内存与样本量对照
| 样本数（16S，双端 515F/806R） | reads/样本 | 峰值内存 | 推荐配置 |
|---|---|---|---|
| ≤ 20 | 5 万 | 8-16 GB | 工作站即可 |
| 20-50 | 5-10 万 | 16-32 GB | 32GB + 8 核 |
| 50-200 | 10 万 | 32-64 GB | 64GB + 16 核 |
| 200+ / 混合测序批次 | 10 万+ | 64-128 GB | 128GB + 32 核 |
性能热点排序
- DADA2 denoise：误差模型学习单线程，序列表去重可并行——大项目先
qiime vsearch去冗余再 DADA2 可省时 - 特征表稀疏/多样性：
--p-n-jobs并行，core-metrics 数值计算吃 CPU - 分类器训练：silva 138 分类器训练一次约 30 分钟 + 32GB 内存，训练好可全组复用
部署建议
团队服务器上用 Docker 起两个容器（qiime2 core + R/phyloseq 可视化），数据卷挂 NVMe。100 样本项目的“导入→去噪→多样性→LEfSe”全流程在 64GB/16 核配置上约半天完成，笔记本跑同样流程往往要两天还容易中途崩溃。
常见问题
QIIME 2 怎么安装最省事？
用官方 Docker 镜像（qiime2/core）或 micromamba 环境，避免本地依赖地狱。服务器上一行命令拉起，版本随官方数据保留标签。
DADA2 学习误差模型特别慢正常吗？
正常，且单线程。样本多时用 pool=FALSE + 分批跑，或 --p-n-threads 提高去重并行度，误差模型本身约 10-30 分钟/批。