1. 宏基因组分析概述

各位同行，咱们开始上课。今天要聊的，是宏基因组分析——说白了，就是研究一个环境里所有微生物的DNA。土壤、海水、人的肠道，甚至是一间病房的空调过滤网，都能拿来分析。你想想看，传统我们养细菌，只能培养出不到1%的物种，剩下的99%都在那儿“装死”。宏基因组学就是绕开培养这一步，直接把所有DNA提出来测序。我个人习惯这么定义它：一门不需要“养”就能看见“全貌”的学科。

1.1 宏基因组学到底是个啥？

宏基因组这个概念，早在上世纪90年代就被提出来了。那时候叫“环境基因组学”，直到高通量测序成本降下来，这门学科才真正火了。

我刚开始接触这个领域，接手的是一个粪便样本项目。用户想知道肠道菌群中哪些细菌在“作怪”。当时的流程还不成熟，我拿着原始的测序数据，光是去接头就折腾了两天。嗯，这里要提醒各位：原始数据质量决定分析成败，后面咱们会反复强调这一点。

宏基因组分析的核心是：

• 样本采集：土壤、水体、粪便、唾液……什么都能测，但采集方式、保存条件直接影响结果。
• DNA提取：提取效率决定了你能“看到”多少物种。我曾经遇到过粪便样本反复提不出高质量DNA的情况，后来发现是样本里腐殖酸干扰太大。
• 文库构建 & 测序：Illumina、PacBio、Nanopore，各有各的坑。
• 生信分析：质控、组装、分箱、功能注释……一步步搭起来。

1.2 应用领域——能拿来干嘛？

说实话，这年头宏基因组学几乎无孔不入。我在项目里见过的典型应用包括：

领域	典型应用	我遇到过的问题
人类健康	肠道菌群与2型糖尿病、IBD、自闭症的关联分析	样本量太小，统计效力不够；宿主DNA污染严重
环境微生物	土壤微生物多样性评估、污水处理厂菌群监测	土壤样本的腐殖酸共提，抑制了PCR反应
食品安全	致病菌溯源、发酵食品微生物组成	低生物量样本（比如包装食品）容易引入环境背景菌
农业	根际微生物组与作物抗逆性	数据中植物叶绿体、线粒体污染严重，过滤脚本写得太粗暴

每个领域都有自己的“坑”。你说食品样本里检出大肠杆菌，但到底是不是污染？我曾经就因为这个，花了一周时间重新分析数据。所以后来我在流程里加了一个严格对照的环节——从采样空白到文库阴性对照，一个都不能少。

1.3 分析流程总览——从头到尾走一遍

现在我带你把整个流程过一遍。别急，先看这张图，心里有个谱：

1.4 流程的每一步都踩过坑

上面这张图看着挺规整，但实际操作中每一步都有讲究。我按先后顺序给你拆解一下：

步骤一：样本准备与DNA提取

这是整个流程的基础。提取质量不好，后面再花哨的分析都白搭。我个人习惯用Qiagen DNeasy PowerSoil Pro Kit处理土壤样本，针对高腐殖酸样本效果不错。但注意：不同样本类型最好用对应的专用试剂盒。我曾经用通用试剂盒提取唾液样本，结果宿主DNA比例高达90%，最后只能加一步宿主DNA去除。

步骤二：测序文库构建与上机

建库的插入片段长度、PCR循环数都会影响结果。如果你做的是鸟枪法宏基因组（shotgun metagenomics），建议插入片段控制在350-500 bp之间。PCR循环数尽量控制在8-12轮，避免扩增偏好性。

步骤三：下机数据质控

原始FASTQ文件到手后，第一步永远是质控。跑个FastQC看一眼：

fastqc sample_R1.fastq.gz sample_R2.fastq.gz -t 4 -o qc_results/

如果看到前面10-15个碱基的Q值偏低，不用慌——这是Illumina测序的正常现象。但整体Q30比例低于80%就需要注意了，可能是建库或上机有问题。

接下来用Cutadapt或Trimmomatic去接头、去低质量：

cutadapt -a AGATCGGAAGAGC -A AGATCGGAAGAGC \
         -q 20,20 --min-length 50 \
         -o clean_R1.fastq.gz -p clean_R2.fastq.gz \
         raw_R1.fastq.gz raw_R2.fastq.gz

步骤四：物种分类与相对丰度分析

常用的工具有MetaPhlAn和Kraken2。我一般先用Kraken2建一个标准库做快速鉴定，再用MetaPhlAn做精细分析。注意：数据库更新很重要。你想想看，用2020年的数据库去分析2024年采集的样本，肯定会漏掉不少新发现的物种。

步骤五：功能基因与通路注释

跑HUMAnN时，我遇到过数据库兼容性问题。这里建议严格按照官方文档准备数据库：

humann_databases --download chocophlan full /path/to/db
humann_databases --download uniref uniref90_diamond /path/to/db
humann_databases --download utility_mapping full /path/to/db

然后运行：

humann --input clean.fastq.gz --output humann_out --threads 8

步骤六：组装与分箱（可选）

如果你手里的样本是低复杂度群落（比如单一污染源），可以跳过组装直接做全基因组组装。但对于复杂的土壤或肠道样本，我建议做宏基因组组装，然后分箱（binning）来重建物种的基因组草图。常用的组装软件是MEGAHIT或metaSPAdes。

megahit -1 clean_R1.fastq.gz -2 clean_R2.fastq.gz \
        -o megahit_out --min-contig-len 1000 \
        --k-list 21,41,61,81,99

步骤七：下游统计与可视化

无论是差异丰度分析（LEfSe、ANCOM-BC），还是Beta多样性（PCoA、NMDS），最后都要落到图表上。我个人习惯用Python的scikit-bio或者R的vegan包。但注意：统计检验要看数据分布，假阳性控制不能用默认P值一刀切。

1.5 常见的“坑”与避坑技巧

• 样本间的交叉污染——我曾在一个项目中，阴性对照里检出了高丰度的假单胞菌，后来发现是核酸提取过程中样品盖未及时关闭。解决办法：每批样本都带至少一个无模板阴性对照。
• 宿主DNA污染——测人类粪便样本时，宿主DNA占比可达50%-90%。建议在提取后做一步宿主DNA去除，或者使用专用试剂盒。
• 数据库过时——我见过不少论文用的还是2019年的Kraken数据库，导致许多新发现的物种被归为未分类。务必定期更新数据库，或者使用加注了最新注释的参考库。
• 资源管理不当——组装步骤比较吃内存。MEGAHIT在默认条件下需要约16-32GB内存，但超大的土壤数据集可能吃掉上百GB。提前预估好资源，别让服务器跑一半挂掉。

1.6 这份课程会怎么讲？

我的想法很简单：每章给你一个可复现的流程。从安装软件到运行参数调整，每一步都有具体的命令和配置文件。你拿回去，换自己的数据就能跑起来。

说白了，我不教你“大道理”，而是带你“走一遍”。遇到报错、遇到奇怪的输出，我都把常见原因和解决方法列出来。毕竟，在生信这条路上，能解决问题比背出10个理论更有用。