3. Kraken2原理简介

说实话，Kraken2是我在项目中用得最多的宏基因组快速分类工具之一。它的核心思路很简单：用k-mer的精确匹配代替序列比对。你想想看，比对要算编辑距离、要处理gap、要考虑错配，计算量多大。Kraken2直接放弃了这些，换成查表法——读段拆成小片段，去数据库里找一模一样的，找到了就算数。就这么粗暴，但效果出奇地好。

3.1 核心思想：基于k-mer的精确匹配

传统方法（比如BLAST、Bowtie2）走的是比对路线：把读段往参考基因组上贴，算相似度，允许一定的错配和gap。Kraken2完全不同——它只做精确匹配，一个碱基都不能差。

为什么敢这么干？因为k-mer足够短（默认35 bp），短到在基因组中出现的位置相对唯一。加上宏基因组里物种多、基因组覆盖全，精确匹配已经能捕获足够多的信号。我刚开始接触时觉得这做法太粗糙了，后来跑完一批真实数据才发现，精度完全不输比对方法，速度却快了两个数量级。

3.2 k-mer与minimizer

先说k-mer。把一个读段按步长1 bp滑动，切成长度为k的短序列，每个短序列就是一个k-mer。比如一条150 bp的读段，k=35，大概能切出116个k-mer。

读段: ATCGGTACCTAGCTA...（150 bp）
k-mer 1: ATCGGTACCTAGCTA...（1-35 bp）
k-mer 2: TCGGTACCTAGCTAA...（2-36 bp）
...
k-mer 116: ...（116-150 bp）

每个k-mer都要去数据库里查。几百万条读段，每段上百个k-mer，这查表量是天文数字。Kraken2的聪明之处在于引入了minimizer（最小化子）——这是Kraken2相比Kraken1最大的改进。

minimizer的原理：在每个k-mer内部，取所有长度为m的子串，找到字典序最小的那个。所有共享同一个minimizer的k-mer，在数据库里只存一份。这样一来，数据库体积能缩小5-10倍。

Kraken2默认参数是k=35，m=31。m值控制minimizer的长度，m越大，压缩率越高，但匹配分辨率会下降。一般不建议动这两个参数，默认值已经平衡得很好。

3.3 数据库构建与LCA算法

Kraken2的数据库是什么？说白了就是一个巨大的哈希表：key是minimizer，value是taxon ID。构建流程分三步：

1. 收集参考基因组：从NCBI下载所有已知的微生物基因组（细菌、古菌、病毒、真菌等）
2. 分割k-mer并计算LCA：把每个基因组切成k-mer，如果一个k-mer出现在多个物种中，取这些物种的最低公共祖先（LCA）作为它的标签
3. 建立哈希索引：用minimizer做key，LCA结果做value，建成快速查找表

LCA是这里的关键。举个例子：一个k-mer同时出现在E. coli和Salmonella里，数据库不会把它标成其中任何一个，而是标到它们共同的祖先——肠杆菌科（Enterobacteriaceae）。

k-mer "ATCGCTAG..." 出现在:
  - Escherichia coli (taxon 562)
  - Salmonella enterica (taxon 28901)
  → LCA = Enterobacteriaceae (taxon 543)

数据库记录: minimizer → taxon 543

我曾经踩过一个坑：以为LCA层级越高越保守、结果越可靠。其实不是。LCA太高会损失分辨率，很多读段只能分到科甚至纲一级。在实际项目中，我习惯同时看分类深度和k-mer覆盖数两个指标，才能判断这个结果是真可靠还是假保守。

3.4 分类流程

一条读段进入Kraken2后，经历五个阶段。我用一张图把整个流程串起来：

流程看起来简单，但每个步骤都有细节。我特别强调第④步——LCA分类决策。这不是简单的取交集，而是沿着分类树路径做累积投票：每个k-mer匹配到的taxon ID，从根节点到该taxon路径上的所有节点都得到一票。最后从根往下找第一个得票数超过阈值的节点，那就是最终分类。

举例：一条读段有100个k-mer
- 40个匹配到 E. coli
- 30个匹配到 Salmonella
- 20个匹配到 Enterobacteriaceae（LCA）
- 10个未匹配

从根向下：
  Bacteria（100票）→ Proteobacteria（90票）
  → Enterobacteriaceae（90票）→ 决策点
  如果阈值设为50%，Enterobacteriaceae胜出
  读段最终分类：Enterobacteriaceae

3.5 Kraken2的特点

最后说说Kraken2的优缺点。没有万能工具，Kraken2强在速度，但也不是没短板。

维度	Kraken2	传统比对方法
速度	极快（百万读段/分钟）	慢（千级读段/分钟）
内存占用	标准库~12 GB	取决于索引，通常更大
错配容忍度	无（精确匹配）	支持错配和gap
分类分辨率	依赖数据库完整性	依赖比对覆盖度
新物种检测	弱（只认已知序列）	相对强
操作复杂度	低（一条命令搞定）	中高（需多步处理）

说白了，Kraken2最适合的场景是：已知微生物群体的大规模快速筛查。比如临床样本的病原体快速鉴定、环境样本的群落结构概览。如果样本里可能含有大量新物种或高度变异菌株，那Kraken2就力不从心了——这是精确匹配的天然局限。