形在第N-1页，标题在第N页顶部——脚本检测到标题上方没有图形，自动渲染前一页的图形（状态：prev-page）。
  • 期刊横幅：页面顶部的全宽Cell Press / Cancer Cell彩色条被过滤掉（状态：above 不应包含它）。
• 如果图表仍包含页眉，增加 --header-frac （例如Cancer Cell / Cell Genomics为 0.13，Nature默认为 0.055）。
• 正文吸收防护：在"标题在图表旁边"模式下，图表可能渗入其下方流动的正文段落。仅当文本块紧凑（高度短或宽度窄）且 ≤ 4行，并且在beside模式下仅当它们起始于或高于图形底边时才吸收文本块。如果图表仍以一段散文结尾，则需要收紧此规则。
• 输出：figures/figN.png + figures/captions.json（标题文本、页码、标题页码、边界框、每张图的状态）。
• 务必通过查看（ViewImage）验证提取的PNG：检查每张图像是否是完整的图形（所有子图，未裁剪，无正文文本混入）。如果图形裁剪不当，手动使用PyMuPDF以 captions.json 中的边界框为起始点重新渲染该区域。不要静默嵌入有缺陷的图像。

第3步：深度阅读论文

分段读取提取的文本（每次读取200行）。对于每张主图，也要查看提取的PNG以了解子图和布局。重点提取：

• 标题、作者、期刊、DOI、发表日期
• 摘要和关键发现
• 所有图表（编号、标题、子图、每个显示的内容）——对照 captions.json 中的标题与实际图像进行核对
• 方法（测序平台、软件工具、算法、参数）
• 样本信息（队列规模、组织类型、测序类型）
• 关键结果和统计显著性
• 作者提到的局限性

第4步：生成Word深度阅读报告

遵循 references/word_structure.md 中定义的10部分结构。

使用 scripts/generate_word_report.py 作为模板。将其复制到论文文件夹中（例如 generate_word_report.py），用实际分析替换CONTENT块，并用输出路径运行它：

python generate_word_report.py "<paper_folder>/Journal_YYYY_Topic_LiteratureReview.docx"

该脚本演示了：

• 使用python-docx创建带样式标题的文档
• 基本信息与术语的表格式样
• 分析流程的要点列表
• 关键结果的彩色标注框
• add_figure_block()：嵌入每张提取的图表PNG + 标题 + 4部分分析（研究问题 / 方法 / 关键结果 / 解读）

第7部分（主要研究内容）必须嵌入提取的图表图像（figures/figN.png）——每个图表一张图像，后跟其逐图分析。图像路径和标题来自 figures/ 和 captions.json。

关键格式规则：

• 标题使用Heading 1/2/3样式并带自定义格式
• 表格使用"浅色网格强调色1"加上显式的深色标题填充 (shade_cell(cell, "1A3A5C"))——内置样式在应用白色文本时会使标题行无填充，导致标题在Word中不可见
• 图形适配为宽度15.5厘米，最大高度约18.5厘米（通过PIL保持宽高比）。一个纵向4面板曼哈顿图以全页宽度（21+厘米高）放置会溢出页面并被底部裁剪——务必限制高度
• 超过一页的表格：keep_rows_together(table) 将标题行标记为 w:tblHeader（每页重复出现），并将每一行标记为 w:cantSplit，因此表格永远不会在行中断开或丢失标题
• 技术术语保留英文缩写，后跟中文解释
• 不得捏造数据：不确定的项目标记为"需确认"
• 通过导出为PDF（Word COM SaveAs(..., 17)）并查看2–3页来验证输出：标题行可见，图形完整，无溢出

第5步：生成PPT分享幻灯片

遵循 references/ppt_structure.md 中定义的幻灯片结构。

使用 scripts/generate_ppt_slides.py 作为模板：

python scripts/generate_ppt_slides.py

该脚本演示了：

• 使用python-pptx创建带自定义布局的幻灯片
• Nature/Cell风格的极简设计（白色背景，深色文本）
• 逐图幻灯片：在幻灯片上嵌入提取的 figures/figN.png，然后是图标题 → 研究问题 → 方法 → 结果 → 意义
• 最后的关键发现 + 科学影响幻灯片

第6步：生成科普文章（可选）

当用户想要微信公众号文章时，编写一个包含以下内容的HTML文件：

• 内联CSS（微信会剥离 <style> 标签）
• 移动优先设计（最大宽度：680px）
• 比喻驱动的科学传播
• 数据卡片、比较表格、时间线
• 所有数据必须来自原始论文，不得捏造

详细写作指南请参考 references/popular_science_style.md。

第7步：质量控制

验证：

• 所有技术术语都有英文缩写 + 解释
• 所有图表在Word和PPT中均已覆盖
• Word报告中每张主图的嵌入图像都已验证（完整的子图，无裁剪，无杂散的正文文本）
• 没有捏造的数据或推测性的结论
• 分析流程完整（软件 → 算法 → 输入/输出）
• 统计值与原始论文一致

解读原则

遵循 references/interpretation_principles.md 生成所有内容。核心规则：

1. 保留英文缩写——不要简单翻译成中文
2. 解释技术原理——不仅仅是做什么，还要说明为什么以及如何做
3. 深度优先——回答"为什么用这个方法？"、"数据展示了什么？"、"这意味着什么？"
4. 目标受众：生物信息学工程师、基因组学研究人员
5. 不得捏造——不确定的信息标记为"需确认"

文件参考

文件	用途
scripts/extract_pdf_text.py	使用pdfplumber从PDF提取全文
scripts/extract_figures.py	使用PyMuPDF提取主图为高分辨率PNG并生成captions.json清单
scripts/generate_word_report.py	Word文档生成的模板脚本（包含图嵌入）
scripts/generate_ppt_slides.py	PPT幻灯片生成的模板脚本
references/word_structure.md	Word报告10部分结构规范（包含逐图块格式）
references/ppt_structure.md	PPT幻灯片结构规范
references/interpretation_principles.md	AI解读原则和规则
references/popular_science_style.md	科普文章写作指南