version: "1.0.0" name: bioinformatics-toolkit description: 基因组/病原体/生物信息分析工具箱：常见任务的标准工具链、流程模板与坑（序列处理、比对、变异、组装、系统发育、NGS 质检）。做生物信息分析时使用。 whenToUse: 涉及序列、比对、变异调用、组装、系统发育、NGS 数据处理等生信任务时。

生物信息工具箱（Bioinformatics Toolkit）

面向基因组 / 病原体 / 人类健康方向的常用任务与工具链。工具版本一律固定并记录到 envs/ 与实验 design.md。

常用工具链（按任务）

流程模板（建议的目录内组织）

experiments/E01/
├── design.md      # 目的、参考版本、参数、预期
├── code/          # 脚本（可复现，含版本号）
├── results/       # 中间与最终结果（按步骤编号 01_/02_/...）
└── log.md         # 实际运行命令 + 输出摘要（flagstat、统计数）

数据规范

• 原始测序数据：data/raw/，只读，登记到 data-inventory（来源、下载命令、md5/sha256）。
• 参考基因组：记录版本与下载来源（如 GCF_000000000.1）。
• 公共数据库（NCBI/ENA/SRA/EBI）：记录 accession 列表文件。
• 样本清单：data/samples.csv（样本 id、批次、条件），所有分析以此为唯一事实来源。

常见坑

• 参考版本不一致 → 变异/比对不可比：每个实验 design.md 写明参考版本。
• 工具版本漂移 → 复现失败：envs/ 固定 conda 环境与 lock 文件。
• 未做多重检验校正 → 假阳性：差异分析用 BH-FDR；GWAS 类用严格阈值。
• 批次效应 → 结论偏差：多样本先查批次（PCA/UMAP），必要时校正。
• 污染/混合样本 → 病原体分析先用 kraken2/fastq screen 检查。
• 染色体 vs 质粒/噬菌体序列 → 组装后分类，别混在一起分析。
• 不确定某个软件用法时，先查其文档（<tool> --help、官网），不要凭记忆写参数。

复现优先

每完成一个关键步骤，把命令、参数、版本写入 log.md；最终结果 artifact_save（见 artifact-provenance）。