Kraken2 简介：历史、发展、核心思想

如果你做过宏基因组物种分类，多半听过 Kraken 这个名字。它速度快，原理简单，而且准确率不差。我今天就跟你聊聊 Kraken2 是怎么来的，它到底靠什么做分类，以及我用它踩过哪些坑。

从 Kraken 到 Kraken2：一段不算长的进化史

Kraken 最早是 2014 年由 Johns Hopkins 的 Derrick Wood 团队发布的。那时候大家还在用 BLAST 或 Bowtie 搭流程，跑完一个样本要好几个小时。Kraken 提出了一个大胆的想法——直接用精确的 k-mer 匹配，结合 LCA 算法，把分类速度提到了分钟级。

我记得第一次跑 Kraken 1，看到它几秒读完 10M 条 reads，我都愣住了。但后来发现，它的内存消耗确实大。运行时间虽然快，但建库阶段内存直接干到 100 GB 以上，普通服务器根本扛不住。

2019 年，Kraken2 出来了。它做了两个关键改进：

• 改用 spaced seeds 索引。原本 Kraken 1 用长度为 L 的 k-mer，Kraken2 用了“间隔种子”——只匹配其中部分位置。这能大幅压缩索引体积。
• 引入 compact hash table 和 minimizer 策略。建库时只存最小 minimizer 的哈希值，而不是完整的 k-mer 序列。这一下把内存降低了 5-8 倍。

说白了，Kraken2 保留了 Kraken 1 的“精髓”——k-mer 精确匹配 + LCA 分类，但把它变得更省内存、更易部署。现在一台 64 GB 内存的机器就能跑默认数据库，这在以前想都不敢想。

核心思想一：k-mer 匹配——让短序列“按图索骥”

分类的本质是什么？是拿你测出来的短序列（reads）跟参考基因组比对，看看它可能来自哪个物种。Kraken2 怎么做？把参考基因组切碎成很多很多长度一样的短片段——k-mer。

比如你有一株大肠杆菌的基因组，长度约 5 Mb。Kraken2 会用长度为 31 bp 的 k-mer 把它切成大约 500 万个片段（5,000,000 - 31 + 1），然后统统存进哈希表。建库时还会做 LCA 标注：如果某个 k-mer 同时出现在多个物种里（比如保守区），那这个 k-mer 就归到它们最近共同祖先节点。

实际分析时，Kraken2 会把你的每条 reads 也切成 k-mer，去哈希表里查。命中的 k-mer 越多，分类证据越强。

核心思想二：LCA 分类——解决“一个 k-mer 属于多个物种”

你想，一个长度为 31 的 k-mer 在很多近缘物种里是完全一样的。那 Kraken2 该把它分配给谁？Kraken2 的做法是向上追溯：找到包含所有这些物种的最小分类阶层（最近共同祖先），然后把这个 k-mer 标注到这个 LCA 节点。

举个简单的例子：假设某个 k-mer 既出现在大肠杆菌里，也出现在沙门氏菌里。大肠杆菌和沙门氏菌都属于肠杆菌科。那么 Kraken2 就把这个 k-mer 标记为“肠杆菌科”。匹配到这个 k-mer 的 reads，会获得一枚“肠杆菌科”的票。

投票完成后，Kraken2 统计每条 reads 的所有 k-mer 票数。票数最多的分类阶层，就是这条 reads 的最终分类。如果是“门”级别票数最多，就归到门；如果是“属”级别最多，就归到属。

工具安装与基本用法

Kraken2 的安装不算复杂。你可以从 GitHub 克隆编译，也可以用 conda 直接安装。我个人更推荐 conda，因为依赖环境一次搞定。

conda create -n kraken2 -c bioconda kraken2
conda activate kraken2

安装完以后，你需要下载或构建分类数据库。Kraken2 官方提供了预建库（Standard、PlusPF 等），直接用 kraken2-build 下载即用：

kraken2-build --standard --db $DBNAME

这个命令会从 NCBI 拉取细菌、古菌、病毒和人类参考基因组，构建成索引。注意：标准库大概需要 60-80 GB 磁盘空间和 12-16 GB 内存才能构建，跑分类时消耗约 10 GB 内存。

如果你只想跑分析，可以直接用我预建好的数据库文件（.k2d 格式）：

# 假设数据库已经放在 /data/kraken2_db
kraken2 --db /data/kraken2_db --output output.kraken sample.fastq

# 加上 --report 可以生成汇总报告
kraken2 --db /data/kraken2_db \
        --output output.kraken \
        --report output.report \
        sample.fastq

输出文件里每行对应一条 reads，包含分类 ID、名称、匹配信息等。report 文件则给出每个分类节点上的 reads 数量和比例。

Kraken1 与 Kraken2 的核心差异

一张图看清 Kraken2 工作流

Kraken2 的适用场景

结合它的原理，你可以判断什么时候该用它：

• 快速初筛：几十个样本，每个几百万条 reads，想先看看大致物种组成。Kraken2 几分钟就能出报告。
• 已知物种鉴定：数据库里有充分的参考基因组（比如临床病原菌、肠道微生物）。
• 数据量巨大：超过 1 亿条 reads，用 BLAST 或金标准（如 BWA + 人工整理）会跑死人。

但要注意，Kraken2 对新物种或高度变异区域表现一般。因为它是精确匹配，无法容忍错配或插入缺失。如果测序质量差（Q < 20），假阴性会高。这时候可以搭配 Bracken 做丰度重估，或者改用 MetaPhlAn（下章会讲）。