数据库构建：Kraken2的RefSeq/Standard库

说实话，Kraken2 的数据库构建是整个分析流程里最“粗活”的一步。但你想想看，数据库搭得好，后面的分类才会准。很多新手图省事直接拿现成库跑，结果撞上存储不够或者跑崩了——嗯，我当年也踩过这个坑，所以今天把这章好好掰扯清楚。

数据库到底长什么样？

Kraken2 数据库本质上是一棵巨大的、带 k-mer 索引的树。每个节点代表一个分类单元（界门纲目科属种），叶子节点就是具体序列。数据来源主要是 NCBI 的 RefSeq 数据库，也包含一部分 GenBank 数据。

标准库（Standard）包含的东西：

  • 细菌、古菌、病毒、真核生物（部分）
  • 人基因组序列（用于过滤宿主污染）
  • 质粒、叶绿体、线粒体等小基因组
Kraken2 标准数据库构建流程 RefSeq + GenBank kraken2-build --download --db 库名 --taxonomy kraken2-build --build hash.k2d / opts.k2d / taxo.k2d + 索引文件 + 分类信息

关键产出文件：

  • hash.k2d — k-mer 哈希表，分类的主干
  • opts.k2d — 构建参数配置
  • taxo.k2d — 分类树节点映射
  • seqid2taxid.map — 序列 ID 到分类 ID 的映射

搭建步骤：从零开始

我习惯先准备好一个干净的目录，把数据库单独放。以下是一套完整命令：

# 1. 设置环境变量
export KRAKEN2_DB_PATH=/data/kraken2_db

# 2. 下载分类信息（可能需要 sudo 或 chmod）
kraken2-build --download-taxonomy --db $KRAKEN2_DB_PATH

# 3. 下载你要的序列库，比如 Standard
kraken2-build --download-library bacteria --db $KRAKEN2_DB_PATH
kraken2-build --download-library viral --db $KRAKEN2_DB_PATH
kraken2-build --download-library human --db $KRAKEN2_DB_PATH

# 4. 构建索引（最耗内存和CPU）
kraken2-build --build --db $KRAKEN2_DB_PATH --threads 24

曾经我遇到过的坑： 下载过程中网络断开，文件不完整。后来我每次都用 --download-progress 参数，或者干脆写个脚本做重试。还有，--build 那步对内存需求巨大（Standard库至少需要 130GB RAM），我在16GB笔记本上跑直接 OOM 了。建议至少 64GB 以上内存。

核心参数：怎么调才科学

参数默认值作用我的建议
--kmer-len31k-mer 长度31 适合大多数；35 能提升特异性但耗内存
--minimizer-len15最小化值长度自动推导，一般不用改
--minimizer-spaces7最小化值间隔种子保持默认
--minimum-hit-groups2最少 hit 组数（分类时用）这是分类时的参数；构建时无效
--clean否构建后删除临时文件如果不差空间可以保留，方便调试

小技巧： 如果你只需要细菌和病毒，别下载完整的真核生物库。我做过一个对比：只下载 bacteria + viral 的库大小约 80GB，而 Standard 完整版能到 120GB+。内存不够时可以按照 文档用 --exclude 参数剔除不需要的类群。

定制你的专属库

项目里经常会遇到一些特殊需求，比如需要加入本地菌株基因组。Kraken2 提供了灵活的自定义方式：

# 添加自定义序列（FASTA 格式）
kraken2-build --add-to-library my_strain.fa --db $KRAKEN2_DB_PATH

# 删除某个类群（比如不需要古菌）
kraken2-build --remove-from-library archaea --db $KRAKEN2_DB_PATH

# 最后重新构建
kraken2-build --build --db $KRAKEN2_DB_PATH

注意： 自定义序列必须带有标准的 NCBI 分类 ID（在 fasta 头部 >gi|xxx|ref|XXX| 格式里）。我见过同事直接把普通 fasta 头塞进去，结果构建报错找不到分类。半分钟搞定的事，能省就别省。

存储与维护

数据库不是建成就能一劳永逸的。NCBI 的 RefSeq 每季度更新，旧版本可能漏掉新发表的基因组。我的做法是每年夏天重新构建一次，同时保留上一版用于对比。

磁盘空间参考：

  • Standard 完整库：约 120GB（构建过程临时文件翻倍）
  • 只细菌+病毒：约 80GB
  • 自定义小库（比如只有病原菌）：10GB 以内

另外，构建过程会产生大量中间文件，记得设置 --clean 或者在结束后手动删除 library/ 和 taxonomy/ 目录下的临时文件。我习惯在构建脚本最后加一句：

# 只保留必要的索引文件，其余删掉
rm -rf $KRAKEN2_DB_PATH/library
rm -rf $KRAKEN2_DB_PATH/taxonomy
# 但保留 library.fna 让后续可追溯

重要： 如果你在超算集群上跑，务必检查文件系统配额。我曾经因为 /tmp 满了导致构建异常退出，后来我把临时目录指向了更大的 $TMPDIR。

避坑总结

  • 内存不足： 84GB 以下机器不要尝试 Standard 库；可以考虑用 --max-table-size 限制哈希表大小（但会牺牲敏感度）
  • 网络问题： 下载分类库时 --download-progress 或使用系统代理
  • 版本不兼容： Kraken2 v2.1.x 构建的数据库不能被 v2.0.x 使用，保持版本一致
  • 权限问题： 数据库目录必须可写；常见错误是 root 用户下载后普通用户无法使用
← 上一章 📖 返回目录 下一章 →