物种分类算法
深入了解 MICOS-2024 物种分类模块使用的 Kraken2 算法原理和参数优化策略。
概述
MICOS-2024 使用 Kraken2 进行快速准确的物种分类，结合 kraken-biom 和 Krona 生成多格式的分类报告。
Kraken2 k-mer 分类算法
算法原理
Kraken2 使用 精确 k-mer 匹配 进行快速分类：
- 数据库构建：将参考基因组分割为 35-mer，建立 k-mer 到分类单元的映射
- 查询分类：将查询序列的 k-mer 与数据库匹配，计算 LCA（最低共同祖先）
- 置信度过滤：根据匹配 k-mer 的比例确定分类置信度
LCA 算法
当 k-mer 匹配到多个分类单元时，Kraken2 使用 LCA 算法确定最精确的分类层级：
$$ \text{LCA}(S_1, S_2, ..., S_n) = \text{argmin}_{T} { d(T, S_i) } $$
其中 $d(T, S_i)$ 是从根节点到 $S_i$ 经过 $T$ 的距离。
k-mer 分类算法
O(m) 查询将序列分解为 k-mer，查找数据库匹配，计算分类权重和 LCA。
def classify_sequence(kmers, db):
hits = defaultdict(int)
for kmer in kmers:
if kmer in db:
for taxon in db[kmer]: hits[taxon] += 1
if not hits: return None
lca = compute_lca(hits.keys())
confidence = hits[lca] / len(kmers)
return (lca, confidence)参数优化
置信度阈值
Kraken2 的 --confidence 参数控制分类的严格程度：
| 阈值 | 特点 | 适用场景 |
|---|---|---|
| 0.0 | 最宽松 | 最大灵敏度，高假阳性 |
| 0.1 | 默认 | 平衡灵敏度和准确性 |
| 0.3 | 较严格 | 减少假阳性，可能遗漏稀有物种 |
| 0.5 | 严格 | 高置信度分类，适合临床 |
推荐配置
Kraken2 分类命令
推荐的 Kraken2 分类参数配置，平衡速度和准确性。
kraken2 --db /path/to/db --threads 16 --confidence 0.1 --report sample.report --output sample.kraken --paired R1.fastq R2.fastq数据库选择
标准数据库
| 数据库 | 大小 | 分类单元 | 适用场景 |
|---|---|---|---|
| Standard | 16GB | RefSeq 细菌/病毒/真菌 | 通用分析 |
| Standard-8 | 8GB | 精简版 | 资源受限环境 |
| MiniKraken | 4GB | 子集 | 快速测试 |
自定义数据库
对于特定研究场景，可以构建自定义数据库：
bash
kraken2-build --download-taxonomy --db custom_db
kraken2-build --add-to-library genome1.fna --db custom_db
kraken2-build --build --db custom_dbBracken 丰度估计
Bracken（Bayesian Reestimation of Abundance with KrakEN）通过贝叶斯方法重新估计物种丰度：
$$ P(S_i | R) \propto P(R | S_i) \cdot P(S_i) $$
其中：
- $R$ 是观察到的读长分配
- $S_i$ 是物种 $i$ 的真实丰度
- $P(R | S_i)$ 是似然函数
使用 Bracken
bash
bracken -d kraken2_db -i sample.report -o sample.bracken -l S输出格式
Kraken 报告格式
| 列 | 说明 |
|---|---|
| 1 | 百分比 |
| 2 | 该节点读长数 |
| 3 | 该节点及子节点总读长数 |
| 4 | 分类等级代码 |
| 5 | NCBI 分类 ID |
| 6+ | 科学名称 |
BIOM 格式转换
MICOS-2024 使用 kraken-biom 将 Kraken 报告转换为 BIOM 格式：
bash
kraken-biom sample.report -o sample.biomBIOM 格式支持与 QIIME2、phyloseq 等下游工具的无缝集成。
质量控制
分类率监控
- 高分类率 (>70%)：数据库覆盖良好
- 中等分类率 (40-70%)：可能有未知物种
- 低分类率 (<40%)：检查数据库匹配或样本质量
异常检测
- 意外的高丰度物种可能指示污染
- 分类分布的异常偏斜需要调查
- 交叉样本比较可识别批次效应
kraken2