2. 物种丰度数据简介：OTU/ASV表格、样本-物种矩阵、常见数据格式
聊到生物信息学数据分析，大家接触最早的应该就是物种丰度数据了。说白了，它就是一份“谁在样本里，有多少”的清单。我个人习惯把这类数据看作一张巨大的电子表格，行是物种，列是样本，交叉点填的就是那个物种在这个样本里有多少条序列。
不过，具体怎么组织这张表，背后还有不少门道。我在项目中遇到过几次因为表格格式没对齐，导致下游分析全部报错的情况——嗯，从那以后我对数据格式就格外上心了。
2.1 核心概念：OTU 与 ASV
在讨论表格之前，得先搞明白两个核心概念：OTU（Operational Taxonomic Unit，操作分类单元）和 ASV（Amplicon Sequence Variant，扩增子序列变体）。
- OTU：早期扩增子分析的标准做法。把相似度 ≥97% 的序列归并成一个 OTU。我刚开始做这行时，大家几乎都用 OTU，因为它计算量小，能处理大规模数据。
- ASV：后来出现的升级版。不设相似度阈值，直接对序列进行去噪，区分到单碱基差异。我建议现在做新项目尽量用 ASV，精度更高，可重复性也好。
实战经验：OTU 和 ASV 的表格结构完全一样，下游分析工具也大多兼容。所以你只需要关心上游分析流程用的是哪种方法，切换到 BIOM 格式的操作几乎没区别。
2.2 物种丰度表格：谁在什么地方有多少
无论 OTU 还是 ASV，最终输出的都是一种叫做“丰度表”的东西。它的标准结构很简单：
- 行：代表 OTU/ASV 的 ID（例如 OTU_1、ASV_10）或物种分类名称（如 Escherichia coli）。
- 列：代表样本名称（例如 Sample_A, Sample_B）。
- 值：非负整数，表示该 OTU/ASV 在该样本中被观测到的序列条数。
举个例子，典型的 OTU 表长这样：
OTU_ID Sample_A Sample_B Sample_C
OTU_1 1520 0 834
OTU_2 0 2301 95
OTU_3 480 1100 0
OTU_4 0 0 4200你看，这就是一个标准的样本-物种矩阵。每一行代表一个物种单元，每一列是一个样本，数值就是丰度。零值表示在该样本中没检测到该物种。
避坑指南：我曾经遇到过一份 OTU 表，形状是“样本×OTU”（即行为样本、列为 OTU），结果导入 BIOM 工具死活报错。所以要记住：标准格式必须是OTU/ASV 为行，样本为列。如果搞反了，需要先转置，才能继续往下走。
2.3 常见数据格式：TSV、CSV 与 BIOM
物种丰度表格在转成 BIOM 之前，最常见的存储格式就是 TSV 和 CSV。它们本质上都是纯文本表格，区别只在于分隔符：
- TSV（Tab-separated values）：用制表符（Tab）分隔列。我个人习惯用 TSV，因为很多 Linux 命令行工具天然支持 Tab 分隔，而且不容易和数据内容里的逗号冲突。
- CSV（Comma-separated values）：用逗号（,）分隔列。Excel 默认打 CSV 很方便，但如果物种名称或注释里包含逗号，就得加引号包裹，否则会错列。
下面是一个对应的 CSV 格式示例：
OTU_ID,Sample_A,Sample_B,Sample_C
OTU_1,1520,0,834
OTU_2,0,2301,95
OTU_3,480,1100,0
OTU_4,0,0,4200你一眼就能看到区别：逗号代替了 Tab 键。数据内容完全一样。
| 特性 | TSV | CSV | BIOM |
|---|---|---|---|
| 分隔符 | 制表符 (\t) | 逗号 (,) | 二进制或 JSON |
| 人类可读性 | 高（文本格式） | 高（文本格式） | 低（需工具解析） |
| 元数据支持 | 差（无标准方法） | 差（无标准方法） | 强（内置扩展） |
| 压缩率 | 一般 | 一般 | 优秀（HDF5版本） |
| 跨平台兼容 | 高 | 高 | 中（需专用库） |
重要提醒：TSV 和 CSV 文件行末不要有额外的空行或空格。我排查过很多次导入问题，最后发现是 Excel 保存时在最后一列后面加了一个逗号，或者结尾多了一个空行。这些“隐形”错误，用 head 或 cat -A 命令就能发现。
2.4 知识体系：从原始数据到 BIOM 格式
下面的 SVG 图展示了一张完整的知识流转路径。它帮助你理解物种丰度数据在整个分析流程中的位置，以及各种格式之间的转换关系。
说实话，看完这张图你就明白了：物种丰度数据从产生到被工具消费，中间经历了一个标准的、可复用的流程。把原始测序数据变成 OTU/ASV 表格，再用 TSV/CSV 存储，最后转成 BIOM 格式交付给下游分析——每一步都有清晰的定义和最简实践。
我的小建议：刚开始接触这个领域时，不用追求一次搞懂所有细节。先把“样本-物种矩阵”长什么样记清楚，然后记住 TSV 和 CSV 的区别就够了。等你真的需要把表格导入 QIIME2 或 phyloseq 时，咱们再深入到 BIOM 格式的微观结构。