第 07 章：nf-core/ampliseq 真實案例——手動操作、AI 重做與 Skill 封裝

本章是前六章的整合實戰。學生先親手完成一次公開 paired-end 16S 資料分析，再讓 AI Agent 使用相同輸入重做，最後比較兩者並把可靠流程封裝成 nfcore-ampliseq-nano4 Skill。講師事先跑好的完整結果放在 GitHub Release，真實資料還沒跑完時可先下載觀看（見 §5.1）。

NOTE

課堂安排（第三堂）：開課先送出 §3.2 下載資料與 §3.3 官方 test profile（約 28 分鐘），等待時上第 05、06 章；§3.4 真實資料（約 1 小時 40 分鐘）、§4 AI 重做與 §6 Skill 封裝由講師示範，學生課後完成並依 §7 繳交。

text

人工操作一次
    ↓
AI Agent 重做
    ↓
比較資料、設定、結果與資源
    ↓
沉澱為可重用 Skill

IMPORTANT

官方 test profile 只驗證 Nextflow、Slurm、Singularity 與 pipeline 能否運作；真實資料才用於學習資料溯源與結果解讀。兩者目的不同，不能互相取代。

IMPORTANT

本章只使用 CPU，不申請 GPU。 本課程計畫為 GOV115088，在 NGS CPU 佇列中只能使用 ngs62g （官方規格：每個作業 -c 8 --mem=62G，最長 4 天）。因此 Nextflow driver 與所有 pipeline 子工作都送到 ngs62g，並一律依官方規格申請 8 核心 / 62 GB，不使用 ngs1gpu～ngs8gpu，也不加入 --gres=gpu。

NOTE

本章實作檔案位於教材 repository。若重新開啟終端機，先回到本章目錄：

bash

cd "$HOME/Nano4-Docs/07-nfcore-ampliseq-case-study"

0. 本章故事：一位研究生的一天

先讀這一節，再動手。後面每一個指令，都對應到這個故事裡的一個決定。

0.1 研究問題

小林是研究「早期生活壓力」的研究生。他讀到一篇論文： Early life stress in mice alters gut microbiota independent of maternal microbiota inheritance。

研究者讓一組幼鼠經歷 MSEW（Maternal Separation with Early Weaning，母鼠分離＋提早斷奶），這是模擬「童年早期壓力」的常用小鼠模型；另一組幼鼠正常飼養，作為 Control。他們想知道：

早期壓力會不會改變幼鼠的腸道菌相（腸道裡有哪些細菌、各佔多少）？
如果會改變，是不是只是因為「媽媽的菌傳給了小孩」？論文標題的答案是：不是，改變與母鼠菌相的遺傳無關。

要回答「腸道裡有哪些細菌」，研究者對糞便樣本做 16S rRNA 擴增子定序：只把細菌共有的 16S 基因中一小段（V4 區）放大後定序。每條 read 就像一張細菌的「條碼」，比對條碼就能知道是哪種細菌。

0.2 指導教授的任務

指導教授請小林：「用作者公開的原始資料，在國網 Nano4 上把分析流程重現一次，而且要讓別人看得懂、能重跑。」為了在課堂時間內完成，小林只挑 6 個樣本：3 個 Control、3 個 MSEW，全部是同一批實驗（exp1）、出生後第 10 天（PD10）、公鼠，並且各來自不同窩（litter）。分組完全照作者的 metadata，小林沒有自己發明任何分組。

0.3 小林的做法，也就是本章的步驟

小林的想法	對應章節	你要做的事
「先搞懂資料從哪來、為什麼是這 6 個樣本。」	1、3.1	讀 `study_notes.md`、樣本表與 manifest
「資料要下載完整、而且沒損壞。」	3.2	在計算節點下載 FASTQ 並逐檔核對 MD5
「先別急著跑真資料，確認機器這關能過。」	3.3	跑 nf-core 內建的 test profile
「環境沒問題了，才跑真實資料。」	3.4	跑 6 個樣本的完整分析
「讀懂結果，不要過度解讀。」	5	依序看 QC、primer 移除、DADA2、多樣性
「請 AI 用同樣的資料再做一次，並逐項檢查它。」	4	AI 重做、人工核准、比較差異
「把做對的規則留下來，下次直接用。」	6	封裝成 Skill

0.4 為什麼一定要先跑 test？

分析失敗時，原因只有兩大類：環境問題（軟體、容器、Slurm 設定、權限）或資料問題（檔案損壞、primer 錯誤、樣本表寫錯）。 test profile 使用 nf-core 官方準備好、保證正確的小型資料：

test 成功 → 環境沒問題。之後真實資料若失敗，就專心檢查資料與參數。
test 失敗 → 問題一定在環境，不必懷疑資料。

先用 test 把兩類問題分開，除錯範圍立刻縮小一半。這是實務上跑任何 nf-core pipeline 的標準做法。也因為 test 資料是「軟體測試用」，它的分組與圖表不能拿來做任何生物學解讀。

0.5 nf-core/ampliseq 幫小林做了什麼？

nf-core/ampliseq 是社群維護的標準化擴增子分析 pipeline。它把下面這些步驟串在一起，每一步都會變成一個（或數個）Slurm 作業：

步驟	工具	白話說明	結果目錄
1. 原始資料品質檢查	FastQC / MultiQC	看定序品質好不好、有沒有異常	`fastqc/`、`multiqc/`
2. 移除 primer	Cutadapt	切掉每條 read 開頭的引子（515F / 806R），只留真正的菌種序列；找不到 primer 的 read 會被丟掉	`cutadapt/`
3. 去雜訊、找出 ASV	DADA2	過濾低品質 reads、校正定序錯誤、合併雙端 reads、去除嵌合體，得到 ASV（Amplicon Sequence Variant，精確到單一鹼基的「序列種類」）與每個樣本的數量表	`dada2/`
4. 物種分類	DADA2 + SILVA 138.2	拿每個 ASV 去比對 SILVA 參考資料庫，判斷它是哪個門、綱、目、科、屬	`dada2/`、`qiime2/abundance_tables/`
5. 多樣性分析	QIIME 2	alpha 多樣性：單一樣本內菌種有多豐富；beta 多樣性：兩個樣本菌相有多不同，並以 PCoA 圖呈現分組	`qiime2/diversity/`
6. 總結報告	MultiQC / summary report	把各步驟的統計彙整成網頁報告	`multiqc/`、`summary_report/`

0.6 執行時你會看到什麼？

送出 test 或真實資料的作業後，只需要執行一次 squeue --me 查看（不要用 watch 反覆刷新）：

text

 JOBID PARTITION     NAME     USER ST   TIME NODES NODELIST(REASON)
425914    ngs62g ampliseq  student  R  03:12     1 25a-cpn01
425930    ngs62g nf-NFCOR  student  R  00:41     1 25a-cpn01
425931    ngs62g nf-NFCOR  student PD  00:00     1 (Priority)

squeue 預設只顯示作業名稱的前 8 個字元，所以 ampliseq_test 會顯示成 ampliseq、nf-NFCORE_… 會顯示成 nf-NFCOR。

你看到的	意思
`ampliseq_test` / `ampliseq_real`	主控作業（driver）：裡面跑 Nextflow，負責依序把每個分析步驟送出成子作業。它會一直執行到整條 pipeline 結束
`nf-NFCORE_AMPLISEQ_…`	子作業：pipeline 的某一個步驟，例如 `…_DADA2_DENOISING`、`…_QIIME2_DIVERSITY_…`。會陸續出現、結束，數量可達上百個
`ST` = `R`	Running，正在計算節點上執行
`ST` = `PD` + `(Priority)` / `(Resources)`	Pending，正在排隊等資源，屬正常現象
`ST` = `PD` + `(Dependency)`	等待其他作業先完成

每個子作業都依 ngs62g 官方規格申請 8 核心 / 62 GB。進度請看 driver 的日誌 ampliseq_test-<JOB_ID>.out：每行 [PROCESS …] 代表一個步驟被送出；最後出現 Pipeline completed successfully 才代表成功。

1. 本章使用的兩套資料

1.1 nf-core/ampliseq 官方 test profile

固定使用 nf-core/ampliseq 2.18.0 的 test profile。該 profile 隨 pipeline 版本提供小型輸入與完整參數，適合確認：

Nextflow 可以啟動；
executor = slurm 確實提交子工作；
Singularity/Apptainer 能執行國網預先下載的容器；
/work/${USER} 的 work 與 cache 可由所有節點存取；
nf-core/ampliseq 能跑到完成。

它不是一個具備完整研究問題的正式 cohort，因此不拿 test profile 的 PCoA 或分組結果做生物學結論。

1.2 公開研究 PRJNA605008

真實案例使用論文 Early life stress in mice alters gut microbiota independent of maternal microbiota inheritance 公開於 ENA/SRA 的 raw FASTQ，以及作者公開的 mapping_file.txt。

為配合課堂時間，本章選出六個原始樣本：

Pipeline ID	作者 SampleID	Treatment	Litter	BioSample	Run
`C_L1_03`	`C-L1-03`	Control	`CONT-L1`	`SAMN14007776`	`SRR11028771`
`C_L2_03`	`C-L2-03`	Control	`CONT-L2`	`SAMN14007781`	`SRR11028740`
`C_L3_04`	`C-L3-04`	Control	`CONT-L3`	`SAMN14007789`	`SRR11028776`
`M_L1_03`	`M-L1-03`	MSEW	`MSEW-L1`	`SAMN14007807`	`SRR11028732`
`M_L2_03`	`M-L2-03`	MSEW	`MSEW-L2`	`SAMN14007818`	`SRR11028720`
`M_L3_03`	`M-L3-03`	MSEW	`MSEW-L3`	`SAMN14007827`	`SRR11028758`

六個樣本均為作者 metadata 中的 exp1、PD10、MALE，並分別來自三個 litter。課堂沒有發明 Control/MSEW 分組。因 nf-core/ampliseq 2.18.0 的 sample ID 不能包含連字號，只有 pipeline ID 將 - 可逆地改成 _；原始 SampleID 仍保存在 metadata。

研究使用的 primer 是：

text

515F  GTGYCAGCMGCCGCGGTAA
806R  GGACTACNVGGGTWTCTAAT

本章已抽查 ENA raw reads，read 開頭實際包含相符的 degenerate 515F，因此正式命令會提供 primer 讓 Cutadapt 移除。這個判斷來自該研究與 FASTQ 內容，不是因為它剛好也是 nf-core 文件的範例 primer。

2. 工作目錄與先備檢查

程式碼留在 Git repository，大型資料與 cache 全部寫入 WekaFS（約 286 MB FASTQ 加上 taxonomy 與 Nextflow work）：

text

/work/${USER}/nfcore-ampliseq-course/
├── data/                       # ENA raw FASTQ
├── metadata/
│   ├── samplesheet.tsv         # 腳本由 manifest 產生
│   └── metadata.tsv            # 作者 metadata 的課堂子集
├── cache/
│   ├── nextflow/
│   ├── singularity/            # 個人補抓的容器 (共享快取缺少時才使用)
│   ├── singularity-library/    # 指向國網共享容器快取的連結
│   ├── singularity-runtime/
│   └── taxonomy/               # SILVA 138.2，第一次正式分析時下載
├── provenance/
├── results-test/
├── results-real/
├── work-test/
└── work-real/

WARNING

/work/${USER}/nfcore-ampliseq-course/ 是本案例的短期運算工作區，不是永久保存位置，也沒有備份。學生完成分析後，至少要保留 data/ 的來源紀錄、metadata/、provenance/、pipeline 版本／命令、Slurm Job ID 與必要的 results-*；再依 GP1 官方規範移到長期儲存或核准的備份位置。先用 hfsquota 確認配額，避免 FASTQ、container cache 與 Nextflow work 佔滿 /work。

2.1 國網離線 nf-core 環境

本章使用國網中心預先封裝的 biology/nf-core-ampliseq/2.18.0 模組，而不是讓每位學生各自從 GitHub 與容器 registry 下載：

項目	來源
Nextflow 26.04.6 與 Java	模組相依的 `biology/Nextflow/26.04.6`
nf-core/ampliseq 2.18.0 程式碼	`$NFCORE_AMPLISEQ_HOME`（國網預載）
Singularity 容器	國網共享唯讀快取（預先下載）
站台 Slurm／容器設定	`$NFCORE_SITE_CONFIG`，再疊加本章 `config/nano4.config`
SILVA 138.2 taxonomy	第一次正式分析時由計算節點下載到 `cache/taxonomy/`
ENA FASTQ	`01_prepare_real_data.slurm` 在計算節點下載

scripts/nfcore_env.sh 會在每個 driver job 內執行 module purge 與 module load biology/nf-core-ampliseq/2.18.0，並把 cache 導向 /work。有兩個站台細節由它和 config/nano4.config 處理：

國網 site.config 會依記憶體把每個 process 分到 ngs8g、ngs16g…，但 GOV115088 只能用 ngs62g，所以 nano4.config 把所有 process（含 process_high_memory）固定送到 NFCORE_PARTITION，並以 withName: '.*' 讓每個 process 都依 ngs62g 官方規格申請 8 CPU / 62 GB（覆蓋 nf-core 內建的 1 GB、3 GB 等預設值），時間上限 96 小時。
共享容器快取中有少數檔案其實是下載失敗的 HTML 錯誤頁（例如 bioconductor-biostrings-2.58.0）。nfcore_env.sh 只連結有效的映像檔，缺少的會自動下載到個人 cache/singularity/，不會因唯讀快取而失敗。

2.2 先備檢查

先確認環境，不要在登入節點直接啟動分析：

bash

cd "$HOME/Nano4-Docs/07-nfcore-ampliseq-case-study"
hostname
wallet GOV115088
module load biology/nf-core-ampliseq/2.18.0
nextflow -version
singularity --version || apptainer --version
module purge

執行唯讀 preflight，確認 GOV115088 與 ngs62g 的授權：

bash

bash "$HOME/Nano4-Docs/06-skills-hub/nano4-slurm-operations/scripts/slurm-preflight.sh" \
    --project GOV115088 \
    --partition ngs62g

GOV115088 在 NGS CPU 佇列中只有 ngs62g 可用；若日後改用其他計畫，仍須以當天的 wallet、association 與 partition policy 為準。

3. 第一階段：學生手動操作一次

3.1 閱讀資料來源

先閱讀以下三個檔案：

bash

cd "$HOME/Nano4-Docs/07-nfcore-ampliseq-case-study"
less metadata/study_notes.md
column -ts $'\t' metadata/course_subset.tsv | less -S
column -ts $'\t' data/ena_manifest.tsv | less -S

學生應能回答：為什麼選這六個樣本、哪些欄位來自作者、為什麼 sample ID 需要正規化，以及為什麼六個樣本不能代表完整研究。

3.2 下載及驗證真實 FASTQ

下載在計算節點進行。script 會下載約 286 MB 的 ENA FASTQ、逐檔核對 ENA MD5，並由固定 manifest 建立 samplesheet。課前實測（2026-09-23）約 5 分鐘完成； ENA 伺服器偶爾會在傳輸中途斷線，script 會自動重試並從斷點續傳，.err 日誌中出現 Will retry 屬正常現象：

bash

export NFCORE_ACCOUNT=GOV115088
export NFCORE_PARTITION=ngs62g

sbatch \
    --account="${NFCORE_ACCOUNT}" \
    --partition="${NFCORE_PARTITION}" \
    scripts/01_prepare_real_data.slurm

提交後記下 Job ID，只做一次狀態快照：

bash

squeue -j '<JOB_ID>'

完成後檢查：

bash

sacct -j '<JOB_ID>' \
    --format=JobID,JobName%24,Account,Partition,State,ExitCode,Elapsed,ReqMem,MaxRSS

column -ts $'\t' \
    "/work/${USER}/nfcore-ampliseq-course/metadata/samplesheet.tsv"

3.3 執行官方 test profile

-profile test,singularity 會載入 test 資料設定與 Singularity 執行環境；國網 site.config 與本章 config/nano4.config 才負責將各個 nf-core process 送進 Slurm。 pipeline 與容器都來自國網離線環境，只有 test profile 的小型輸入與 taxonomy 會從網路下載。課前實測（2026-09-23）約 28 分鐘完成，共 125 個 Slurm 子工作、0 個失敗（實際時間視排隊狀況而定）。最後顯示 Pipeline completed successfully 即為成功。

bash

export NFCORE_ACCOUNT=GOV115088
export NFCORE_PARTITION=ngs62g

sbatch \
    --account="${NFCORE_ACCOUNT}" \
    --partition="${NFCORE_PARTITION}" \
    --export=ALL,NFCORE_ACCOUNT,NFCORE_PARTITION \
    scripts/02_run_official_test.slurm

這裡有兩層 Slurm 工作：

text

Slurm driver job
    └── Nextflow
          ├── Slurm process: FastQC
          ├── Slurm process: Cutadapt
          ├── Slurm process: DADA2
          └── Slurm process: QIIME2 / MultiQC / reports

主控 Nextflow 也放在 Slurm 作業中（同樣依 ngs62g 官方規格 8 核心 / 62 GB），避免在登入節點長時間執行 Java 程序。執行時 squeue 的畫面與各欄位意思，請見 0.6 執行時你會看到什麼？。

3.4 執行真實資料

只有在下載工作和官方 test 都成功後才提交。官方 test 約需 28 分鐘，若期間重新開過終端機，請先重新設定變數：

bash

cd "$HOME/Nano4-Docs/07-nfcore-ampliseq-case-study"
export NFCORE_ACCOUNT=GOV115088
export NFCORE_PARTITION=ngs62g

sbatch \
    --account="${NFCORE_ACCOUNT}" \
    --partition="${NFCORE_PARTITION}" \
    --export=ALL,NFCORE_ACCOUNT,NFCORE_PARTITION \
    scripts/03_run_real_data.slurm

正式作業固定：

nf-core/ampliseq 2.18.0；
研究原始 515F/806R primer；
作者原始 metadata 與 treatment；
DADA2 taxonomy silva=138.2（國網離線資料只有 SILVA 138 的 QIIME 2 格式與 GTDB，因此由計算節點下載一次到 cache/taxonomy/）；
-resume 支援安全續跑；
container、taxonomy 與 work cache 位於 /work/${USER}。

課前實測（2026-09-23）約 1 小時 40 分鐘完成，共 79 個 Slurm 子工作、0 個失敗。其中 QIIME 2 稀釋曲線（QIIME2_ALPHARAREFACTION）一個步驟就佔約 1 小時 30 分鐘，這段時間 squeue 只會看到它一個子作業在跑，log 也不再更新，屬正常現象，不是卡住。

NOTE

nf-core/ampliseq 2.18.0 使用 --FW_primer 與 --RV_primer。開發版文件可能顯示新版名稱；因本課固定 2.18.0 版，參數也必須依 2.18.0 文件與 schema。

4. 第二階段：讓 AI Agent 重做

人工版完成後才使用 prompts/ai_reproduce.md。這份 prompt 會要求 AI 使用 nfcore-ampliseq-nano4 等 Skills；若尚未在第 06 章安裝，請先執行：

bash

cd "$HOME/Nano4-Docs/06-skills-hub"
bash sync_skills.sh

AI 必須先讀取研究資料、提出計畫並完成 live preflight，在學生確認 account、 partition、資源與實際命令前不得提交工作。

AI 版應使用獨立位置，例如：

text

/work/${USER}/nfcore-ampliseq-course-ai/

不要讓 AI 覆寫人工版。兩版完成後比較：

bash

# samplesheet：人工版 vs AI 版
diff -u /work/${USER}/nfcore-ampliseq-course/metadata/samplesheet.tsv \
        /work/${USER}/nfcore-ampliseq-course-ai/metadata/samplesheet.tsv

# Nextflow 設定：課程提供的 config vs AI 產生的 config（路徑依 AI 實際輸出調整）
diff -u "$HOME/Nano4-Docs/07-nfcore-ampliseq-case-study/config/nano4.config" \
        /work/${USER}/nfcore-ampliseq-course-ai/nano4.config

比較重點：

accessions、MD5 與配對是否一致；
sample ID mapping 是否可逆；
metadata 是否被 AI 擅自改組；
pipeline、primer、taxonomy 是否固定；
singularity profile 與 slurm executor 是否都有設定；
cache、work、results 是否正確放在 /work；
AI 是否先跑 test、先 preflight、取得確認後才提交；
AI 版與人工版的結果和資源需求是否有實質差異。

5. 第三階段：查看與解讀結果

5.1 還沒跑完真實資料？先看講師的示範結果

真實資料（3.4）約需 1 小時 40 分鐘。課堂上請先下載講師事先跑好的結果，在自己的電腦用瀏覽器打開即可，不需要連上 Nano4：

📦 第 07 章示範結果（GitHub Release）

檔案	內容	建議
`ampliseq_summary_report.html`（8.5 MB）	nf-core 總結報告：每個步驟保留的 reads、分類結果、多樣性	先看這份
`ampliseq_multiqc_report.html`（2.6 MB）	原始 reads 與 Cutadapt 品質報告	第二份
`overall_summary.tsv`、`ASV_table.tsv`、`ASV_tax_species.silva_138_2.tsv`、`rel-table-6_genus.tsv`	主要結果表格	可用 Excel 開啟
`ampliseq_results-real.tar.gz`（17 MB）	完整結果，保留資料夾結構	想對照下方閱讀順序時再下載

報告中的執行路徑已將講師帳號改寫為 USER。示範結果與你自己跑出來的結果應該非常接近；若差很多，先回頭檢查 samplesheet 與 primer。

看報告時回答這幾個問題（答案為講師 2026-09-23 的實測結果）：

6 個樣本分別有多少 reads 通過 Cutadapt 與 DADA2？最後得到幾個 ASV？
門（phylum）與屬（genus）層級最多的是哪些？
Control 與 MSEW 的 Shannon 多樣性看起來有差嗎？
Beta diversity 的 PERMANOVA p 值是多少？可以說兩組微生物相不同嗎？

參考答案（先自己作答再展開）

每個樣本約 12–30 萬條 raw reads，Cutadapt 保留約 88–97%；經過 DADA2 過濾、去噪、合併與去除嵌合體後，每個樣本剩約 9–24 萬條，全部樣本共得到 125 個 ASV（見 overall_summary.tsv）。
幾乎全部是 Bacillota（約 99.7%）；屬層級以 Lactobacillus（約 87%）與 Staphylococcus（約 12%）為主，符合出生第 10 天（PD10）幼鼠腸道的特徵。
MSEW 組的 Shannon 值（約 0.43–1.03）整體比 Control 組（約 0.13–0.54）高，但每組只有 3 個樣本，差異可能只是個體變異。
Bray-Curtis 的 PERMANOVA p = 0.291，沒有統計顯著。即使 PCoA 圖上兩組看起來有分開，也不代表統計上不同；樣本數太少，不能據此宣稱重現論文結論。

5.2 檢查你自己跑出來的結果

真實資料（3.4）完成後，先列出主要報告與表格（此 script 只檢查 results-real）：

bash

bash scripts/04_inspect_results.sh

HTML 報告可用第 04 章 §6 的方式開啟，或在 VS Code / Antigravity 檔案總管對檔案按右鍵下載到自己的電腦。

閱讀順序：

pipeline_info/：確認版本、參數、process 狀態與執行時間。
multiqc/multiqc_report.html：查看 raw-read QC；這裡顯示的是未修剪 reads。
cutadapt/：確認 primer 找到率與 retained reads，避免 primer 填錯卻繼續分析。
dada2/：追蹤 filtering、denoising、merging、chimera removal 與 ASV 數量。
qiime2/abundance_tables/：查看 feature table 與 taxa abundance。
qiime2/diversity/：查看 alpha/beta diversity 與 PCoA。
seff <JOB_ID>：檢查 driver job；再用 sacct 查看 Nextflow 子工作資源。

PCoA 是視覺化，不等於統計顯著。本章只有六個樣本，不能宣稱重現完整論文，也不能忽略 litter、dam 與其他研究設計因素。

6. 第四階段：封裝並使用 Skill

本課程已提供：

text

06-skills-hub/nfcore-ampliseq-nano4/

同步後，AI 可在 nf-core/ampliseq 的 Nano4 資料準備、test、正式執行與結果檢查任務中自動載入它：

bash

cd "$HOME/Nano4-Docs/06-skills-hub"
bash sync_skills.sh

Skill 不會把本章六個樣本硬編碼成所有研究的標準。它封裝的是可重用規則：

text

資料溯源與 MD5
→ primer 與實際 reads 核對
→ sample/metadata 驗證
→ Nano4 live preflight
→ 官方 test profile
→ 使用者確認後正式提交
→ 結果與資源檢查

7. 繳交內容

text

1. manual-run-summary.md
   人工操作、Job IDs、版本、參數與主要結果

2. ai-run-summary.md
   AI 的計畫、人工核准點、Job IDs 與主要結果

3. comparison-report.md
   人工版和 AI 版的差異、錯誤與風險

4. skill-review.md
   哪些規則適合封裝、哪些生物學判斷仍需人工負責

5. my-nano4-slurm/SKILL.md
   第 03 章做的 skill，含第 06 章比較後補強的內容

完成本章後，學生不只是「會跑 nf-core」，而是能理解、監督、驗證並重用一套真實 HPC 生物資訊 workflow。

👈 回到：課程總綱與學習地圖

第 07 章：nf-core/ampliseq 真實案例——手動操作、AI 重做與 Skill 封裝 ​

📌 目錄 (Table of Contents) ​

0. 本章故事：一位研究生的一天 ​

0.1 研究問題 ​

0.2 指導教授的任務 ​

0.3 小林的做法，也就是本章的步驟 ​

0.4 為什麼一定要先跑 test？ ​

0.5 nf-core/ampliseq 幫小林做了什麼？ ​

0.6 執行時你會看到什麼？ ​

1. 本章使用的兩套資料 ​

1.1 nf-core/ampliseq 官方 test profile ​

1.2 公開研究 PRJNA605008 ​

2. 工作目錄與先備檢查 ​

2.1 國網離線 nf-core 環境 ​

2.2 先備檢查 ​

3. 第一階段：學生手動操作一次 ​

3.1 閱讀資料來源 ​

3.2 下載及驗證真實 FASTQ ​

3.3 執行官方 test profile ​

3.4 執行真實資料 ​

4. 第二階段：讓 AI Agent 重做 ​

5. 第三階段：查看與解讀結果 ​

5.1 還沒跑完真實資料？先看講師的示範結果 ​

5.2 檢查你自己跑出來的結果 ​

6. 第四階段：封裝並使用 Skill ​

7. 繳交內容 ​

第 07 章：nf-core/ampliseq 真實案例——手動操作、AI 重做與 Skill 封裝

📌 目錄 (Table of Contents)

0. 本章故事：一位研究生的一天

0.1 研究問題

0.2 指導教授的任務

0.3 小林的做法，也就是本章的步驟

0.4 為什麼一定要先跑 test？

0.5 nf-core/ampliseq 幫小林做了什麼？

0.6 執行時你會看到什麼？

1. 本章使用的兩套資料

1.1 nf-core/ampliseq 官方 test profile

1.2 公開研究 PRJNA605008

2. 工作目錄與先備檢查

2.1 國網離線 nf-core 環境

2.2 先備檢查

3. 第一階段：學生手動操作一次

3.1 閱讀資料來源

3.2 下載及驗證真實 FASTQ

3.3 執行官方 test profile

3.4 執行真實資料

4. 第二階段：讓 AI Agent 重做

5. 第三階段：查看與解讀結果

5.1 還沒跑完真實資料？先看講師的示範結果

5.2 檢查你自己跑出來的結果

6. 第四階段：封裝並使用 Skill

7. 繳交內容