从k-mer到无损FM索引，宏基因组分类的精度上限藏在参考数据库里
Centrifuger 和 Kaiju、Kraken2 的准确率对比，是在 RefSeq 的原核生物和病毒蛋白序列上做的；同一套框架用来处理约 2500 亿个氨基酸字符的 nr 全库时，索引大小变成了 182 GB（PMID: 42818146）。这不是同一道题。本周三篇来自不同领域的方法学工作，共同指向这件事：准确率是在什么框架里量出来的，那个框架的边界在哪里。
k-mer 的固定长度与 FM 索引的无损匹配
宏基因组蛋白分类有两条主要技术路线。Kraken2 是 k-mer 方法；Centrifuger 基于 FM-index（Ferragina-Manzini 索引），可以精确定位任意长度的匹配，属于无损的（PMID: 42818146）。
Centrifuger 在 FM-index 方向上做了一个针对蛋白质字母表的 run-block 压缩方案，在字母表规模上的缩放性比原版更好。在 RefSeq 原核和病毒蛋白序列上，与同样基于 FM-index 的 Kaiju 相比，内存占用减少三分之一以上，运行时间基本持平；与 Kraken2 相比，分类准确率更高（PMID: 42818146）。这套压缩方案的效率使 nr 全库建索引成为可行，约 2500 亿个氨基酸字符，最终索引 182 GB。论文用这个索引分析人类细胞的单细胞 RNA-seq 数据，能区分 SARS-CoV-2 的不同感染状态以及各细胞类型的病毒转录组特征（PMID: 42818146）。
RefSeq 上的比较量的是两种方法在同一参考集里的相对优势。无损 FM-index 能定位任意长度匹配，k-mer 只能定位特定长度，这个差异在参考集越大、越多样时能体现的空间越大。这不是说 RefSeq 基准没意义，而是 RefSeq 上量的问题和 nr 全库量的问题不是同一个。
有界合并推断在快速变动种群中的失效边界
群体遗传学里的合并过程（coalescent）通过系谱树推断有效种群大小（effective population size），原理是线系按有效种群大小的倒数速率向上合并到最近共同祖先（MRCA）。标准合并过程对 MRCA 时间不设约束，但在已知病原体引入时间的传染病场景、或合成条形码单细胞实验的已知培养起始时间这类情形下，这个上界是有先验的（PMID: 42818531）。
有界合并过程（bounded coalescent）把 MRCA 时间的上界硬编进模型。Tang 等从点过程（point process）的角度重新推导了这个框架，给出了避免反复对有界累积风险函数做数值求逆的高效模拟算法，以及基于 MCMC 的有效种群大小轨迹后验推断，且不需要对似然积分做离散化（PMID: 42818531）。
模拟实验里，三种设定中有两种情况引入上界约束后中位均方误差下降了，但在“变化最快”的那种设定下效果反而更差（PMID: 42818531）。
先验约束是有代价的，它对推断有利还是有害，取决于真实种群动态和约束暗含的预期之间距离有多远；种群大小在极短时间内剧烈变动时，强行施加上界约束会引入额外误差。这篇是 ArXiv 预印本，摘要里没有提到现成软件，但对有这类建模需求的研究者，包括传染病分子流行病学和合成条形码单细胞谱系追踪方向，方法框架本身有参考价值。
SLE 四基因诊断签名的验证层次
系统性红斑狼疮（SLE，systemic lupus erythematosus）这项研究（PMID: 42782481）将线粒体功能障碍与异常细胞死亡通路的交叉命名为“mitoxyperiosis”，在 GEO 数据集里筛查相关基因，建立了一个诊断签名。
流程走的是标准生信诊断管线，从发现队列（GSE318067）筛差异表达基因，在验证队列（GSE61635）确认，逻辑回归建模，再经 ROC、校准曲线、决策曲线分析在合并数据集和外部验证集（GSE112943）里评估，最终留下 BAK1、MYD88、RICTOR、TLR4 四个基因，训练集 AUC 0.897，验证集 AUC 0.955（PMID: 42782481）。单细胞 RNA-seq 数据（GSE224198）补充了细胞类型特异性表达和虚拟扰动预测；文章识别出两个免疫亚型，SC1 以适应性免疫为主，SC2 以固有免疫为主，后者炎症表型更重。
AUC 0.955 来自 GEO 公开队列，这些队列各有自己的入组标准、测序平台和批次处理差异，GEO 上的分类性能不能直接等同于临床样本上的表现。论文宣称的首创性是“mitoxyperiosis 相关基因表达签名在 SLE 里的首次系统评估”，这是概念框架层面的定位（PMID: 42782481）。SC1/SC2 亚型的分层目前仍是数据驱动的，还没有前瞻性临床验证。
这类研究的设计上限就在这里，观察性的、基于公开队列的计算模型，能把假设磨得很精，但离床边决策还差一段。
把三项工作放在一起，最值得带走的不是哪个数字最大。Centrifuger 在 RefSeq 上超过 Kraken2，nr 全库上的可用性是另一个问题；有界合并在两种动态下有优势，在最难的那种下没有；GEO 上的 AUC 0.897 和 0.955，是在一个特定数据宇宙里量出来的。这些数字本身都是真的，不同之处只是它们各自回答的问题。读方法论文时，先把括号里的条件搞清楚，再决定这个数字在你的场景里值多少。
- Lossless compression of protein databases for efficient and accurate metagenomic sequence classification with Centrifuger.，bioRxiv : the preprint server for biology（PMID: 42818146）
- Phylodynamic inference with the bounded coalescent: a point process perspective.，ArXiv（PMID: 42818531）
- A mitoxyperiosis-associated gene signature correlates with immune disturbance and provides a potential diagnostic biomarker for systemic lupus erythematosus.，Clinical rheumatology（PMID: 42782481）