第1章：课程概述与学习目标
宏基因组学，说白了就是从环境样本里直接提取所有微生物的DNA，一股脑儿测序，然后通过分析来回答“这里到底住了哪些微生物”以及“它们在干什么”。我第一次拿到宏基因组数据时，说实话有点懵——几百万条读长，拆开看每条都像天书。后来才明白，核心逻辑就两件事：把读长拼成基因组，再从基因组里找功能基因。
这门课呢，是我这些年攒下来的一套工具链配置心得。你想想看，宏基因组分析最烦人的不是算法原理，而是环境配置。每个工具都有几十个依赖，版本一不对就报错。我见过不少同学因为装软件花的时间比跑分析还多，最后直接弃坑。所以这门课的目标非常明确：帮你把整套工具链从头到尾配通，踩过的坑我们提前填平。
宏基因组学简介
宏基因组学（Metagenomics）是研究环境中全部微生物遗传物质的总和。传统培养方法只能盯住那1%能养的菌，剩下99%都成了“微生物暗物质”。宏基因组跳过培养这步，直接对DNA测序。2004年，Venter团队在Sargasso海搞了第一个大规模宏基因组项目，从此打开了一扇门。
为什么要做这个？举个例子。我在一个土壤项目中遇到一个怪现象——作物减产严重，但平板分离死活找不到致病菌。后来跑了宏基因组，才发现是一种不可培养的真菌在捣鬼。这玩意儿传统方法根本发现不了。
宏基因组 vs 宏转录组 vs 16S扩增子
| 技术 | 测什么 | 分辨率 | 能回答的问题 |
|---|---|---|---|
| 16S扩增子 | 16S rRNA基因片段 | 属级（通常） | “谁在？”（群落组成） |
| 宏基因组 | 全部基因组DNA | 种级甚至菌株级 | “谁在？可能做什么？”（基因潜能） |
| 宏转录组 | 全部mRNA | 种级 | “正在做什么？”（基因表达活性） |
我的建议：如果预算有限且只关心群落结构，16S就行。但如果你想发现新基因、组装完整的MAG（宏基因组组装基因组），或者想做功能注释，直接上宏基因组。
常用工具链总览
宏基因组分析的工具有上百个，但真正天天用的也就十来个。我个人习惯把数据处理分成几个步骤，每个步骤选一个主力工具，别贪多。贪多的后果就是——版本冲突，环境乱成一锅粥。
下面这张图是我在项目中最常用的工具链流程，也是这门课的核心脉络：
工具链的关键步骤可以拆成下面几个梯队：
- 质控与预处理（Fastp + FastQC）——原始数据先过一遍，去掉低质量碱基和接头。跳过这步，后面组装出一堆错误contigs，你哭都来不及。
- 拼接组装（MEGAHIT / metaSPAdes）——把短读长拼成长片段。一个是速度之王，一个是质量之选，取舍看你的数据量和目的。
- 分箱与MAG提取（MetaBAT2 / MaxBin2）——从混拼结果中分出单个基因组的“轮廓”，也就是MAG。这步是宏基因组分析的高光时刻——你很可能发现一个新物种。
- 功能与物种注释（Kraken2 / Prokka / EggNOG）——打上标签，知道每个MAG是谁、能干啥。
- 定量与统计分析（Salmon / DESeq2 / HUMAnN3）——问出“哪个菌在哪种条件下丰度更高”这种生物学问题。
课程安排与前置知识要求
整个课程一共30章，我把它划分成五个模块：
| 模块 | 章节 | 核心内容 |
|---|---|---|
| 基础环境 | 第1-4章 | conda/mamba管理、GCC/CMake配置、基础编译器链 |
| 数据预处理 | 第5-8章 | Fastp配置、拼接器编译、集群任务调度（SLURM/SGE） |
| 基因组解析 | 第9-14章 | 分箱工具配置、CheckM质量评估、DRep去冗余 |
| 功能注释 | 第15-22章 | Kraken2数据库构建、Prokka运行、EggNOG-mapper |
| 集成与流程 | 第23-30章 | Snakemake/NXF流程封装、NF-core/mag部署、容器化（Singularity/Docker） |
前置知识要求：
- 会敲Linux基础命令（cd, ls, grep, sed）——如果你只会Windows，建议先花一周补补Linux，不然第2章你就会卡住。
- 懂Python/R的基本概念，至少能看懂脚本。
- 一些基本的生信概念：测序读长、覆盖度、contig、参考基因组——这些在实战中我会简单回顾，但不会当核心内容讲。
好了，讲完了概览。第2章我们直接动手，从conda配置开始搭地基。