第1章：Kraken2与MetaPhlAn的背景与用途

1.1 为什么我们需要这两套工具

宏基因组测序出来后，我们面对的第一道坎就是——这些 reads 到底来自哪些微生物？早期我试过用 BLAST 一条一条比对，结果跑了一整天还没出结果。后来才明白，这种全量比对在数百万条 reads 面前根本跑不动。

于是诞生了两条主流路线：一是像 Kraken2 那样走 精确 k-mer 匹配，用哈希表把参考基因组切成小段，直接查字典；二是像 MetaPhlAn 那样走 标记基因比对，只盯着每个物种特有的“身份证基因”来识别。这两条路线各有各的脾气，咱们得先搞清楚它们的设计初衷。

1.2 Kraken2 的设计哲学：用空间换时间

Kraken2 的核心思路很简单：把所有参考基因组的 k-mer（默认 35 bp）都建成一个巨大的哈希表。每条 reads 进来，拆成 k-mer，去哈希表里查，查到哪个物种就投一票。最后找一条从根到叶子的路径，用 LCA（最近公共祖先）算法决定最终归属。

我个人习惯把 Kraken2 比作一本超厚的词典——每个单词（k-mer）后面直接写着它属于哪个物种。查一个词的时间是 O(1)，所以它能在几分钟内处理几百万条 reads。

避坑指南：我曾经吃过一次亏，用了默认参数建库，结果把人类基因组也加进去了。后来跑出的结果里到处都是人类 reads 被误判成细菌，白白浪费了一周分析时间。记得在构建数据库时，一定要用 --exclude 把宿主基因组剔除。

1.3 MetaPhlAn 的设计哲学：用标记基因保证特异性

MetaPhlAn 走的是另一条路。它不依赖整个基因组，而是从数千个参考基因组里挑选出物种特异性标记基因（marker genes）。这些基因在同一个物种内保守，在不同物种间差异明显，相当于每个物种的“身份证”。

运行 MetaPhlAn 时，它会用 Bowtie2 把 reads 比对到标记基因数据库，然后统计每个 marker 的覆盖度和丰度，最后通过内置的马尔可夫链模型进行物种定量。你想想看，因为只比对少量特异性片段，计算量比全基因组比对小得多，但对数据库质量要求极高。

我记得有一回，客户送来一个肠道样本，用 Kraken2 跑出了几百个物种，但用 MetaPhlAn 只检出几十个。我当时觉得 MetaPhlAn 漏掉了太多。后来才知道，Kraken2 的假阳性率其实更高，那些低丰度的“检出”很多是 k-mer 偶然匹配导致的。

一句话总结：Kraken2 更擅长快速筛查，MetaPhlAn 更适合精准定量。两个工具的结果经常不完全一致，这很正常。

1.4 核心差异一览

下面这个表是我自己整理的关键对比点，你可以在实际选型时直接参考：

对比维度Kraken2MetaPhlAn
依赖数据全基因组 k-mer 索引物种特异性标记基因
匹配原理精确 k-mer 匹配 + LCABowtie2 比对 + 丰度模型
速度快（分钟级处理百万 reads）慢（小时级）
内存需求高（标准库 > 100 GB）低（< 10 GB）
分类分辨率物种级，偶有菌株级物种级，部分菌株级
假阳性倾向较高（k-mer 偶然匹配）较低（标记基因更严格）
适用场景快速筛选、大规模样本精准定量、菌株鉴别

1.5 两种工具的数据流与决策路径

上图对比了输入 reads 后，两条工具各自的处理管道。Kraken2 直接查 k-mer 哈希表，MetaPhlAn 先比对 marker 库再统计。二者的输出格式也不同——Kraken2 报告每个 read 的 LCA 路径，MetaPhlAn 直接给出物种丰度表格。明白了这个流程，后面章节里讲参数调优时你就能快速抓住重点。

Kraken2 vs MetaPhlAn 数据流与决策路径 宏基因组 reads Kraken2 流程 构建 k-mer 哈希表 逐 k-mer 查询 + LCA 输出：每 read 分类路径 MetaPhlAn 流程 Bowtie2 比对 marker 库 标记基因覆盖度统计 丰度模型 → 物种定量 输出：物种丰度表 Kraken2 内存高、速度快，适合大规模筛选 假阳性需人工核实 MetaPhlAn 精度更高、内存低 对低丰度物种可能漏检

1.6 实战选型经验

我遇到过很多初学者上来就问“哪个工具更好？”。说实话，没有绝对的好坏，只有合不合适。这里我总结几条选型原则：

  • 样本量大、要求快速出结果 → 优先 Kraken2。我处理过上千个土壤样本，Kraken2 在 32 核服务器上一夜跑完，换成 MetaPhlAn 至少得 3 天。
  • 需要精准的物种定量，尤其是低丰度物种 → 优先 MetaPhlAn。它的标记基因策略对低丰度物种更可靠，但记得数据库要定期更新。
  • 硬件资源有限 → 也别硬上 Kraken2，标准库需要 100+ GB 内存，而 MetaPhlAn 用 8 GB 内存就能跑。
  • 做菌株水平分型 → 两个工具都不完美。Kraken2 的 LCA 会偏向高层级，MetaPhlAn 的标记基因库对菌株特异的标记覆盖有限。这时候我一般会上 Mash 或 StrainPhiAn 做补充。
注意：不要把两个工具的结果直接拿来取交集或并集然后下结论。我见过有人把 Kraken2 检出的物种列表和 MetaPhlAn 的列表一合并就发文章，结果是假阳性与假阴性混杂，审稿人直接指出“缺乏一致性分析”。科学做法是：先各自查看结果置信度，再交叉验证丰度趋势。

1.7 典型用法示例

最后放一个我日常用的运行命令，你可以直接复制去测试环境试试：

# Kraken2 快速分类
kraken2 --db /path/to/kraken2_db \
        --threads 16 \
        --report sample.kraken2.report \
        sample.fastq > sample.kraken2.out

# MetaPhlAn 物种定量（v4.0 以上）
metaphlan sample.fastq \
         --input_type fastq \
         --bowtie2db /path/to/metaphlan_db \
         --nproc 16 \
         -o sample_metaphlan.txt

跑完后对比一下输出格式——Kraken2 的报告是按分类层级统计的，MetaPhlAn 直接给出物种相对丰度。理解了这两份文件的结构，后面章节我们就会深入拆解里面的核心参数。

← 上一章 📖 返回目录 下一章 →