2、核心数据库资源：NCBI、SRA、MGnify、IMG/M、GTDB 的获取与使用
搞宏基因组，说白了就是跟数据打交道。数据从哪来？怎么拿？怎么选？这要是没搞清楚，后面分析得再花哨也是白搭。我自己刚入行那会，就吃过亏——下载了一大堆数据集，结果发现根本不适用，白白浪费时间和计算资源。
今天我就带你把主流数据库挨个捋一遍。你想想看，知道它们各自擅长什么、怎么用，后面做分析才顺手。
核心思路：宏基因组数据生命周期中，不同数据库扮演不同角色。你不需要记住所有命令，但要理解每个库的定位——NCBI 是家底，SRA 是仓库，MGnify 是分析引擎，IMG/M 是参考集，GTDB 是分类标准。
2.1 NCBI：一切数据的起点
NCBI（美国国家生物技术信息中心），应该是你打交道最多的数据库。它可以算作宏基因组领域的「户籍管理部门」——几乎所有公开的序列数据都会在这里登记。
我个人习惯，做项目前先上 NCBI 的 Nucleotide 数据库搜一圈。看看有没有同类型研究，找找目标基因的参考序列。真别提，有一次我想找某个抗菌肽基因的分布情况，直接在 Nucleotide 里用关键字 + 物种过滤，10 分钟就把参考序列抓齐了。
小技巧：NCBI 的 Entrez Direct（EDirect）工具链很适合批量操作。我一般在服务器上用这个管道来下载基因组数据：
# 搜索沙门氏菌基因组的核苷酸序列
esearch -db nucleotide -query "Salmonella[ORGN] AND complete genome" | \
efetch -format fasta > salmonella_genomes.fasta除了手动搜索，NCBI 也提供了 FTP 下载。比如你想把 RefSeq 里的所有细菌基因组本地化，直接走 rsync 比 web 快得多：
rsync -avz --delete \
rsync://ftp.ncbi.nlm.nih.gov/genomes/refseq/bacteria/ \
/local/refseq/bacteria/注意：NCBI 下载量大时容易被封 IP。我曾经深夜挂 rsync 拉 10T 数据，结果被限速了。建议加 --bwlimit=5000 限制带宽（单位 KB/s），或者联系 NCBI 申请更高级别访问。
2.2 SRA：原汁原味的测序仓库
SRA（Sequence Read Archive）是 NCBI 里的一个子库，专门存原始未加工的测序读长。说白了，它就是个巨大的硬盘阵列，放着所有人的 raw data。
我最常用的工具是 SRA Toolkit。先装好，然后直接用 prefetch 下载，再用 fasterq-dump 转换成 fastq。
# 下载并提取数据
prefetch SRR12847667
fasterq-dump SRR12847667 --split-files --threads 8这里说下 --split-files：如果你的数据是双端测序，它会生成两个文件：SRR12847667_1.fastq 和 SRR12847667_2.fastq。单端只出 1 个。
挑数据的时候，我建议你重点看两个字段：
| 字段 | 含义 | 我的参考 |
|---|---|---|
| Library Layout | PAIRED / SINGLE | 双端（PAIRED）蕴含的拼接信息更多，我一般优先选 |
| Platform | ILLUMINA / PACBIO_SMRT / OXFORD_NANOPORE | Illumina 最常见，长读长平台适合组装 |
| Run Statistics (spots / bases) | 数据量信息 | 宏基因组需要 5-10 Gbp 才够看 |
嗯，这里要注意：SRA 的元数据有时候不准确。有一次我下载了一批深海的宏基因组，标注的是 50x 覆盖度，实际跑完质控才发现有效数据不到 10x。后来我学乖了，下载前先看一眼实验设计（Bioproject 页面）。
2.3 MGnify：分析好的数据拿来就用
MGnify（原 EBI Metagenomics）是个好东西。它不存 raw data，而是把社区提交的宏基因组数据用自己的分析流程跑一遍——组装、基因预测、物种注释、功能注释全帮你搞定了。
你想想看，如果只是想探索一个生态系统里有哪些功能基因，直接用 MGnify 的结果就行，省得自己从头跑流程。我个人很喜欢它的可视化界面，直接点进一个项目，就能看到物种组成饼图、KEGG/COG 功能分布直方图。
如果你想用程序获取数据，它提供了 JSON API：
# 获取 MGnify 中某个研究的分析结果
curl -H "Accept: application/json" \
"https://www.ebi.ac.uk/metagenomics/api/v1/studies/MGYS00002017/pipelines"返回的 JSON 里会包含每个样本的 OTU 丰度文件、注释表格等。你可以用 jq 解析。
推荐场景
2.4 IMG/M：高质量的参考基因组集合
IMG/M（Integrated Microbial Genomes & Microbiomes）由 DOE JGI 维护。它最大的特色是：数据太全了。
从 isolate genome（分离培养的基因组）到 metagenome bins（宏基因组组装出来的基因组），再到 single-cell amplified genomes（单细胞扩增基因组），应有尽有。而且 IMG 会把所有基因组做统一的基因预测和功能注释。我写论文时对关键基因做进化树或功能富集分析，都直接用它。
IMG/M 支持两种获取方式：
- Web 界面：在 img.jgi.doe.gov 上选择 "Find Genomes"，按分类、生态位、数据来源过滤。筛选出的基因组 ID 可以直接导出。
- Bulk Download：JGI 提供 portal，批量导出基因组列表，然后用
wget拉取。
# 示例：使用 JGI 的 Bulk Download API
# 你需要先在 IMG 网站创建 "My Genomes" 列表，然后获取下载 token
wget --post-data="request_type=download&genome_ids=3300000001,3300000002&format=fasta" \
"https://img.jgi.doe.gov/ext-api/download/genome" -O genomes.fasta不过我要提醒你：IMG/M 的数据版本更新很快，而且有些基因组是 "incomplete" 状态——完整性低于 50% 的那种，建议筛选时设置 checkm completeness >= 80。
2.5 GTDB：分类学重新洗牌的标准
最后聊 GTDB（Genome Taxonomy Database）。这个东西在近 5 年几乎改写了微生物分类学的规则。
GTDB 的核心思路就一句话：分类应该基于全基因组，而不是 16S。它用 120 个单拷贝标记基因构建了可靠的系统发育树，给几十万个基因组重新划分了门纲目科属种。现在很多人写文章都不再引用旧的 NCBI taxonomy，而是直接用 GTDB 的分类。
我用 GTDB 一般走两个途径：
- 预下载分类数据：分析前先下载 GTDB 的官方分类信息文件，方便做 OTU/ASV 表的转换。
- 用 GTDB-Tk 工具：对自选的 MAGs（宏基因组组装基因组）进行自动分类。
# 下载 GTDB Release 214 的分类信息（约 700 MB）
wget https://data.ace.uq.edu.au/public/gtdb/data/releases/release214/214.0/bac120_taxonomy.tsv.gz
wget https://data.ace.uq.edu.au/public/gtdb/data/releases/release214/214.0/ar122_taxonomy.tsv.gz然后用 Python 或 Shell 脚本做映射：
# 用 awk 快速查询某个 OTU 的分类
awk -F'\t' '$1 == "GCA_000005845.2" {print $2}' bac120_taxonomy.tsv.gz | zcat避坑指南：我曾经在分类注释上吃过亏——把一个 unclassified 的基因组硬套到 NCBI taxonomy 里，结果组里师兄一看就说不对。后来换 GTDB 重新注释，才发现这个基因组其实是一个新科级别的分支。所以如果你处理的是未培养微生物，务必优先用 GTDB。
2.6 推荐工作流：如何整合这些数据库？
实际项目里，你不太可能只用其中一个数据库。我给你总结一个我常用的流程：
- 数据获取：从 SRA 下载 raw reads，用 SRA Toolkit 转成 fastq。
- 预分析：直接去 MGnify 搜一下，看同类型研究里常用哪些分析参数和数据库版本。
- 分类与功能：对组装出来的 MAGs，先用 GTDB-Tk 确定分类，再用 IMG/M 做功能富集分析，最后和 NCBI 已有的参考基因组做比较。
- 数据共享：分析完成后，把关键的基因组上传到 NCBI 的 Assembly 数据库，元数据提交到 BioProject。
你按照这个顺序来，基本不会漏掉核心信息。数据库没有好与不好，只有合不合适。关键是理解每个库的定位，然后按需取用。