📚 课程目录第1章引言

第一章：什么是宏基因组物种分类？Kraken2 和 MetaPhlAn 概述

大家好，我是老李，干微生物组生物信息有七八年了。今天咱们来聊聊宏基因组物种分类。

说白了，就是给你一堆从环境样本里直接测出来的 DNA 片段，让你回答一个问题：这里面有哪些微生物？ 比例是多少？

我刚开始入行时，觉得这和拼图差不多。但实际干起来，情况复杂得多。

传统的微生物研究，得先培养。你想想看，肠道里的细菌，大部分在实验室根本养不活。宏基因组测序绕过了这一步——直接把样本里所有微生物的 DNA 抽出来，打成小片段，上机测序。结果就是一堆几百万条、长度 100-300 bp 的短 reads。

你需要一个分类器，把这些 reads 分配到某个物种，或者至少分到属、科级别。这就是宏基因组物种分类。

我遇到过很多新人，一上来就问：“哪个工具最准？” 其实没有万能答案。不同场景，选型标准差很多。

  核心目标： 将测序 reads 映射到参考数据库中的某个分类单元（种/属/科/门），并估算其相对丰度。

目前社区里最火的两个工具，Kraken2 和 MetaPhlAn，走的路线完全不同。

Kraken2：基于 k-mer 精确匹配。它把参考基因组的每条序列切成长度为 k 的短串（k-mer），建一个哈希表。你的一条 query read 进来，也切成 k-mer，去哈希表里找。最后用 LCA（最低公共祖先）算法确定分类。
MetaPhlAn：基于标记基因（marker genes）。它只挑选那些在物种内高度保守、在物种间有足够差异的基因——比如特定的核糖体蛋白、看家基因。比对的不是全基因组，而是这个精简的标记基因集合。

这两种思路，决定了它们在速度、精度、内存消耗上的巨大差异。我自己的项目里，做过好几次对比，后面慢慢给你细说。

Kraken2 最让我印象深刻的是它的 k-mer 精确匹配 + LCA 定类 机制。整个流程分两步：建库和分类。

建库：从 RefSeq、GenBank 等下载参考基因组，提取所有 k-mer（默认 k=35），存入一个在内存中的哈希表。每个 k-mer 映射到它来源的分类 ID。
分类：读入每条 read，切分成多个 k-mer，去哈希表查询每个 k-mer 对应的分类。对查到的分类 ID 做 LCA，得到该 read 的分类。如果 read 中足够多的 k-mer 映射到同一个分类，就认为该 read 属于这个分类。

我在项目中遇到过一个问题：当两个亲缘关系很近的物种共享大量 k-mer 时，Kraken2 会趋向于把 read 分到更高的分类层级（比如属），而不是种。这点很重要，后面对比表格里会提到。

MetaPhlAn 走的是另一条路。它不需要全基因组索引，只依赖一个专家精选的标记基因目录。

说白了，MetaPhlAn 只盯着那些“一锤定音”的基因。它对自己数据库覆盖不到的物种基本无能为力。但好处是——数据库小，跑得快，内存省。

我的经验： 如果你只看已知物种，且希望快速拿到丰度谱，直接上 MetaPhlAn 很省心。但如果样本含有大量未知微生物，或者你想做发现类研究，Kraken2 覆盖面更广。

下面这张 SVG 图，帮你把两个工具的核心流程和差异可视化一下。

我通常根据这几个问题来判断：

样本中有没有大量未知物种？ 比如海洋、土壤样本。有——Kraken2 更靠谱。没有（比如人类肠道样本）——MetaPhlAn 又快又准。
机器内存多大？ 只有 16G 内存的老服务器，别想跑 Kraken2 标准库。MetaPhlAn 轻松跑。
你需要种水平的分类吗？ Kraken2 对近缘种经常“偷懒”归到属。MetaPhlAn 的标记基因在种级分辨率上更好。不过两者差距没有想象中大，需要具体数据集验证。
只是做常规 QC 还是发论文？ 快速看个物种组成，MetaPhlAn 够了。严谨的差异分析，我建议两个都跑，取交集或互补。

注意： 别以为默认参数就能直接用到自己的数据。Kraken2 的 k-mer 长度、置信度阈值，MetaPhlAn 的比对参数、数据库版本，都会影响最终结果。我每次都会在自己的测试集上调一下参数再批量跑。

好了，我们简单总结一下：