VAMB 只有一条序列少了样本分隔符，为什么六个 bin 变成了两个？

多样本分箱结果出来以后，箱数突然比预期少很多，分析者往往先怀疑训练不足或聚类参数。VAMB 里还有一个值得提前检查的环节，联合聚类以后是否按序列来源样本拆分输出。这个操作会读取片段名称中的样本前缀。如果自动识别所需的命名格式没有覆盖全部序列，程序可能继续训练并完成运行，却关闭这一步拆分。我们用一百九十二条人工片段做了实际对照，只改一个片段标识，观察到六个按样本输出的箱变成两个跨样本簇。

先分清片段来自哪个组装，在哪些样本里又有覆盖

多样本分箱中有两种容易混淆的样本身份。一种是某条片段由哪个样本的组装产生，另一种是各样本的读段在这条片段上有多少覆盖。前者属于序列来源信息，后者是一个跨样本的数值向量。一个来自甲样本组装的片段，也可能在乙丙样本中有大量相似读段匹配。因此片段来自甲，并不意味着其覆盖矩阵只能在甲列非零。反过来，一个片段在甲列覆盖最高，也不能据此改写它原来属于哪个组装。

VAMB 可以将各样本组装得到的片段合在一起，利用组成与跨样本丰度学习表示并聚类，随后根据片段名称的来源前缀生成按样本区分的箱。联合簇与样本内箱在这个流程中承担不同用途。前者把具有相近特征的片段聚在一起，后者保留具体样本的组装边界。阅读输出时先确认自己拿到哪一层，后续才能准确解释箱数、基因组完整度以及跨样本的同源关系。VAMB 原始论文 · 本次使用的 5.0.4 版本

假如三个样本各自含有同一类微生物，分别组装后会出现多份相近片段。它们可能在联合空间里聚到同一簇。若把这些不同样本的片段全部直接用于一次完整度评估，重复的保守标记可能增加，读者也可能误把多份近似基因当成同一个基因组内的重复。按来源区分以后，可以分别评价每个样本的候选，再用适当的去冗余方法比较它们之间的关系。这个边界应该由输入来源和具体研究目的明确下来。

实跑经验 · 三个来源样本、两类设计组成与三种调用

实际安装运行 VAMB 5.0.4、CPU 版 torch 2.6.0、NumPy 1.26.4 与 scikit-learn 1.6.1。用固定种子生成三个来源样本，每个样本中包含两类不同组成的人工片段，每类三十二条，每条三千五百碱基，总计一百九十二条、六十七万二千碱基。两类片段的三列设计覆盖呈不同变化方向，同一类加入少量数值扰动。所有序列都按样本前缀、分隔符和片段名的格式命名，例如以样本一开头、用大写 C 分隔，再写入局部片段标识。输入生成器、三轮调用与实测结果

两轮训练固定随机种子四十一、两个线程、四十个训练轮次、两个各六十四单元的隐藏层，以及八维表示。初始批大小十六，在指定轮次增加，最终序列导出门槛设为一万碱基。这些设置用于小规模机制对照。人工输入的组成差异比较明显，整个实验也没有模拟近缘菌株、复杂重复或真实回贴歧义，因此不能据此给出自然群落中最佳网络规模或训练轮数的结论。

第一轮全部标识符合样本前缀规则。第二轮只把第一个片段名称改成一个没有大写 C 分隔符的名称，同时在丰度表中同步修改该标识，保证序列与丰度仍能正确对应。第二轮的碱基、覆盖数值和其他名称都没有改变。第三轮沿用第二轮的输入，但在命令中显式指定必须使用大写 C 分隔。这样可以分别检验自动推断与显式要求在异常名称上的实际行为。

python3 110-vamb/run.py work110

# 对命名已经核验的真实输入，显式要求使用同一分隔符
vamb bin default --outdir checked_output --fasta contigs.fna \
  --abundance_tsv abundance.tsv -o C --minfasta 200000

上面的真实输入命令展示如何明确分隔符与输出门槛，实验的完整训练设置保存在重跑脚本里。实际项目应根据自身数据选用合适的参数，同时在正式运行前验证片段名。分隔符要在全部记录中都能明确分开非空样本名和非空片段名，并确认这个字符不会在样本名前部被其他用途占用。只抽查前几条记录，无法发现文件中间某一条遗漏前缀的输入。

第一轮的两个联合簇都覆盖三个来源样本，拆分后的六个箱各自只含一个来源样本。第二轮仍然得到两个联合簇，每个簇也覆盖三个样本，但没有生成按来源拆分的结果表。两轮输出都正确分开了本次人工设计的两类组成，变化发生在输出的样本边界。第三轮则报告那个具体异常标识，并以非零状态结束。这个负向对照确认了显式参数能够把命名缺口提前暴露出来。

为什么一个异常名称会影响所有输出

本次版本的自动拆分器会检查所有标识是否包含可用的默认分隔符。遇到一个不满足条件的名称时，会发出跳过拆分的警告，并关闭这一批结果的拆分操作。因此它的影响范围可以超出那条异常记录。第二轮里其余一百九十一条记录仍然使用正常格式，但最终输出都停留在联合簇层。检查数据时如果只统计“成功识别了多少条样本前缀”，却没有确认程序最后采用的模式，就可能低估一个异常名称的影响。样本拆分器实现

这个现象也解释了为什么退出状态为零不足以证明所有预期的输出步骤都已执行。第二轮确实完成了特征读取、训练和联合聚类，只是拆分行为按照程序的回退规则发生改变。实际交付检查应将预期文件列出来，确认是否有联合簇表、是否有拆分表、是否导出了预期数量的 FASTA，并从日志读取最终采用的分隔设置。把任务意图转成可检查的输出条件，比只确认进程顺利结束更贴近下游需求。

如果研究本来就需要联合簇，可以按这个层次继续使用结果，但应准确标记其成员来自哪些组装。若后续需要逐样本基因组，则应修复命名并重新核对输入对应关系。不能仅给最终两个簇随意加上两个样本名，因为每个簇实际上同时包含三个来源。来源信息在片段层已经存在，正确恢复边界需要追到每个片段，而不能在结果文件层凭数量猜测。

选择一个分隔符，还需要检查哪些命名细节

首先检查样本名本身。若计划用大写 C 作为分隔符，而某个样本名内部也提前出现大写 C，按首次分隔位置解析时，程序识别到的样本前缀可能偏离原意。可以先为每条原始名称生成预期前缀、实际解析前缀和局部片段名，再统计两者不一致的记录。必要时使用一套不会与样本名冲突的明确规则，并保留旧名称到新名称的对应表，方便同事核对原始组装来源。

其次保证全局唯一。两个样本各自都可能有第一号片段，拼接组装时应让样本前缀参与完整标识，避免局部编号碰撞。若修改名称，需要同步更新丰度表、已有比对文件或其他以名称为键的中间结果。对一份已经完成映射的项目，不能只改 FASTA 再继续使用旧标识的深度矩阵。根据变更范围重新生成对应文件，或者使用可验证的一对一映射，才能保证每个数值仍然属于原来的序列。

还要区分独立组装和联合组装。来自单个联合组装的片段可能同时由多个样本贡献，不能凭某一列覆盖最大就把它当成那个样本独立组装得到的记录。命名规则应反映实际来源。若采用按样本拼接独立组装的流程，前缀具有明确的来源含义。若采用另一种输入组织方式，则需要重新明确联合簇如何进入后续分析，以及哪些样本边界能够从现有数据中获得支持。

训练结束以后，检查哪一张表更能发现问题

从成员表出发，为每个输出集合计算包含多少来源样本，比只数文件更直接。第一轮的联合簇都是三个样本，拆分结果则全部为一个样本，这两项统计清楚地说明了两个输出层的区别。再统计每个集合中各来源贡献的片段数和碱基量，可以识别某个前缀解析异常是否制造了一个很小的伪样本。若两个样本的标识被意外解析成同一前缀，整体输出数量可能看起来合理，成员来源核对仍能发现合并错误。

同时保存联合簇与拆分箱的对应关系。这样某个样本的箱质量偏低时，可以直接回到相应联合簇，查看其他样本提供的相近片段及其来源。后续做基因组去冗余时，也能清楚记录一个代表序列与各样本候选的关系。联合学习提供的跨样本信息与最终逐样本评估，可以通过这张对应表连接起来，分析解释就有了稳定的对象。

FASTA 导出还受最小输出大小控制。本次明确设定一万碱基，以便把小规模设计输入的箱写出来。正式项目若使用更高门槛，一些已有标签的集合可能因为总长不足而没有文件。当前版本未设置相应导出参数时，也可能主要保留聚类表。检查目录为空或文件少时，应先查表里是否有成员、输出大小条件是什么，再决定是否需要调整训练。输出门槛和模型聚类分别作用于不同环节，应在记录中分开保存。

本次安装与复跑中值得保留的经验

在 WSL 环境中，把所有临时文件都放到 Windows 挂载目录，曾使多进程数据加载在创建本地通信套接字时报不支持操作。修正为 Linux 文件系统中的临时目录后，训练正常完成。大输入文件仍可放在工作目录，但涉及进程间通信的临时位置需要支持对应操作。遇到训练刚开始就停住时，应先看完整异常栈和子进程日志，区分输入问题、依赖问题和运行环境问题，避免把这些故障归到模型收敛上。

复现记录也需要包含软件与主要依赖版本。相同输入和随机种子能够帮助重复比较，但不同实现、依赖或硬件上的数值运算仍可能影响训练轨迹。对本次机制测试，最重要的核验项是标识异常是否被报告、是否实际执行来源拆分、输出成员是否跨样本，以及前后两轮碱基与覆盖是否相同。将这些可检查的条件写清，别人就能复核具体结论，而不必依赖簇编号或某一轮日志的显示顺序。

这次对照只改了一个名称，就改变了整批结果的样本拆分行为。把片段来源、丰度列含义和最终输出层次都记录到位，能够使训练得到的结果被正确使用。后续评价箱的完整度、比较功能或追踪跨样本同源对象时，也能明确自己到底在比较哪一组序列。

当独立样本组装和联合学习需要扩展到大队列时，可按小批量实跑的输入规模与云生信生物分析服务器团队安排运行环境。