项目导读
愿景与使命声明
本项目致力于构建生物信息学算法领域最具权威性的技术白皮书与架构知识库。在基因组学、转录组学、蛋白质组学与空间组学数据爆炸式增长的今天，算法的选择、评估与工程化落地已成为制约研究效率与产业转化的关键瓶颈。本知识库以"单一真相源（Single Source of Truth）"为核心理念，通过严谨的数据 schema、可验证的生成链路以及学术级的引用体系，为高级开发者、系统架构师与前沿研究者提供一份可信赖的算法决策参考。
我们的使命不仅是"收录"算法，而是建立算法知识的标准化表达范式——每一条目均附带时间/空间复杂度、实现语言、学术出处、难度评级与相关工具链，使读者能够在分钟级别内完成从"需求识别"到"方案选型"的决策闭环。
核心定位
本项目面向以下三类高阶受众设计：
- 高级算法工程师与生物信息学开发者：需要在序列比对、组装、变异检测、蛋白质结构预测等领域快速评估算法复杂度与适用边界，并获取可直接落地的实现链接与工具链信息。
- 系统架构师与技术负责人：关注数据管线设计、质量保障体系、CI/CD 工程化实践以及知识库的可扩展架构，需要将算法选型纳入更大的技术决策框架。
- 高校研究者与博士/博士后群体：需要追溯算法的原始文献、理解算法在特定子领域（如单细胞分析、宏基因组学、图基因组学）中的演进脉络，并发现潜在的研究空白与改进方向。
设计哲学
本知识库的工程与内容设计遵循以下五条核心原则：
1. 单一真相源（Single Source of Truth）
所有算法元数据集中存储于 data/algorithms/*.yaml，分类体系由 data/categories.yaml 统一定义。任何文档页面、README、统计报表均从同一数据源生成，彻底消除"文档与代码不同步"的维护噩梦。
2. 生成驱动文档（Generation-Driven Documentation）
人类不直接编辑最终展示文档，而是通过 Python 生成器（generate_docs.py）将结构化 YAML 自动转换为 VitePress Markdown。这种"数据即代码"的模式使得新增 100 条算法条目仅需维护 YAML 文件，零手工排版成本。
3. 可验证工程（Verifiable Engineering）
每一条算法数据均须通过三层验证：字段规则校验（validate.py）、JSON Schema 双重校验（schemas/algorithm-schema.json）以及构建时 VitePress 导航一致性检查。代码层通过 ruff + mypy + pytest 保证生成器本身的正确性，测试覆盖率维持在 89% 以上。
4. 双语平行架构（Bilingual Parity）
中文内容为主、英文内容为辅，但两者在结构和深度上保持严格对称。分类名称、算法描述、用途说明均提供 *_en 可选字段，生成器自动降级（fallback）至主语言，确保国际协作场景下的可用性。
5. 学术引用优先（Citation-First）
所有算法优先关联原始论文 DOI 与官方实现仓库，参考文献采用 GB-T 7714（中文）/ IEEE（英文）标准格式。我们拒绝"无出处的算法收录"，确保每一条复杂度假设与性能声明均可追溯至同行评审文献。
当前规模统计
| 指标 | 数值 | 说明 |
|---|---|---|
| 算法条目 | 195 | 覆盖 16 大顶级分类 |
| 顶级分类 | 16 | 含 30+ 子分类层级 |
| 标签总数 | 392 | 跨算法语义标签网络 |
| 平均每分类 | 12.2 | 条目分布密度 |
| 文献覆盖率 | >85% | 含 DOI 或官方论文链接 |
| 实现链接率 | >70% | 含官方或高质量开源实现 |
| 双语覆盖率 | >60% | 同时提供中英文描述的条目 |
建议阅读路径
对于初次访问的读者，我们推荐以下渐进式阅读顺序：
- 项目导读（本文档）—— 理解知识库的定位、哲学与规模，建立全局认知框架。
- 学院路径 —— 根据您的角色（开发者、架构师、研究者）选择四级进阶课程，获取针对性的学习路线图与必读文献清单。
- 参考文献与相关项目 —— 按领域浏览经典论文、必读综述与竞品开源项目对比分析。
- 演进思考 —— 回顾项目从"列表化"到"工程化"再到"白皮书化"的三阶段演进，并了解未来路线图。
技术亮点
- 数据驱动（Data-Driven）：所有页面由算法自动生成，数据源变更后一键重建，确保零漂移。
- 双语支持（Bilingual）：中英文站点并行输出，分类与算法描述支持按需国际化。
- 学术引用（Academic）：GB-T 7714 / IEEE 标准引用格式，每条算法可追溯至原始文献。
- 工程化 CI/CD：GitHub Actions 自动执行验证、生成、构建与部署，提交即发布。
- 复杂度可视化：算法页面集成时间/空间复杂度分析，支持快速性能评估。
- 标签网络：392 个语义标签构建跨分类的算法关联网络，支持多维交叉检索。
引用格式示例
本知识库中所有参考文献遵循 GB-T 7714 标准格式。示例如下：
NEEDLEMAN S B, WUNSCH C D. A general method applicable to the search for similarities in the amino acid sequence of two proteins[J]. Journal of Molecular Biology, 1970, 48(3): 443-453. DOI:10.1016/0022-2836(70)90057-4.
SMITH T F, WATERMAN M S. Identification of common molecular subsequences[J]. Journal of Molecular Biology, 1981, 147(1): 195-197. DOI:10.1016/0022-2836(81)90087-5.
如需引用本知识库本身，建议格式：
Awesome Bioinformatics Algorithms Knowledge Base[DB/OL]. GitHub, 2024-2025. https://github.com/your-org/awesome-bioinfo-algorithms