当 Rust 遇上转录组定量：一个本地优先生信 SDK 的可复现性实测报告

Linxira Bio SDK 基准报告 · 2026-09-14（2026-09-15 增补 §5.4：26 样本深库补算批次） 作者：Linxira-OS 项目维护者 · 许可证：AGPL-3.0-or-later（代码）/ CC-BY-4.0（本文） 仓库：https://github.com/Linxira-OS/linxira-bio-sdk

产品页：Linxira Bio SDK 自述声明：当前为作者自述复现报告，未经第三方独立验证。按 REFORMS 清单（ML 研究可复现性报告标准，32 项，Science Advances 2024）自评：23 项达标、9 项因研究性质不适用（本研究不含 ML 建模任务，涉及模型选型/损失函数/数据泄漏/统计检验的条目自然豁免）、0 项未达标。第三方交叉复现为后续计划。

摘要

我们对本地优先（local-first）的生信执行工具包 Linxira Bio SDK 做了两类实测： (1) 三后端一致性——同一算法的 Rust / Python / R 三套独立实现，在相同输入上 是否给出相同结果；(2) 参考管线精确复现——SDK 编排上游 salmon 2.7.0，在 真实公共 RNA-seq 数据上，能否逐转录本复现已有定量管线的输出。结论：三后端在 1e-6 容差内逐字段一致（多项逐位一致）；在 10 个正常覆盖的配对样本上， TPM Pearson r = 1.000000（σ = 0）、每条转录本的 NumReads 与参考管线完全 相同（相对差 = 0），且全部指标通过 3σ 检验（零离群）。在此基础上，我们用 同一条已验证管线为既有管线尚未计算的 26 个样本完成补算（约 5.2 亿 reads， 全部输出完整 33,955 转录本 ID 集），批次历经一次真实的计划内重启并在开机 20 秒后自动续跑、零人工干预跑完。本报告公开全部数据来源（公共 SRA 检索号）、 软硬件环境、方法学与复现命令。

1. 背景

Linxira Bio SDK 的核心设计是”Rust 确定性引擎 + 受控外调原生工具 + 三端 交叉验证”：对统计类分析，引擎用 Rust 实现，并在 benchmark pack 中提供同一 算法的 Python 与 R 独立实现；对生态级工具（salmon、fasterq-dump、kraken2 等），引擎做受控、无 shell 的编排，并把输出归约为可校验的结构化结果。

本次实测回答两个问题：

1. 三套实现的结果能否互证？（可信度）
2. 在真实数据、与既有管线完全相同的参数下，SDK 能否复现其输出？（正确性）

2. 数据来源（全部公开）

原始 reads 与参考索引保留在实验工作站、不入仓库；本报告及仓库仅承载指标、 方法学与来源记录。

3. 环境披露（完整）

3.1 批量化验证工作站（Linux）

3.2 三端基线环境（Windows + WSL2）

3.3 软件引用

• Patro R, Duggal G, Love MI, Irizarry RA, Kingsford C. Salmon provides fast and bias-aware quantification of transcript expression. Nature Methods 14, 417–419 (2017).
• Leinonen R, Sugawara H, Shumway M; INSDC. The Sequence Read Archive. Nucleic Acids Research 39, D19–D21 (2011).（SRA Toolkit / fasterq-dump）
• Cock PJA et al. Biopython. Bioinformatics 25, 1422–1423 (2009).
• Page AJ et al. Biostrings. Bioconductor（R 参考实现使用）。
• Rust 侧关键 crate：flate2（含 zlib-ng 后端规划）、csv、serde、rayon（路线 图见仓库 docs/RUST_NATIVE_ROADMAP.md）。

4. 方法

4.1 三后端一致性（bench-20260913-001）

同一算法三种语言独立实现（Rust 引擎 / Python pack / R pack），相同输入、 每后端预热 1 次后计时 5 次：中位 wall time 与峰值 RSS（/usr/bin/time -v）。 一致性判据：结构化字段级 diff，数值相对容差 1e-6。

4.2 参考管线精确复现（bench-20260914 系列）

每个样本的完整流程（全部经公开 CLI，无内部捷径）：

# 1) SRA → FASTQ（解压段计时）
fasterq-dump -e 8 --force -O <tmp>/<run>-fq <run>.sra
# 2) SDK 编排 salmon 量化（量化段计时；参数与参考管线完全一致）
export LINXIRA_BIO_SALMON=/path/to/salmon
linxira-bio expression quantify <run>_1.fastq <run>_2.fastq \
  --index <salmon_idx> --threads 8 --seq-bias --gc-bias \
  --output <results>/<run>/quant.sf --json

3σ 验收原则：对通过批次逐指标计算 mean/σ/3σ 区间与离群计数；批次级 PASS 要求零 3σ 离群且最差 TPM r ≥ 0.995。

5. 结果

5.1 三后端一致性（仓库 fixture，bench-20260913-001）

四项能力三端全部 Consistent（对 Rust golden：PDB 逐位一致 0.0，PCA/Venn 最大相对误差 2.26e-11）。小样本上墙钟由解释器启动主导——这正是该基线刻画 的对象；真实数据吞吐另见下节。

5.2 参考管线逐位复现（10 样本批量，bench-20260914-003/004）

与既有管线 quant.sf 的逐转录本对照（参数完全对齐：-l A -p 8 --validateMappings --seqBias --gcBias，同版本 salmon 2.7.0，同索引）：

批次级 3σ 验收：PASS（10/10 通过；零离群；最差 r = 1.000000）。

逐 run 明细（解压/量化秒、CPU 利用率 = (user+sys)/wall）：

首例同参数对照（SRR1460477，16.7M 映射 reads）同为 r = 1.000000、 NumReads 逐条相同。

5.3 部署验证与数据守卫

• 深库双端样本（SRA 3.68 GB → 2×9.07 GB FASTQ）全流程贯通，输出 quant.sf 与参考格式逐项一致（行数/ID/表头）。
• 截断守卫：行数非 4 倍数的截断 FASTQ 被结构化错误拒算（零静默产出）。 这在实际项目中并非理论问题——一次中断的传输恰好产生此类文件，而它曾导致 既有管线对同一 run 反复失败。
• 非 mRNA 文库自动暴露：14 个样本两套实现独立测得 0–0.0019% 映射率， 确认属小 RNA 类文库（应走 miRNA 专线），已标注 excluded: non-mRNA library。两类独立实现对同一数据给出同样的”近零映射”信号，本身就是交叉 验证价值的直接体现。

5.4 深库补算批次（26 样本、约 5.2 亿 reads、一次真实重启）

2026-09-14 至 09-15，我们用与 §5.2 完全相同的管线与参数（同版本 salmon 2.7.0、同索引、-l A -p 8 --validateMappings --seqBias --gcBias、8 线程钉定 8–15 核），对同项目研究中既有管线尚未计算的 26 个配对样本完成补算。这批 样本没有既有输出可比——它们正是等待计算的部分——因此验收标准为三条： ①输出行数与转录本 ID 集完整（33,955/33,955）；②管线本身已在 §5.2 于可对照 样本上取得 r = 1.000000 的逐位复现；③全程结构化日志留痕（逐 run 的 quantify.json / 日志 / CPU 计量）。

批次级结果：26/26 通过，每个 quant.sf 恰好 33,955 行；合计解压 8,891 s、 量化 6,551 s（≈4.3 小时纯计算，不含 NAS 拉取）；量化段 CPU 利用率中位 681%（8 线程近满载）。逐 run 明细（reads 为 NumReads 合计，util 为 (user+sys)/wall）：

† 近空文库边界样本，见下文观察 2。

观察 1：CPU·秒比墙钟稳定——这正是逐 run 记录 CPU 计量的原因。 同一组 深库样本（SRR1904944x，reads 16.9–18.5 M）在三种负载状态下完成计算：与主线 分析负载并发时（util 68–96%），量化墙钟 806–1,063 s；重启后近独占钉定核时 （util 659–694%），同类样本墙钟仅 72–154 s；中间态（SRR243 组，util 约 213–241%）介于两者之间。但折算 CPU 时间（user+sys）后，同规模样本收敛在 约 475–772 CPU·s，而墙钟散布达 15 倍（72–1,063 s）。结论与 §5.5 的诚实边界 一致：在这套机械硬盘 + 共享工作站的部署环境里，墙钟描述的是 I/O 与并发 环境，CPU·秒刻画的才是计算本身。任何跨负载状态的墙钟对比都应先看 util 列。

观察 2：空库边界再次被自动暴露。 SRR24322347 仅 16,927 条 reads、 4,257 个表达转录本（索引的 12.5%）——一个近乎空转的文库。与 §5.3 的非 mRNA 案例一样，它没有被静默混入任何均值，而是作为独立行留在台账中供下游 研究者自行判断；其 64 s 的量化耗时与 reads 规模成比例，处理本身正常。

真实重启下的自动续跑。 批次按计划跨越了主机的每日 06:50 计划重启： 06:50:30 重启，06:50:50（开机 20 秒后）用户级 systemd oneshot 单元自动触发 续跑——已完成样本按产物存在性跳过（4 个），残余 22 个按序继续，09:24:18 批次完成，全程零人工干预。续跑入口在启动前清理两类中断残渣：tmp 中的半解压 FASTQ，以及”存在 quant.sf 但 CSV 无终局行”的部分写出（防止残缺产物被误判为 已完成而跳过）。每个样本目录附 README（new_computation 标注：来源检索号、 quantifier 与参数、校验记录）；批次台账（含逐 run CPU 型号 / 钉定核 / 线程 / 利用率）见 bench/tier26-benchmark.csv。

5.5 诚实边界（我们不宣称什么）

1. 不宣称”打败 salmon/fasterq-dump 本体”——SDK 编排的就是同一引擎； 同参数下我们追求的是逐位复现（已达成），不是超车。
2. 本组墙钟时间受机械硬盘吞吐约束（基准 I/O 卷为 500GB 7200rpm HDD）， 表征部署环境，不构成引擎加速声明。
3. 零映射样本保留为边界用例；其上的 TPM 比较是噪声对噪声，任何实现都会 “失败”，不作为评分依据。
4. 跨机器、跨缓存状态（warm/cold）、跨代码版本（每份报告内嵌 git sha）的 数字永不混排。
5. §5.4 的补算样本没有既有输出可比（这正是补算的原因）；其正确性依据是 管线在可对照样本上的逐位复现与完整 ID 集校验，而非逐 run 相关系数。 该批次的墙钟同样受并发负载与机械硬盘 I/O 影响，仅供部署规划参考。

6. 复现

SDK 与全部基准工具开源：

# 三端基线（任一支持平台）
linxira-bio benchmark run sequence.stats.v1 \
  fasta=tests/fixtures/sequences/tiny.fa \
  --backends rust,python,r --repeat 5 --dataset-class sequence

# 真实样本：SRA → quant.sf（公开 CLI，两段计时见 --json 信封）
export LINXIRA_BIO_SALMON=/path/to/salmon
fasterq-dump -e 8 --force -O tmp/run-fq SRR1460477.sra
linxira-bio expression quantify tmp/run-fq/SRR1460477_1.fastq \
  tmp/run-fq/SRR1460477_2.fastq --index <salmon_idx> --threads 8 \
  --seq-bias --gc-bias --output results/SRR1460477/quant.sf --json

# 批量对照与 3σ 汇总（scripts/tier23-bench.sh + tier23-summarize.py）

# 批量补算：断点续跑（已完成样本按产物自动跳过）、逐 run CPU 计量入 CSV 台账
scripts/tier23-bench.sh --cli <linxira-bio> --index <salmon_idx> \
  --sra-dir <inbox> --reference-dir <ref_quant> --output-dir <results> \
  --tmp-dir <tmp> --csv <ledger.csv> --pin "taskset -c 8-15 nice -n 10" \
  --cores 8 --threads 8 --pull-source <nas>:<tier23> --scp-identity <key> \
  --fasterq <fasterq-dump> --runs <RUN...>

原始报告（每 run 的 JSON 信封、逐条 CPU 计量、3σ 统计对象）见仓库 benchmark-results/2026-09-13|14/。

7. 结语

“本地优先”的生信工具包要回答的第一个问题不是”多快”，而是”你算的对不对、 别人能不能信”。这一轮实测给出的答案是：同算法三语言互证一致；同参数对 既有管线逐位复现；数据异常会被大声拒绝而不是悄悄出数；4.3 小时的补算批次 在计划内重启后 20 秒自动接续、零人工干预跑完。速度数字（解释器对比 7.5–8.25×）是我们顺带拿到的东西，而可验证性才是产品本身。

Linxira-OS · AGPL-3.0-or-later（代码）· 本文 CC-BY-4.0 · https://github.com/Linxira-OS/linxira-bio-sdk