数据库概述：Kraken2标准数据库与自定义数据库
在开始搞特征提取之前，咱们得先把数据库这关过了。说白了，Kraken2不像你跑个单机软件随便写个路径就行——它的核心就是靠数据库来匹配k-mer。数据库选不对，后面所有分析都是废的。今天我就把这部分掰开了讲，主要聊两个方向：现成的标准数据库，还有你自己动手搭的自定义数据库。
4.1 标准数据库：开箱即用但别盲选
Kraken2官方维护了几套预构建的标准数据库，最常见的就是Plus、Minus、Viral这三个。很多新手上来就无脑下Plus，项目跑完发现占用几百G硬盘，这其实挺浪费的。我个人习惯是，先想清楚样本里可能有哪些物种，再挑库。
| 数据库名称 | 包含范围 | 库大小（约） | 适用场景 |
|---|---|---|---|
| Plus | 细菌+古菌+病毒+人类 | ~80 GB | 临床微生物、人源样本 |
| Minus | 细菌+古菌+病毒（排除人类） | ~60 GB | 环境样本、低宿主污染 |
| Viral | 病毒完整基因组 | ~4 GB | 病毒宏基因组富集 |
| Standard（已废弃） | 细菌+古菌+病毒 | ~70 GB | 旧版本兼容，不建议再用 |
为什么要排除人类基因组？想想看，如果你测的是肠道菌群，样本里90%都是人源序列，你花大量算力去比对人类DNA，最后特征提取里全是宿主噪声。我曾经就踩过这个坑——第一次跑全基因组测序数据，没设置filter，结果Kraken2报告里99%都匹配到人，相当于白跑。从那次之后，除非明确需要检测人类病毒整合，否则我都用Minus库。
标准数据库的下载很简单，但有几个坑你得注意：
# 下载Plus库（大约需要40分钟，取决于网速）
kraken2-build --download-taxonomy --db Plus
kraken2-build --download-library bacteria --db Plus
kraken2-build --download-library archaea --db Plus
kraken2-build --download-library viral --db Plus
kraken2-build --download-library human --db Plus
kraken2-build --build --db Plus
# 或者直接用预构建包（推荐，省时间）
wget https://genome-idx.s3.amazonaws.com/kraken/k2_plus_20240605.tar.gz
tar -xzf k2_plus_20240605.tar.gz -C ./k2_plus注意：预构建包的版本号每天都在变。下载前一定要去Ben Langmead的官方Github Releases页面确认最新的可用版本。我上个月就因为这个链接写死了，下载了个过期的库，后来推倒重来浪费了俩小时。
数据库建好之后，你会看到一坨文件：hash.k2d、opts.k2d、taxo.k2d。这三个文件一起构成Kraken2需要的索引。记得别手贱删掉其中任何一个，它们互相依赖。
4.2 自定义数据库：当标准库满足不了你的时候
标准数据库虽然方便，但你总有特化需求。比如我做的某个植物病原菌检测项目，标准库里根本没有目标物种的完整基因组，只有几个近缘种——结果Kraken2分类全跑到属一级，根本拿不到种级特征。这时候就必须自己搭数据库。
自定义数据库的构建流程大致分三步：
- 收集参考基因组FASTA——从NCBI RefSeq/GenBank按你想要的物种拉下来。
- 整理分类学ID——每个FASTA文件必须关联正确的taxid，否则Kraken2无法分配分类。
- 运行kraken2-build构建索引——这一步最耗内存，建议至少64GB RAM。
具体命令长这样：
# 1. 创建自定义库目录
mkdir -p my_custom_db/library
cd my_custom_db
# 2. 下载NCBI分类信息（必须做！）
kraken2-build --download-taxonomy --db .
# 3. 把你准备好的FASTA放到library/下
# 每个序列头格式必须是：>kraken:taxid|12345 序列描述
# 例如：>kraken:taxid|562 Escherichia coli str. K12
# 4. 把FASTA添加到库
kraken2-build --add-to-library library/ecoli.fa --db .
# 5. 对所有你想加的物种重复上一步
# 6. 最后构建索引
kraken2-build --build --db . --threads 8小技巧：在添加FASTA之前，先检查序列头格式。很多人直接从NCBI下载的GenBank记录是默认描述行，需要手动改写。我一般写个简单的Python脚本来批量替换：
#!/usr/bin/env python3
import gzip, re
def fix_fasta_header(input_fa, output_fa, taxid):
with gzip.open(input_fa, 'rt') if input_fa.endswith('.gz') else open(input_fa) as f_in:
with open(output_fa, 'w') as f_out:
for line in f_in:
if line.startswith('>'):
# 提取第一个空格之前的序列ID
seq_id = line.split()[0][1:]
new_header = f">kraken:taxid|{taxid}|{seq_id}\n"
f_out.write(new_header)
else:
f_out.write(line)
fix_fasta_header('GCF_000005845.2.fna.gz', 'ecoli.fa', 562)自定义库里还有一个容易翻车的地方：分类树的完整性。Kraken2在做分类时，必须从你提供的taxid沿整个分类路径反推到根节点。如果你只加了细菌属的taxid，但没下全NCBI的分类信息，Kraken2会报错。我的解决方法是：每次构建自定义库时，都用`kraken2-build --download-taxonomy`下载完整分类信息，不要只下载你需要的子集。
4.3 数据库大小与内存的黄金比例
Kraken2有个让人头疼的特性：它会将整个数据库的哈希索引加载到内存中。数据库文件多大，内存占用就差不多那么大。Plus库80GB，你至少需要96GB内存才比较稳妥（留点余量给系统和k-mer扫描线程）。
但别以为内存越大越好。我试过在256GB的机器上跑，Kraken2本身并不会利用额外内存做缓存，单纯浪费。所以规划服务器资源时，你可以按这个公式估算：
| 数据库大小 | 建议最小内存 | 推荐线程数 |
|---|---|---|
| < 10 GB（Viral、小型自定义） | 16 GB | 8-16 |
| 10-50 GB（Minus、中型自定义） | 64 GB | 16-32 |
| > 50 GB（Plus、大型自定义） | 96 GB | 32-64 |
核心观点：不要为了追求高分类分辨率把数据库做得过大。Kraken2的敏感度和数据库大小不是线性关系——加太多冗余基因组反而会增加错配。我习惯把每个物种只放一个代表性基因组，除非你明确需要区分不同株系。
4.4 数据库构建的避坑指南
最后集中说一下我这些年碰到的几个典型坑：
- 坑一：FASTA里混入N碱基过多的序列。Kraken2对N的处理是直接跳过，但如果一条序列里N比例超过20%，它几乎无法提取任何有效k-mer。我建议先用工具过滤low-complexity序列。
- 坑二：重复添加同一个基因组。如果你不小心把同一个FASTA添加两次，Kraken2构建索引时不会报错，但会导致某个k-mer被多次计数，影响分类概率。建库前先对FASTA文件名做去重，或者用`md5sum`校验。
- 坑三：分类ID版本冲突。不同来源的基因组可能用了不同版本的NCBI taxonomy（比如旧版taxid已经合并或分裂）。我每次都会用`kraken2-inspect`检查新自定义库的分类树是否合理。
警告：构建自定义库时，如果跳过`--download-taxonomy`直接用本地提供的taxonomy文件，你可能会遇到“Invalid taxonomic ID”错误。解决方法是重新执行完整的分类下载命令，不要偷懒复制别人机器上的nodes.dmp和names.dmp——因为不同机器的数据库版本可能不一致。
好了，关于标准库和自定义库的核心内容就到这。下面我把整个选择逻辑画成一张图，方便你以后直接对照着用。
这张图的核心逻辑其实很简单：先看你的样本有没有大量宿主污染，再判断标准库是否足够。如果都不符合，那就老老实实走自定义路线。我自己的经验是，至少一半的项目最后还是得定制数据库——尤其是做稀有物种、植物病原菌、昆虫共生菌这类冷门领域的，标准库基本覆盖不到。