4. 上游分析流程简介：QIIME2、mothur、USEARCH等工具链选择
说到微生物组数据分析的上游流程，说实话，很多人一上来就懵了。
QIIME2、mothur、USEARCH…… 到底该学哪个？
我刚开始接触这行的时候也纠结过。每个工具都有自己的“脾气”，用错了流程，后面全白干。
这一章，我带你捋清楚它们的核心区别。不扯虚的。
4.1 三大主流工具链概览
先给个全景图。这三套工具，说白了代表了三种不同的设计哲学。
| 工具链 | 核心语言 | 主要维护者 | 设计理念 | 我的评价 |
|---|---|---|---|---|
| QIIME2 | Python 3 + 插件式 | Knight & Caporaso 实验室 | 可重复、标准化、插件生态 | 适合团队协作和大型项目 |
| mothur | C++ 单文件命令行 | Schloss 实验室 | 一体化、传统方法集大成 | 教学友好，但生态相对封闭 |
| USEARCH / VSEARCH | C++ 单二进制 | Robert Edgar (USEARCH) / 社区 (VSEARCH) | 极简、高效、专注于核心算法 | 我私下最常用的“瑞士军刀” |
记住一句话：没有“最好”的工具，只有“最适合你当前数据集和问题”的流程。
4.2 QIIME2：标准化，但有点重
QIIME2 (Quantitative Insights Into Microbial Ecology 2) 是目前社区中最“正规军”的选择。
优点很明显：
- 使用 QIIME2 插件 (Artifacts) 管理数据。每个文件都被打包成一个 .qza，自带元数据和处理历史。你想想，这对于可重复性来说，简直是“黑盒”变“白盒”。
- 支持多种分类器：从经典的 Naive Bayes 到基于机器学习的 Q2-feature-classifier，我都试过，默认参数下结果很稳。
- 可视化做得相当好。Export 出的 .qzv 文件可以直接在浏览器里交互查看。
但是，坑也不少：
我曾经在一个 300 个样本的项目中直接用 QIIME2 的默认 DADA2 插件，结果跑了整整 48 小时还没出结果。后来发现是 QIIME2 的线程控制不如原生 DADA2 灵活。记住，QIIME2 为了标准化，牺牲了一定的性能微调空间。
典型的 QIIME2 上游命令长这样：
qiime dada2 denoise-paired \
--i-demultiplexed-seqs demux.qza \
--p-trim-left-f 0 \
--p-trim-left-r 0 \
--p-trunc-len-f 280 \
--p-trunc-len-r 200 \
--o-table table.qza \
--o-representative-sequences rep-seqs.qza \
--o-denoising-stats stats.qza嗯，这里要注意一个细节：--p-trunc-len 的值不是随便填的。我个人的习惯是先跑一个 FastQC 看看质量曲线，才能确定具体截断位置。
4.3 mothur：经典教科书，但稍显陈旧
如果你读过《微生物组实验手册》这类书，大概率会遇到 mothur。
它的强项：
- 把所有步骤（从 demultiplex 到 OTU 聚类）都打包在一个 batch 脚本 里。对于初学者来说，理解“一条龙”的流程逻辑特别直观。
- 门槛较低。下载一个 mothur 可执行文件，写一个 .batch 文件，跑就完了。
但说实话，我在实战中越来越少用 mothur 了：
- 它处理 16S V3-V4 区还行，但一旦涉及 ITS、18S 或宏基因组，mothur 的数据库支持就很吃力。
- 聚类算法主要基于 平均邻居 (average neighbor)，相比 USEARCH 的 UPARSE 和 UNOISE3，灵敏度偏低。
- 内存管理比较“原始”。我记得有一次跑 1000 个样品的扩增子，mothur 把所有数据都 load 进内存，直接崩了。我换成了 VSEARCH，20 分钟搞定。
一个典型的 mothur 流程片段：
screen.seqs(fasta=current, group=current, maxambig=0, maxlength=480)
unique.seqs()
count.seqs(name=current, group=current)
cluster(column=current, count=current, method=average)个人建议：用它来做教学演示或小数据集（< 50 个样本）很合适。但千万别在它身上吊死。
4.4 USEARCH & VSEARCH：轻量级的效率担当
这部分可能是我最想跟你聊的。
USEARCH 是 Robert Edgar 写的，很强，但 64 位版收费。VSEARCH 是开源替代，功能覆盖了 USEARCH 90% 的常用功能。
为什么我喜欢它？
- 速度极快。 因为它用 C++ 写得很底层，没有那些花哨的中间格式。我以前处理一个 16S 全长数据，QIIME2 要跑 3 天，USEARCH 只用了 6 小时。
- 输出干净。 输出了 OTU 表、代表性序列和 log 文件。没有插件系统，没有数据库依赖。你拿到 .uc 文件和 .txt 表格就能直接用。
- 聚类准确。 UNOISE3 算法比 UPARSE 更精细，能区分出真正生物学变异的 ASV (Amplicon Sequence Variants)，这个特性在灵敏度要求高的项目中特别关键。
避坑指南： 我建议你在使用 USEARCH 时，一定要仔细看输出日志里的 clustering 部分。它会在 97% 相似度下聚类，但默认的 --minsize 参数非常敏感。如果样本数多，--minsize 2 或 --minsize 8 会影响最终 OTU 数量。
核心命令示例：
vsearch --cluster_fast filtered.fasta \
--id 0.97 \
--strand plus \
--sizein \
--sizeout \
--fasta_width 0 \
--uc clusters.uc \
--centroids otus.fasta \
--otutabout otu_table.txt4.5 我常用的选型决策逻辑
那到底怎么选？我总结了一个非常朴素的决策流程。你照着做，基本不会翻车。
决策逻辑：
- 样本量：< 50 个？可以选 mothur 或 QIIME2。> 200 个？强烈建议 USEARCH/VSEARCH。
- 是否需要严格可重复性？ 要发文章或做公共数据？用 QIIME2 的 .qza 包，审计追踪清晰。
- 是否要处理混合数据？ 比如同时有 16S 和 ITS？用 USEARCH + 自己写的 shell 脚本更灵活。
- 是否熟悉命令行？ 新手直接上 QIIME2 的 Jupyter Notebook 环境；老手直接用 USEARCH 管道。
说实话，我现在自己做项目基本都是 VSEARCH + R (dada2 前端 + phyloseq 后端) 的组合。轻量、可控、也够快。
4.6 各流程的性能与可重复性对比
我做了一个详细的对比表，分享给你参考。你可以直接复制到项目文档里。
| 对比维度 | QIIME2 | mothur | USEARCH/VSEARCH |
|---|---|---|---|
| 运行环境 | conda环境，依赖多 | 单一二进制包 | 单一二进制包 |
| 内存占用 | 较高 (主要是 Python 中间对象) | 中等 | 极低 (C++ 直接操作缓冲区) |
| 聚类算法 | DADA2 (ASV 级别) | 平均邻居 (traditional OTU) | UPARSE / UNOISE3 (ASV) |
| 可重复性 | 极高 (完全容器化) | 中等 (依赖于 batch 文件手动管理) | 较高 (参数透明，但要自己写日志) |
| 社区活跃度 | 极高 | 中等 (维护变缓) | VSEARCH 社区活跃；USEARCH 更新慢 |
| 输出格式 | .qza / BIOM / .qzv | 共享文件 / .list | BIOM / .txt / .uc |
一个小经验： 如果你需要把结果发给合作者或上传到公共数据库 (如 ENA, NCBI)，QIIME2 输出的 .qza 包最受欢迎，因为它自带处理历史。但如果是自己内部迭代改参数，我建议用 VSEARCH 的 .txt 格式，方便在 R 或 Python 里直接操作。
4.7 我遇到过的“选错工具”的教训
讲个真事。
有一次，一个学员项目分析动物肠道菌群。项目不大，100 个样品。他图省事，用了 USEARCH 的默认参数跑聚类。结果出来后发现，OTU 数量特别少，很多低丰度的关键菌没被捡出来。
我检查后发现，问题出在 USEARCH 的 --id 0.97 聚类阈值和 --minsize 8 过滤。因为样本数少，minsize 8 直接砍掉了很多低频但真实存在的菌。改成 --minsize 2 后，结果就好了。
简单说，工具没问题，是你对工具参数的“理解深度”出了问题。
所以我养成了一个习惯：不管用哪个流程，第一遍先跑一个子集（比如 5-10 个样品）做参数探索。找到最佳参数后再全量跑。
千万别迷信默认参数！默认参数是为了最大兼容性，不是最佳灵敏度。
4.8 小结与实战建议
聊了这么多，你可能有点眼花缭乱了。我帮你总结三个简单的选择原则：
- 如果你或者你的团队需要严格的可重复性 (比如发高分文章)： 直接上 QIIME2，别犹豫。花一周适应它的插件系统，后面会特别省心。
- 如果你在做一个快速探索性分析，或者样本量 > 200： 用 VSEARCH。学习成本低，跑得快，数据足够你后续做统计。
- 如果你在学习阶段，想透彻理解每一步在干什么： 用 mothur。它像一本“教科书流程”，让你看到每一步对数据的影响。
对了，还有一句话要送给你：不要同时学三个。先选一个用熟，再横向对比其他。 我当年就是走了弯路，一个个试过来的，浪费了不少时间。