如何编写提升实验室工作效率的样本混样pooling算法

最优混样组合计算方案 #

你描述的场景属于分组检测（Group Testing）的经典优化问题，核心目标是基于给定的阳性发生率最小化总检测次数，实现逻辑如下：

• 首先计算单池最优容量：已知阳性发生率p=0.036，单样本期望检测次数的计算公式为 E = 1/k + 1 - (1-p)^k，其中k为单池样本量。遍历计算可得，当k=17时E取最小值0.28，即单样本平均仅需0.28次检测，比单检降低72%的工作量。
• 跨种群分组策略：你支持任意拆分种群的前提下，无需按种群维度绑定分组，直接将所有207株样本按17株/池的最优大小拆分即可，初始仅需跑13次检测。如果需要保留种群溯源维度，可以优先将同种群样本凑满最优池大小，不足部分再跨种群拼接，降低后续阳性拆分的溯源成本。

阳性池高效拆分策略 #

根据实验室的运行模式可以二选一：

• 递归二分拆分（适合小通量、逐轮出结果的场景）：
  • 阳性池容量≤4时直接单检所有样本，该规模下拆分的检测成本高于直接单检
  • 阳性池容量>4时平均拆为2个子池分别检测，子池阴性则整组排除，子池阳性则继续按上述规则拆分，直到定位到阳性单株
    0.036的阳性率下，单个17样本的阳性池平均仅含0.6个阳性，二分法平均仅需额外5次检测即可定位阳性，加上初始1次池检测，总次数远低于全池单检。
• 二进制编码矩阵法（适合高通量、单轮出结果的场景）：
  给每个样本分配唯一的二进制编码，编码的每一位对应一个检测池的入组标识，编码位为1则加入对应池。最终根据阳性池的组合匹配编码即可直接定位所有阳性样本，无需等待上一轮检测结果。207个样本仅需8次检测即可一次性定位所有阳性，适合需要快速出结果的场景。

参考实现代码 #

最优池大小计算 #

import math
p = 0.036
min_expected = float('inf')
best_pool_size = 1
for k in range(2, 50):
    # 计算单样本期望检测次数
    expected = (1 / k) + 1 - pow(1 - p, k)
    if expected < min_expected:
        min_expected = expected
        best_pool_size = k
print(f"最优池大小：{best_pool_size}，单样本期望检测次数：{round(min_expected, 3)}")

样本自动分组实现（基于给定种群数据） #

data = {'pop':[1,2,3,4,5], 'size':[23,45,65,31,43]}
# 生成带种群标识的全量样本列表
all_samples = []
for pop_id, count in zip(data['pop'], data['size']):
    all_samples.extend([f"pop{pop_id}_sample_{idx}" for idx in range(count)])
# 按最优池大小拆分
best_pool_size = 17
pools = [all_samples[i:i+best_pool_size] for i in range(0, len(all_samples), best_pool_size)]
print(f"初始池总数：{len(pools)}")

内容的提问来源于stack exchange，提问作者Kuehlschrank