数据库选择与版本管理：v3.0、v4.0 与自定义数据库的适用场景
做宏基因组分析，选对数据库比调对参数还重要。这句话我反复跟团队讲过。
MetaPhlAn 从 v3.0 升级到 v4.0，数据库结构变化不小。再加上自定义数据库的灵活性，很多人一开始会懵。这一节我带你理清楚，不同版本到底怎么选。
版本演变，到底变了什么？
先看一张对比表，直观感受下差异：
| 特性 | MetaPhlAn v3.0 数据库 | MetaPhlAn v4.0 数据库 |
|---|---|---|
| 标记基因数量 | ~1.1M 个 clade-specific 标记 | ~5.1M 个标记（扩展约 4.6 倍） |
| 覆盖物种数 | ~17,000 个（细菌/古菌/真核） | ~26,000+ 个（新增大量真菌与病毒） |
| 参考基因组 | ~25,000 个高质量基因组 | ~101,000 个（含从 UHGG、GTDB 扩充） |
| 分类层级 | 界 → 种（部分菌株层级弱） | 界 → 菌株级（Streptococcus 等 4 个属有菌株标记） |
| 数据库大小 | ~2.8 GB | ~10.5 GB |
| 分析速度（双端 10M reads） | ~8 分钟 | ~15-20 分钟（内存也更贵） |
说白了，v4.0 是用更大的存储和算力换更高的分辨率和覆盖度。但这不是说 v3.0 就该被淘汰。
v3.0 数据库，什么时候还用得上？
场景一：环境样本的快速筛查。
比如土壤、海水或废水样本，物种丰度往往分散，不需要菌株级分辨率。v3.0 跑得快，占内存少，适合大批量初筛。
场景二：陈年项目复现。
我记得有一次，用户要求复现一篇 2020 年的文章，用的就是 v3.0 数据库。如果我用 v4.0 重跑，丰度结果会有偏差，对方不认。这时候必须锁定原版本。
场景三：计算资源紧张。
你想想看，服务器只有 16GB 内存、4 核 CPU，硬跑 v4.0 会直接 OOM。v3.0 在这种环境下反而稳定。
v4.0 数据库，强在哪里？
菌株级分辨率。
v4.0 在 Streptococcus 属、Escherichia 属等 4 个关键属上增加了菌株特异性标记。这意味着你能区分 E. coli K-12 和 E. coli O157:H7，对临床样本或食品溯源太重要了。
真菌和病毒覆盖大幅提升。
以前用 v3.0 分析肠道真菌组，经常一堆 Unclassified。v4.0 补充了 Candida、Saccharomyces 等常见真菌的标记基因，识别率提升了 30% 以上。
更高的一致性。
我个人在实际项目中发现，v4.0 在重复样本之间的 Pearson 相关系数比 v3.0 高 0.05-0.08，说白了就是更稳。
自定义数据库，什么时候自己动手？
MetaPhlAn 支持通过 add_metaphlan_database.py 构建自定义数据库。但说实话，这条路坑也不少。
什么时候非自建不可？
- 分析宿主相关样本，宿主序列干扰大。 比如粪便样本中 90% 是宿主 DNA，你需要在数据库里加入宿主屏蔽标记。
- 关注特定致病菌或抗性基因。 官方数据库可能只包含该物种的部分菌株，不包含你关心的毒力基因上下游区域。
- 研究的物种太冷门。 比如海洋热液口的嗜热古菌，主流数据库根本没有它的标记。
自建数据库的大致流程：
1. 准备高质量参考基因组（FASTA）
2. 运行 MetaPhlAn 的标记基因提取脚本
metaphlan --install --bowtie2db custom_db
3. 提取 clade-specific 标记
metaphlan --clade_specific_markers
4. 构建 bowtie2 索引
bowtie2-build custom_markers.fa custom_db
5. 指定数据库运行
metaphlan sample.fastq --bowtie2db custom_db --input_type fastq
数据库版本管理，我建议这样做
大部分人面临的不是选哪个版本好，而是怎么确保不同项目用的版本一致，便于比较。
版本锁定三件套：
- 下载数据库时记录版本号。 不要只记一个路径，要记录具体的 MetaPhlAn 版本 + 数据库构建日期。
- 使用软链接管理多版本。
- 脚本中显式指定数据库路径。 不要依赖系统环境变量，否则换台机器就找不到了。
以下是我项目中实际使用的目录结构：
/data/metaphlan_db/
├── v3.0/
│ ├── metaphlan_databases/
│ └── README_v3.0_2021.txt
├── v4.0/
│ ├── metaphlan_databases/
│ └── README_v4.0_2023.txt
├── custom_hot_spring/
│ ├── custom_markers.fa
│ ├── custom_db.1.bt2
│ └── build_log.txt
└── db_current -> /data/metaphlan_db/v4.0/ (软链接)
运行脚本时，我习惯这么写：
METAPHLAN_DB=/data/metaphlan_db/v4.0/metaphlan_databases
metaphlan sample.fastq \
--bowtie2db ${METAPHLAN_DB}/mpa_v4_bt2 \
--input_type fastq \
--nproc 8 \
-o sample_profile.txt
为什么这么干？因为如果直接把 db_current 指向不同版本，只需要换一次软链接，所有脚本都不用改。
用一张图厘清选择逻辑
下面这张流程图，是我在课程里反复用的，帮你快速决策：
数据库下载与版本切换实操
数据库下载很简单，但注意一点：MetaPhlAn 的 --install 参数默认下载最新版。如果你想锁定版本，可以用下面的格式：
# 安装 v4.0 指定版本
metaphlan --install --bowtie2db /path/to/v4.0_db \
--index mpa_v4_bt2
# 安装 v3.0 指定版本
metaphlan --install --bowtie2db /path/to/v3.0_db \
--index mpa_v3_bt2
切换版本时，只需要在运行 metaphlan 命令时，通过 --bowtie2db 指定不同目录即可。我习惯在项目目录下放一个 config.sh 文件，里面写数据库路径和环境变量，所有分析脚本都 source 这个文件。这样换项目时，只改一个文件。
避坑经验小结
- 版本不兼容： MetaPhlAn 3.0 的程序不能直接加载 v4.0 数据库，反之亦然。升级 MetaPhlAn 和升级数据库必须同步。
- 数据库完整性校验： 下载完成后，用
ls -l检查每个 bt2 文件是否大于 0。部分服务器下载中断会留下空文件，后续报错很难排查。 - 环境隔离： 每个项目建独立的 conda 环境，一个环境里只装一个版本的 MetaPhlAn。我曾经因为全局装了 v3.0，又在一个虚拟环境装了 v4.0，结果 PATH 冲突，跑出来全是未知物种。