宏基因组学与分类工具简介

说到宏基因组学，说白了就是直接从环境样本中提取所有微生物的DNA，然后一股脑儿拿去测序。我刚开始接触这个领域时，觉得跟传统基因组学差不多——不就是多了一些物种嘛。结果第一次跑完数据发现，光一个肠道样本就有几百种微生物混在一起，reads东拼西凑，分类器给你吐出一堆“unclassified”……那感觉就像在菜市场里数清楚究竟有多少个摊位。

从测序到物种分类：两步走

宏基因组分析一般分两大步：质控和分类注释。质控我们后面会细聊，今天先聚焦分类工具。目前主流工具分成两派：

• 基于k-mer的快速匹配法——典型代表就是Kraken2
• 基于标记基因的序列分箱法——典型代表是MetaPhlAn

这两派思路完全不同。我个人习惯把第一派叫作“暴力比对”，几乎把参考基因组所有短片段都编入索引，然后拿测序reads逐个匹配。第二派则聪明一些，只挑那些物种特异的标记基因来比对，相当于只认身份证，不看全身照。

Kraken2：暴力但高效

Kraken2的核心是构建一个k-mer字典——把NCBI RefSeq里所有微生物基因组切成31bp左右的短串，存起来。来了一个测序read，就查这个字典，看它能匹配到哪个物种的k-mer最多。

我记得之前给一个口腔样本跑Kraken2，用它默认的PlusPF数据库，结果报出30%的“Streptococcus mitis”。后来一查，实际里面大量是Streptococcus oralis，两个基因组太像了，k-mer重叠太高。

MetaPhlAn：精准但依赖标记基因

MetaPhlAn走的是另一条路。它预先从每个微生物基因组里挑出几百个唯一标记基因（通常是clade-specific marker genes），相当于每个物种的“指纹”。比对时只关注这些区域，匹配成功才认定存在。

直观对比：一张表格看明白

维度	Kraken2	MetaPhlAn
核心算法	k-mer精确匹配	标记基因比对
参考数据库	全基因组k-mer索引	clade-specific marker genes
速度	极快（~100万reads/分钟）	较快（~20万reads/分钟）
假阳性率	中等	较低（标记基因特异性高）
对新型物种	有一定捕获能力（但会乱标）	基本只能识别已知物种
结果单位	read counts / 相对丰度	相对丰度（基于标记基因覆盖度）

工作流程：我通常怎么做

拿到原始双端测序数据（fastq），第一步永远是质控（后面会有详细一章）。质控后，我会同时跑Kraken2和MetaPhlAn，因为两个工具互相补充。下面是简化的命令行示例：

# Kraken2 分类
kraken2 --db $DB_DIR --threads 8 \
  --paired sample_R1.fastq sample_R2.fastq \
  --output kraken2.out --report kraken2.report

# MetaPhlAn 分类
metaphlan sample_merged.fastq --bowtie2db $DB_DIR \
  --input_type fastq --nproc 8 \
  -o metaphlan_profile.tsv

跑完之后，Kraken2给你一个每个read的分类ID列表和汇总报告；MetaPhlAn直接给出物种级相对丰度表。两个结果放到一起对比，你会发现有些低丰度物种在Kraken2里可能被放大，而在MetaPhlAn里直接没检测到。

核心逻辑图：两种工具的分合

下面这张SVG图展示了从原始数据到分类结果的完整流程，并标出Kraken2和MetaPhlAn在每个环节的差异。

关于数据库，我必须说两句

无论是Kraken2的PlusPF（~50GB）还是MetaPhlAn的mpa_vOct23_CHOCOPhlAnSGB_202307，数据库大小直接影响分析内存和精度。我曾吃过一个亏：用服务器256GB内存跑Kraken2 PlusPF，结果数据库加载到内存时直接OOM，后来才发现需要改成mmap模式。所以，建议大家先看自己机器配置，拿小数据试跑一遍再上全量样本。

选哪个？我的实战口诀

• 追求速度 + 发现新物种可能性 → 先跑Kraken2，粗略看全貌。
• 追求精度 + 只想确认已知物种 → 跑MetaPhlAn，假阳性少。
• 最佳实践 → 两个都跑，取交集，再检查差异部分。