SemiBin2 输入够长就能提供有效特征吗？实跑检查小写碱基、N 和低复杂度序列

准备宏基因组分箱时，常见的检查是去掉太短的序列，再确认特征矩阵每行都有数值。如果一条片段长一万碱基、输出了一百多列有限数字、各列加起来等于一，它是否已经提供了可靠的组成信息？我们实际调用 SemiBin2 的序列特征命令，发现一条全部由 N 组成的序列也能满足这些表面条件。另一个容易忽略的细节是，把碱基改成小写，本次输出与原始大写版本完全一致。理解这些行为，有助于在训练或聚类之前明确哪些信息真正进入了模型。

组成特征怎样把序列变成一行数字

SemiBin2 利用序列组成和覆盖等信息学习片段之间的表示关系，再用于分箱。原始序列本身不会以一长串字符直接作为最终的片段相似性表，组成特征需要先统计短序列词出现的频率。不同来源的基因组可能具有不同的组成规律，模型尝试利用这些规律与其他信息来区分片段。读者在比较模型训练轮数或最终箱数前，先确认这一步的输入语义，会更容易定位异常究竟来自原始序列还是后面的学习过程。SemiBin2 方法论文 · 作者使用文档

本例检查的是长度为四的短词。长度一万、全由标准碱基组成的序列，从第一个位置开始逐位滑动，一共有九千九百九十七个四碱基窗口。窗口相互重叠，因此数量接近序列长度，不能按一万除以四来计算。只要某个窗口包含未知碱基，它就无法作为一个确定的标准四核苷酸词参与计数。序列总长、标准碱基数和有效窗口数因此是三个分别有含义的指标。一个位置上的未知碱基，还可能让多个跨过它的窗口同时失效。

四种碱基排列成长度四的词，总共有二百五十六种。把反向互补的词归到同一类以后，本例输出一百三十六列，其中有十六种四碱基词自身与反向互补相同。这样的归并有助于减少序列方向对组成表示的影响，但也意味着特征向量不会保留所有位置和排列关系。两个片段即使频率接近，仍然可能具有不同的基因顺序、局部连接和功能内容，后续的结构判断需要回到具体序列与其他证据。

实跑经验 · 六条输入经过同一个正式命令入口

安装运行 SemiBin2 2.6.0，固定随机种子生成一条一万碱基的标准序列，再构造几个对照。小写版本只改变字母大小写，序列位置完全相同。大量未知碱基版本保留前一百个标准碱基，其余九千九百个位置改为 N。另准备一条全 N 序列、一条全 A 序列，以及一条一千九百九十九碱基的标准序列。参与门槛固定为两千碱基，然后实际调用单样本序列特征生成入口，仅输出短词组成表。输入生成脚本与实测结果

运行环境中的 NumPy 为 2.4.3、pandas 为 3.1.1、torch 为 2.11.0。本次完成到组成特征表，未进行模型训练和最终分箱，所以结果回答的是输入在特征阶段如何被表示，不能据此评价某种未知碱基比例下的分箱准确率。所有统计都从实际生成的表中读取，另外独立计算了每条原始序列中只含标准碱基的四碱基窗口数，用来核对矩阵到底依据了多少可确定的序列信息。

python3 111-semibin2/run.py work111

# 单独重复官方特征生成入口
SemiBin2 generate_sequence_features_single \
  -i work111/input.fa -o features_again --kmer -m 2000

最后一条标准序列因为长度不够没有进入表，而全 N 序列因总长足够保留了下来。其他五行都有一百三十六列，数值全部有限，加总在浮点误差范围内等于一。这个结果说明，当前长度筛选依据的是记录长度，数值格式检查也只能确认计算产生了可存储的数。要判断有多少真实可确定的组成信息，需要独立看有效窗口。把这列统计放在矩阵旁边，会让很多仅看行数无法发现的问题直接显现。

为什么全 N 输入还能得到一行整齐的频率

查看对应版本的特征实现，程序只统计完全由标准碱基构成的窗口，对每个特征计数加上一个很小的伪计数，再按整行总和归一化。伪计数能避免某些频率恰好为零，给后续数值处理提供稳定输入。全 N 记录原先没有任何有效窗口，所有计数都是零，加上相同的伪计数后，一百三十六个位置就变成相等的数。归一化之后，每个位置约为一百三十六分之一。本次版本的特征生成实现

因此全 N 行看起来非常均匀，却没有观察到任何一种确定的四核苷酸。这种均匀来自平滑规则。真实序列的频率接近均匀，则可能来自实际观察到了很多不同词。两者在数值表上可以相似，数据来源却不同。若把矩阵的有限值比例、是否有空单元格或每行之和作为全部质控，前者完全可能通过。加入有效窗口数以后，就能知道哪些行的组成主要由观测支撑，哪些行只体现了数值平滑。

这也给特征熵的使用提供了一个反例。我们计算实际输出行的香农熵，全 N 行约为七点零八七比特，高于标准随机序列的约七点零五六比特。均匀分布具有较高熵，所以这个数值关系完全符合定义，但不能把它解释成全 N 序列含有更多可用于物种区分的生物学信息。将特征熵与有效窗口数一起查看，才能分清“分布很均匀”与“有很多真实观察”这两件事。

一百个标准碱基和一万碱基记录，该怎样解释

大量未知碱基版本虽然总长一万，真正贡献频率的只有开头连续一百个碱基，对应九十七个有效窗口。输出中最大的一个频率约为百分之五点一五，而完整版本最大频率约百分之一点零三。前者的组成估计实际上依赖一个短得多的局部片段。即使两行都归一到一，抽样所依据的观察量仍然不同，不能因为它们矩阵维数相同，就认为特征稳定性相同。

标准碱基的排列方式也重要。相同数量的确定碱基若集中成一段，可以形成连续窗口，若被未知碱基不断隔开，有效窗口可能更少。仅记录未知碱基比例还不够描述这种差别。在实际 FASTA 上，可以同时计算标准碱基比例、最长连续标准碱基区段、有效四碱基窗口数及其占理论窗口数的比例。没有必要凭这个演示给所有项目规定一个固定阈值，但这些原始量应当保留，方便结合样本和后续任务决定如何处理。

如果一条记录由多段可靠序列和较长未知间隙拼成，需要检查输入是否本来就是带间隙的支架，以及后续步骤对其长度和覆盖采用什么口径。跨越未知间隙的窗口无法计数，间隙两侧的片段可能又具有不同覆盖。按整条平均深度描述它时，应意识到该平均值可能压缩了局部变化。对于研究重点所在区域，查看其连续已知序列和局部回贴支持，会比只引用整个支架的总长度更直接。

小写标记和低复杂度，还要分别核对

小写版本在本次运行中与大写版本逐个特征完全相同。对应实现会先把字符转为大写再统计，所以通过大小写保留的软屏蔽信息，没有在这一阶段变成忽略这些碱基的规则。如果上游使用小写标记某些区域，必须确认下游程序是否读取这个含义。仅在 FASTA 中看到小写，不能推断所有后续分析都自动排除了这些区域。将同一小片段大小写各跑一次，是验证实际行为的直接办法。

全 A 序列则展示另一个方向。它有九千九百九十七个合法窗口，标准碱基比例为百分之百，但几乎全部概率集中在同一个组成特征上，实际最大频率约为零点九九九九九九八六五。有效窗口多，并不保证它们提供多样且可区分的组成信号。因此序列质控还应看低复杂度、同聚物和局部重复。把全 A 与全 N 放在一起，可以看到两个同样长、同样数值完整的输入，一个几乎没有组成多样性，一个没有确定的窗口观察。

这些检查需要与研究对象相结合。有些真实序列天然具有偏倚组成，不能因为偏离平均值就机械丢弃。可以先把异常片段标记出来，查看它在原始读段中是否得到连续支持，是否集中在某个已知重复区，是否还包含能够独立验证来源的基因。在后续分箱比较中，观察保留与排除这组片段对重点结论的影响。把可疑片段单独留下并记录处理原因，也方便后来用更长的序列或更好的覆盖补充判断。

复核时还可以随机抽取一条正常记录和一条异常记录，直接从 FASTA 重算窗口数，并和验收表核对。确认统计脚本使用了相同的序列版本，也确认它处理了小写字母。这样能够避免一份正确计算的质控表，在替换输入之后仍被误用到另一份序列上。

在训练前加一道可以复核的输入验收

对每条片段保留长度、标准碱基数、有效窗口数和低复杂度摘要，再将这些字段与模型的输入标识合并。检查特征表是否缺少记录、是否重复记录，以及每行数值是否有限。把未通过长度门槛与没有有效窗口的输入分别计数，能够说明它们是在不同环节遇到了什么问题。若需要过滤，输出一份明确的保留清单并同步更新覆盖矩阵，避免序列已经删除而覆盖表还沿用原先的行顺序。

对于几份不同预处理结果，先核对序列标识与碱基内容，再比较特征。大小写变换、将区域改为未知碱基和直接切除区域，会对有效长度、局部邻接与窗口计数产生不同影响。尤其是直接删除一段序列，可能让原本相隔很远的两端在文件里形成新的相邻窗口。若预处理的目的只是标记暂不采用的区段，就需要仔细考虑下游如何理解这种操作，并保留原始坐标映射供复查。

最后把输入验收和模型评价放在各自对应的证据上。特征检查通过，说明当前表示的来源与格式可以追踪。模型能否正确恢复基因组，还需要已知参考、模拟群落或其他独立质量依据检验。这次实际得到的五行组成表，已经足以说明长度、有限数字和归一化结果都不能单独替代序列信息量检查。先完成这些小而明确的核对，再进入大规模训练，更容易判断后面的差异来自哪里。

当这套输入验收需要扩展到大量组装和训练批次时，可据试跑规模与云生信生物分析服务器团队安排分析环境。