预构建数据库介绍
聊完 Kraken2 自身的构建方法，咱们得聊聊最实际的问题——数据库从哪来。你当然可以自己从头构建，但那太费时间了。好在官方已经准备好了几个预构建好的数据库，拿来就能用。
我个人建议，绝大多数情况下，先用官方预构建库跑通流程。等你有特殊需求了，再考虑自己动手定制。今天就带你把这三个主流数据库吃透。
官方三件套：Standard、Minikraken、PlusPF
官方预构建的数据库，说白了就是三个兄弟，各有各的脾气。我用一张图让你看清楚它们的关系：
Standard 数据库
大小：压缩后约 8 GB，解压后约 20 GB。构建时的参数是这样：
kraken2-build --standard --threads 8 --db standard_db适用范围：这是官方最推荐的"万金油"库。它包含了细菌、古菌、病毒和人类基因组的完整数据。说白了一个普通的环境样本或者临床样本，用它跑就对了。
我记得刚入行那会儿，有个师兄非要自己从头建库，折腾了两天，结果分类效果还不如直接下载 Standard。为什么？因为官方维护的序列版本是最新的，你自己下载反而容易漏掉更新。
Standard 数据库包含的主要内容：
- RefSeq 中的完整细菌基因组（约 2 万个）
- RefSeq 中的完整古菌基因组（约 500 个）
- RefSeq 中的完整病毒基因组（约 1.5 万个）
- 人类参考基因组（GRCh38）
- 部分真菌基因组
Minikraken 数据库
大小：压缩后仅约 4 GB，解压后约 10 GB。
wget https://genome-idx.s3.amazonaws.com/kraken/minikraken2_v2_8GB_202003.tgz
tar -xzvf minikraken2_v2_8GB_202003.tgz适用范围：这个家伙的存在，就是为那些内存捉急的机器准备的。Minikraken 只包含部分代表性的细菌和病毒基因组，但分类准确率并没有想象中那么差。
我曾经在一个老旧的服务器上跑宏基因组分析，内存只有 8 GB。当时还不信邪，硬上 Standard，结果系统直接 OOM 掉。后来换成 Minikraken，嗯，又快又稳。
Minikraken 的取舍逻辑：
- 只保留每个属中具有代表性的物种
- 完全砍掉了古菌和人类基因组
- 病毒只保留重要的致病性病毒
- 真菌基本只留了模式物种
PlusPF 数据库
大小：压缩后约 12 GB，解压后约 30 GB。这是官方预构建里最大的一个。
wget https://genome-idx.s3.amazonaws.com/kraken/k2_pluspf_20220630.tar.gz
tar -xzvf k2_pluspf_20220630.tar.gz适用范围：PlusPF 可以理解为 Standard 的"增强版"。它在 Standard 的基础上额外增加了 质粒基因组 和 UniVec 数据库（用于检测载体污染）。
你想想看，在哪些场景下特别有用？比如医院的环境样本，里面可能含有携带耐药基因的质粒；又比如你测序的样本来自实验室，可能混入了载体序列。PlusPF 能帮你把这类东西揪出来。
- 完整的质粒 RefSeq 数据库
- UniVec_Core 数据库（用于鉴定载体污染）
为什么官方不把 PlusPF 作为默认推荐？因为它的内存消耗确实大。30 GB 的解压大小意味着你至少需要 48 GB 的内存才能愉快地跑起来。我在云计算节点上用过几次，每次都得申请大内存实例。
三个数据库的选择策略
| 数据库 | 压缩大小 | 解压大小 | 最低内存 | 推荐场景 |
|---|---|---|---|---|
| Minikraken | ~4 GB | ~10 GB | 8 GB | 快速筛查、低内存环境 |
| Standard | ~8 GB | ~20 GB | 16 GB | 日常分析、通用分类 |
| PlusPF | ~12 GB | ~30 GB | 32-48 GB | 深度溯源、质粒检测 |
最后说一句，这三个库都在持续更新。官方大概每半年到一年会发布一个新版本。我个人习惯每次跑重要项目前，去检查一下是否有新版本，毕竟序列数据库这种东西，越新越准。
好了，预构建数据库就聊这么多。下回你想了解如何把这些库和你的实战项目结合起来用，随时可以翻回来参考今天的笔记。