宏基因组分类概述
宏基因组分类，说白了就是从一堆混杂的微生物 DNA 序列里搞清楚两件事——"都有谁"和"各占多少"。我最早接触这个方向时，导师丢给我一个肠道菌群的数据集，说"看看里面有什么"。那时候我对分类工具一知半解，跑了好几个软件，结果五花八门。嗯，就是从那次开始，我意识到理解分类策略本身比会敲命令重要得多。
这一章咱们先把宏基因组分类的底牌翻清楚：它要解决什么问题，主流策略有哪些，各自依赖什么数据库，以及怎么评价结果好不好。你把这些搞明白了，后面再对比 Kraken2 和 MetaPhlAn，心里就有谱了。
2.1 什么是宏基因组分类
宏基因组分类，本质上是一个"多标签识别"问题。你手里有一管环境样本（比如土壤、肠道内容物、海洋水样），提取了里面所有微生物的 DNA，测序后得到几千万条短片段（reads）。分类工具的任务就是：判断每一条 read 来自哪个物种，或者至少判断它属于哪个分类层级。
这和传统的纯培养鉴定完全不同。传统方法得先把菌分离出来，再一个个鉴定。宏基因组分类不用培养，直接测序，能检测到那些"养不出来"的微生物。我在一个深海沉积物项目里遇到过，用培养法只鉴定出 12 个属，用宏基因组分类直接干到 300 多个属——差距就是这么大。
分类结果通常有两种产出形式：
- 定性：样本中存在哪些微生物物种
- 定量：每个物种的相对丰度是多少
实际项目中，这两者缺一不可。你光知道有"大肠杆菌"不够，还得知道它占了 0.1% 还是 10%，这直接决定了它是不是优势菌。
2.2 分类学层级
生物分类学有个经典的层级结构：界、门、纲、目、科、属、种。宏基因组分类工具可以在不同层级上给出结果，但不同工具的分辨能力差别很大。
| 层级 | 英文 | 示例（人类肠道样本） | 常见工具的分辨能力 |
|---|---|---|---|
| 界 | Kingdom | Bacteria | 几乎所有工具都能到 |
| 门 | Phylum | Firmicutes | 大部分工具可靠 |
| 纲 | Class | Clostridia | 多数工具可达到 |
| 目 | Order | Clostridiales | 需要一定覆盖度 |
| 科 | Family | Lachnospiraceae | Kraken2 可达，MetaPhlAn 需标记基因覆盖 |
| 属 | Genus | Blautia | 两类工具都能做到 |
| 种 | Species | Blautia obeum | Kraken2 精度高，MetaPhlAn 依赖标记基因区分度 |
我个人习惯，在项目前期先用"门"和"属"两个层级看整体格局，后续做精细分析时再聚焦到"种"层级。你想想看，如果一开始就盯着种级别，很多低丰度物种会被噪声淹没，反而看不出群落的大框架。
2.3 两大分类策略
目前主流的宏基因组分类工具，按策略可以分为两大类。我把它们的核心逻辑和代表工具整理了一下：
| 对比维度 | 基于参考基因组（Kraken2 为代表） | 基于标记基因（MetaPhlAn 为代表） |
|---|---|---|
| 核心思路 | 将 reads 与完整参考基因组数据库进行 k-mer 匹配 | 只比对进化上保守的标记基因（如 16S rRNA、COG、特定单拷贝基因） |
| 数据库规模 | 大（几十 GB ~ 几百 GB） | 小（几 GB） |
| 运行速度 | 快（k-mer 索引，直接查表） | 较慢（需要比对到标记基因集） |
| 内存占用 | 高（数据库常驻内存） | 低（标记基因库小） |
| 物种分辨率 | 可达株级别（如果参考基因组中有近缘株） | 通常到种级别，部分到株级别 |
| 对未知物种的检测能力 | 较弱（依赖已知参考基因组） | 相对较强（标记基因保守，能捕获部分未知物种） |
| 定量准确性 | 受数据库覆盖度影响，可能高估近缘物种 | 标记基因拷贝数校正后，定量更稳健 |
我当年在一个口腔微生物项目里，同时用了这两类工具。Kraken2 跑得快，能检出很多低丰度物种；但 MetaPhlAn 的定量结果更稳定，批次间重复性更好。说白了，它俩不是替代关系，而是互补关系。
2.4 常用数据库
分类工具的背后，数据库是真正的"底牌"。不同工具依赖的数据库差异很大，选错了数据库版本，结果直接翻车。我曾经因为 NCBI 的 RefSeq 版本没对齐，导致同一个样本在不同批次里分类结果差了 30%——那是一次非常惨痛的教训。
以下是两类工具常用的数据库：
- 基于参考基因组工具（Kraken2 等）：
- NCBI RefSeq（完整基因组，含细菌、古菌、病毒、真菌）
- GTDB（基因组分类数据库，标准化程度高）
- 自定义数据库（你可以把关注的目标物种基因组加进去）
- 基于标记基因工具（MetaPhlAn 等）：
- MetaPhlAn 自带标记基因库（约 1.2 万个物种的特异性标记基因）
- ChocoPhlAn（MetaPhlAn 3/4 使用的扩展标记基因集，含约 10 万个物种）
- 自定义标记基因集（适用于特殊环境样本）
2.5 评估指标
怎么判断一个分类结果靠不靠谱？我个人主要看四个指标：
| 指标 | 定义 | 在分类工具中的意义 |
|---|---|---|
| 精确率（Precision） | 被正确分类的 reads 数 / 所有被分类的 reads 数 | 衡量分类结果中"假阳性"的多少 |
| 召回率（Recall） | 被正确分类的 reads 数 / 所有应被分类的 reads 数 | 衡量工具"漏检"了多少物种 |
| F1 分数 | 精确率和召回率的调和平均数 | 综合评价工具的分类能力 |
| 未分类率 | 未被分配到任何物种的 reads 比例 | 反映数据库覆盖度的不足 |
在实际项目中，还有一个更"工程化"的指标——运行时间与内存峰值。Kraken2 跑一个 2000 万 reads 的样本大概需要 2-3 分钟，但内存要吃掉 100 GB 以上。MetaPhlAn 跑同样数据需要 15-20 分钟，但内存只要 8 GB。你想想看，如果是 100 个样本的队列任务，这个差距就非常现实了。
2.6 实际项目中的选型考量
说了这么多，最后落地到实际项目里，到底选 Kraken2 还是 MetaPhlAn？我给你几个具体的场景参考：
- 场景一：快速筛查
你手上有 200 个环境样本，想先看看整体微生物组成。我会优先选 Kraken2，因为它快。在集群上开 40 个线程，一晚上跑完 200 个样本。MetaPhlAn 跑同样量级可能需要两到三天。 - 场景二：临床诊断
样本中病原体丰度可能很低，假阳性代价大。这时候我倾向用 MetaPhlAn，它的标记基因策略对低丰度物种的定量更保守，假阳性率更低。 - 场景三：微生物组纵向研究
要比较多个时间点的丰度变化，定量稳定性是关键。MetaPhlAn 的标记基因拷贝数校正做得好，跨样本可比性更强。我个人习惯用 MetaPhlAn 做纵向分析的主工具。 - 场景四：发现新物种
如果你研究的是深海热液、极端环境这类"已知物种覆盖率低"的样本，Kraken2 的参考基因组数据库可能遗漏很多。这时候可以试试 MetaPhlAn，它的标记基因更保守，能捕获部分未知物种的信号。
嗯，这一章把宏基因组分类的整体框架搭起来了。你理解了"分类到底在做什么"以及"两大策略的核心差异"，后面看 Kraken2 和 MetaPhlAn 的具体输出、参数调优、结果对比，就不会被细节带偏。