第4章：Snakemake通配符与输入输出模式

要说Snakemake最让我上头的功能，就是通配符。没有它，你只能为每个样本写一条规则——想想50个Seurat样本怎么办？手写50个rule？别开玩笑了。通配符让一条规则匹配无数个文件，管道瞬间变得灵活。

4.1 通配符匹配：规则里的变量

通配符说白了就是规则里的占位符。你写个花括号包住名字，比如 {sample}，Snakemake就会在运行的时候去匹配实际的样本名。

比如这条规则：

rule process_seurat:
    input:
        "data/{sample}/raw_counts.h5"
    output:
        "results/{sample}/seurat.rds"
    shell:
        "Rscript scripts/run_seurat.R {input} {output}"

这里 {sample} 就是通配符。当你请求输出文件 results/sampleA/seurat.rds 时，Snakemake 自动把 {sample} 设为 sampleA，然后去找输入 data/sampleA/raw_counts.h5。

通配符的约束机制

默认 {sample} 匹配任意字符（不包括路径分隔符），但有时候你得限制格式。比如样本名只能由字母和数字组成：

wildcard_constraints:
    sample = "[A-Za-z0-9]+"

我在项目中遇到过这样的坑：样本名里有下划线，结果通配符把整个路径都吞了，导致规则匹配失败。后来加了约束，再也没出过这种问题。

4.2 多输入与多输出：一个规则管多个文件

单细胞管道里，一个样本往往有多个输入文件。比如两个样本的Seurat对象合并成一份：

rule merge_samples:
    input:
        s1 = "results/sampleA/seurat.rds",
        s2 = "results/sampleB/seurat.rds"
    output:
        "results/merged/combined_seurat.rds"
    shell:
        "Rscript scripts/merge_seurat.R {input.s1} {input.s2} {output}"

多输出同理：

rule split_and_qc:
    input:
        "data/bulk_counts.csv"
    output:
        qc_report = "results/qc_report.html",
        filtered = "results/filtered_counts.csv"
    shell:
        "Rscript scripts/qc_and_filter.R {input} {output.qc_report} {output.filtered}"

我个人习惯用命名输出，这样在后续规则里引用更清晰，不会搞混顺序。

扩展模式：用expand批量生成文件名

当你需要在输入里使用多个通配符的组合时，expand() 函数是你的好朋友。它的本质是笛卡尔积展开。

rule aggregate_results:
    input:
        expand("results/{sample}/{condition}/seurat.rds",
               sample = ["A","B","C"],
               condition = ["control","treat"])
    output:
        "results/all_aggregated.rds"
    shell:
        "Rscript scripts/aggregate.R {input} {output}"

这段代码会展开成：

results/A/control/seurat.rds
results/A/treat/seurat.rds
results/B/control/seurat.rds
results/B/treat/seurat.rds
results/C/control/seurat.rds
results/C/treat/seurat.rds

你想想看，如果不这样写，你得手动列6个文件，多麻烦。

4.3 模式扩展：动态获取文件列表

很多时候你根本不知道样本列表是什么，比如今天新来了数据，明天又加了一批。这时候就得用 glob_wildcards() 自动扫描目录。

用glob_wildcards发现样本

假设你的原始数据都存在 data/ 下，每个样本有自己的子目录。你可以写一个rule来收集所有样本名：

SAMPLES, = glob_wildcards("data/{sample}/raw_counts.h5")
print(SAMPLES)

glob_wildcards 会扫描文件系统中匹配该模式的所有文件，然后提取 {sample} 的值。结果是一个元组，注意后面的逗号——这是Python的元组拆包语法，我一开始总忘。

另一种常见做法是用 lambda 函数动态构造输入：

rule all:
    input:
        lambda wildcards: expand("results/{sample}/seurat.rds",
                                 sample=SAMPLES)

这样的好处是——数据目录变了，样本列表也跟着变，你根本不用改Snakefile。

4.4 避坑指南：我在哪里摔过跤

4.5 核心逻辑：通配符解析流程

下面这张图总结了Snakemake是怎么把一条带通配符的规则变成具体任务的。

这张图的流程很直白：先是用户请求一个输出文件，Snakemake 从输出文件名里提取出通配符的值，然后去文件系统里找对应的输入文件。找到了就实例化规则，找不到的话它会往上找上游规则。这就是 Snakemake 的 “反向依赖解析” 机制，通配符是它运转的齿轮。