企业官网建设流程全解析

1. 项目概述与总体思路

宏基因组分析做到Binning这一步，基本上就算是进入“硬核区”了。前面无论是质控、组装还是基因预测，都有比较成熟的pipeline可以直接套，但Binning不一样——它没有唯一答案，同一个数据集，不同工具跑出来的结果可能差出一大截，甚至同一种工具换个参数，结果也会天翻地覆。而Binning又是整个流程里决定你后续能拿到什么级别MAG的关键节点，这一步做不好，后面所有下游分析都是在“垃圾进、垃圾出”的循环里打转。

这篇实战指南，我想把从Binning到MAG优化的完整流程拆开讲透，重点解决三个问题：第一，Binning到底是怎么工作的，为什么不同工具结果差异这么大；第二，多工具Binning之后怎么整合，怎么评估，怎么把MAG质量“养”上去；第三，实操中那些文档里不会写的坑，我踩过的、绕过去的，全部列出来给你当避雷指南。适合刚入门宏基因组、想系统掌握Binning和MAG优化流程的同行，也适合已经跑通pipeline但结果质量一直不理想、想回头调优的朋友。

整体流程我习惯这样划分：数据质控与组装策略决定Binning的“输入天花板”，Binning阶段用多个工具并行产出再整合，MAG评估与优化阶段决定最终入库的基因组质量，最后还要做去冗余和注释才能交给下游分析。每个阶段都有它的核心判断标准，我会在后面的章节逐一说明。

1.1 这项分析到底解决什么问题

Binning要解决的核心问题其实很朴素：混合微生物群落的测序数据是一锅粥，你得想办法把每株菌的基因组从这锅粥里“捞”出来。你手里拿到的宏基因组组装结果，通常是几千甚至几十万条contig，这些contig来自不同的物种，Binning的任务就是根据某种特征给每条contig贴标签——这条属于菌A，那条属于菌B，最后把属于同一物种的contig聚成一个“桶”（bin），这个桶再经过质检和优化，就是MAG，Metagenome-Assembled Genome。

Binning之所以难，是因为它本质上是无监督聚类。没有任何参考信息告诉你“这个数据集里有几个物种”，更没有人告诉你“这条contig是哪个物种的”。你只能靠序列本身的信号去猜。目前主流的Binning工具利用的信号主要有两类：一类是序列组成特征，比如四核苷酸频率（tetranucleotide frequency），不同物种的基因组在碱基使用频率上有微弱的但可统计的差异；另一类是覆盖度特征，也就是reads比对回contig的深度，同一个物种在样本里的丰度相对一致，所以覆盖度相似的contig更可能属于同一个物种。

早期的Binning工具只用组成特征，效果比较一般。后来大家发现把多个样本的覆盖度信息加进来，聚类准确率会大幅提升，这就是所谓的多样本Binning，也催生了后来“binning ic”这个概念——把composition（组成）和coverage（覆盖度，尤其是多条件整合后的coverage）两类信号联合起来做聚类，IC可以理解成“integrated composition/coverage”的意思，这也是现在主流Binning工具的基本思路。MetaBAT2、MaxBin2、CONCOCT这些工具虽然算法细节不同，但底层框架都是围绕这个思路展开的。

1.2 整体流程与工具选型逻辑

我做过不少宏基因组项目，从环境样本到肠道样本都碰过，总结下来最稳的Binning策略不是“挑一个最好的工具”，而是“跑多个工具再整合”。原因很简单：没有任何一个Binning工具在所有数据集上都能拿到最优结果。MetaBAT2速度快、对大基因组效果好，但在低丰度物种的召回上并不完美；MaxBin2对基因组大小有预估机制，在丰度均匀的样本里表现不错，但跑得慢；CONCOCT在短contig的分类上有一手，但容易过度拆分。与其相信某一个工具的“偏好”，不如把三个工具的结果全部扔给DAS_Tool做整合——DAS_Tool本身是一个打分和筛选引擎，它会把多个工具的结果放在一起，根据一致性选出最可信的bin集合。

工具选型之外，还有一个前期决策直接影响Binning质量，就是组装策略。你是把多个样本单独组装再分别Binning，还是把所有样本合并成一个大文件做共组装（co-assembly）再统一Binning？我的经验是：样本数量少（少于10个）且个体间差异不大时，co-assembly优势明显，因为覆盖度信号更丰富，低丰度物种也有机会攒出足够长的contig；样本数量特别多且来自不同环境类型时，co-assembly反而会引入大量冗余contig，导致组装时间爆炸和binning特征混乱，这时候按样本或按环境分组做co-assembly更明智。

流程链路我建议这样搭建：fastp质控和去宿主 → megahit或metaSPAdes组装 → 比对生成深度文件 → MetaBAT2/MaxBin2/CONCOCT并行Binning → DAS_Tool整合 → CheckM/CheckM2质检 → RefineM优化 → dRep去冗余 → GTDB-Tk分类注释。每一个环节的具体操作和坑，我接下来逐步拆开讲。

2. 输入准备：数据质控与组装的几个关键决定

很多教程会把Binning的起点定在“拿到组装结果之后”，但实际项目里，Binning效果好不好，有相当大一部分在组装之前就已经注定了。这个道理有点像做饭——菜洗得不干净，后面厨艺再高也白搭。尤其在低丰度物种的回收上，组装的完整性直接决定了后面能不能分出一个像样的MAG。

2.1 测序数据质控与去宿主

质控这步虽然枯燥，但必须做扎实。我的标准流程是用fastp对双端reads做质量过滤，参数上一般设置-q 20（质量值低于20的碱基截掉）、-u 30（如果一条reads里超过30%的碱基不合格就整条丢弃）、--length_required 50（小于50bp的reads不要）。这套参数比较通用，既不会因为太严格把长reads全砍光，也不会因为太宽松把低质量数据带进下游。

如果是宿主相关样本（比如肠道内容物、组织样本），还需要做去宿主处理。这里踩过一个大坑：最初做小鼠肠道样本时，没有把宿主DNA过滤干净，结果Binning出来一堆“高完整度”的bin，CheckM一看全是小鼠染色体片段，白白浪费了一天时间。现在我做去宿主会用bowtie2比对到宿主基因组，参数用--very-sensitive，然后--un-conc-gz输出未比对的reads。要注意的是比对宿主时--very-sensitive会慢不少，但值得，因为宿主残留的代价远大于这点时间成本。

去宿主之后记得再看一眼质控报告。我习惯记录三个数字：reads保留率、Q30比例、平均插入片段长度。这三个数能帮你快速定位问题——如果reads保留率低于70%，大概率是接头污染或者测序质量差；如果插入片段长度和建库报告差异很大，到了组装阶段就容易出现contig断裂。

2.2 组装策略:single-assembly还是co-assembly

组装策略这个决定，我在每个项目启动前都会反复掂量，因为它直接影响Binning的信息量。single-assembly就是每个样本单独组装，优点是操作简单、各样本独立、不会出现跨样本的嵌合contig；缺点是低丰度物种在单个样本里reads太少，组装出来的contig又短又碎，Binning阶段根本不够特征计算。

co-assembly则是把多个样本的reads合并在一起组装。好处非常明显：低丰度物种的reads被“汇总”了，覆盖度层面多了一个信息维度——同一个物种的contig在样本A里可能覆盖度低，但在样本B里覆盖度可能高，这个“跨样本深度模式”对Binning聚类是极强的信号。这也是为什么多样本co-assembly再Binning，往往比单样本单独Binning多回收20%-40%的MAG。

但co-assembly不是没有代价。最直接的代价是时间和内存。metaSPAdes在多个样本合并后，内存占用可能飙到几百GB，跑上几天都出不来结果。另外，不同样本如果来自差异巨大的生态环境（比如一组是海洋、一组是土壤），合并组装容易产生大量嵌合体。我在实际项目中的判断标准是这样：样本间物种组成相似度较高的（比如同一个人体多个时间点的肠道样本），大胆co-assembly；样本跨环境类型的，宁可损失一些低丰度物种，也要分组co-assembly，保证contig的正确性。

2.3 组装结果评估:决定Binning上限

组装完成之后，不要急着直接进Binning，先花半小时评估一下组装质量。我一般看两个指标：N50和contig数量。N50可以理解为“一半组装长度所在的contig长度”，反映组装连续性；contig数量则看组装碎片化程度。如果N50只有几千bp，说明组装效果不佳，这时候Binning几乎没有可能拿到高质量MAG，与其硬着头皮往下走，不如回头调整组装参数。

另一个容易被忽略但很关键的做法是：在Binning之前先筛选contig，把小于1000-1500bp的contig直接过滤掉。短contig的四核苷酸频率统计极不稳定，覆盖度估计也容易受比对边缘效应影响，放在聚类里基本属于噪音。我通常用seqkit seq -m 1000做这一步，简单粗暴但有效。

这里必须强调一个经验：组装结果的“连续性”比“完整性”更能预示Binning效果。组装得再全，如果contig碎得跟渣一样，Binning算法面对几千条长度都在1-2kb的contig时，聚类特征几乎没有区分度。反过来，如果组装结果里有若干条长contig（>50kb），哪怕整体N50不算顶级，Binning也更容易从长contig出发，形成高质量的核心bin，再去吸纳短contig。这也是为什么很多流程会在Binning前先做“长contig优先”的策略。

3. Binning实操:从多工具产出到整合优化

Binning本身的实操过程没有想象中那么玄乎，大部分步骤都是“配置好配置文件，跑脚本，等结果”。但想拿到好的结果，你必须理解每个工具是“怎么想”的，才能在参数选择和后续整合时做出正确判断。

3.1 Binning原理与“binning ic”趋势

前面提到过，Binning的核心是聚两类特征。第一类叫composition，最常用的是四核苷酸频率（TNF），它在每个物种基因组内部相对稳定，在物种间有可检测的差距，有点像“句子的用词习惯”——同一个人说话有口头禅，不同物种也有各自的“序列口头禅”。第二类是coverage，也就是把reads比对回contig，看每个contig被覆盖的深度，这个指标在多样本环境下尤其重要，因为同一物种在不同样本里的丰度变化形成了一条“深度曲线”，比单一样本的单一深度值信息量大得多。

MetaBAT2的算法代表性很强，它先通过四核苷酸频率和覆盖率把contig粗聚类，再迭代优化边界，过程中还会利用已知的标记基因做“种子”，让聚类更贴近真实的基因组完整性。MaxBin2的思路不太一样，它会先预估样本里有多少个基因组（基于单拷贝基因），然后为每个可能的基因组找contig。CONCOCT用的则是高斯混合模型，它把四核苷酸频率和覆盖度投影到高维空间，然后用聚类算法划分，这个方法对高维特征的利用更充分。

现在大家常说的“binning ic”，本质上就是在强调整合（integrated）策略的价值：不再是单一信号跑到底，而是把composition信号、跨样本coverage信号，以及后续会提到的CheckM质检信号全部联合起来反复优化。我自己的流程里，DAS_Tool整合这一步其实就是“binning ic”思路的具体实现——用多工具的一致性来弥补单工具的系统误差。

3.2 三种主流Binning工具的实操与参数

先说我用得最多的MetaBAT2。它最大的优势就一个字，快。一个中等规模的宏基因组数据集，MetaBAT2基本十几分钟到几十分钟就跑完了。但速度快不代表可以乱跑，输入文件必须规范。MetaBAT2需要两个输入：组装后的contig文件（FASTA格式）和每个样本的深度文件（ABUNDANCE文件）。深度文件可以用jgi_summarize_bam_contig_depths工具生成，它读入所有样本的BAM文件，输出每个contig在每个样本中的覆盖深度。

生成深度文件的命令如下：

# 假设有样本A和样本B，比对的BAM文件分别对应sampleA.sorted.bam和sampleB.sorted.bam jgi_summarize_bam_contig_depths --outputDepth depth_all.txt \ sampleA.sorted.bam sampleB.sorted.bam

这个depth_all.txt文件第一列是contig ID，后续列是各样本的覆盖度信息。MetaBAT2默认会同时输出变异度相关的列，实际用的时候可以显式指定只用覆盖度列：

# 注意这里引用了depth_all.txt中带cov的列名 metabat2 -i contigs_1kb.fa -a depth_all.txt -o bins_dir/bin -t 16 -m 1500 \ --unbinned --minSamples 1 --maxEdges 200

参数里-m 1500表示只对长度1500bp以上的contig做聚类，这一步其实我建议根据数据情况调：contig普遍较长时用-m 2000或-m 2500，会显著降低噪音；contig整体较短时-m 1000更稳妥。--minSamples 1表示一个contig只要在至少1个样本里有覆盖度就算有效，多物种差异大的数据集可以用2或3，让聚类更严格。

MaxBin2的命令相对固定，核心是用scriptrun_MaxBin.pl，它内部会自己调用多个脚本。命令示例：

run_MaxBin.pl -contig contigs_1kb.fa -abund_list sampleA.abund.txt,sampleB.abund.txt \ -out maxbin_out/bin -thread 16 -min_contig_length 1500

这里的-abund_list是每个样本的覆盖度文件，MaxBin2需要用fragscaff或者pileup等工具单独生成。如果你已经有BAM文件，比较简单的方式是先用jgi_summarize_bam_contig_depths生成深度文件，再拆出每个样本的深度列，按MaxBin2的格式整理。

CONCOCT的安装和输入相对繁琐一些。它把TNF和coverage拼成一个特征矩阵，然后做主成分分析降维，最终聚类。它的输入文件需要三个：contig FASTA、原始reads（用于估计覆盖度，但也支持深度文件）、样本名称列表。命令示例：

# 生成contig的TNF特征 python3 concoct/extract_fasta_kmer_features.py contigs_1kb.fa kmer_features.tsv # 初始化聚类，预估cluster数量 python3 concoct/init_one_cluster.py kmer_features.tsv cluster_one # 先做主成分分析再聚类 python3 concoct/principal_components.py kmer_features.tsv pca_features.tsv python3 concoct/cluster.py pca_features.tsv cluster_out --clusters 20 --coverage_file depth_all.txt # 把聚类结果转为FASTA文件中的bin python3 concoct/merge_covariate.py cluster_out/coclusters/cluster_centroids.csv kmer_features.tsv cluster_merged python3 concoct/split_clusters.py contigs_1kb.fa cluster_merged/cluster_centroids.csv bins_concoct/

CONCOCT的--clusters参数需要预先指定聚成多少类，这个值不好猜，我一般先根据CheckM结果判断物种丰富度，再设一个偏大的数，宁可多拆不可少聚，反正后面DAS_Tool会帮你整合和筛选。

3.3 用DAS_Tool整合多工具结果

多工具Binning跑完之后，你会拿到三套bin目录。如果不整合，随便挑一套用，大概率存在三类问题：有些bin只被其中一个工具找到，可能是真也可能是假；有些真bin被拆分成了好几份，每个工具拆的方式还不一样；还有一些bin混进了杂contig，污染严重。DAS_Tool存在的意义就是解决这些问题，它通过比较不同工具对每个bin的“投票”，计算AUC分数，选出每个contig最合理归属，最终输出一个整合后的、比任何单一工具都要干净的结果。

DAS_Tool的使用有一个前提条件，它会先用Prodigal预测每套bin的蛋白序列，用来计算单拷贝基因完整性。这一步本质上是利用单拷贝标记基因（比如细菌中保守的40个左右看家基因）来判断bin质量。运行时需要提供一个包含所有bin文件路径的列表，以及这些bin对应的工具名称列表：

# 构造输入列表 for file in bins_metabat2/*.fa; do echo -e "$file\tmetabat2"; done > das_input.txt for file in bins_maxbin/*.fasta; do echo -e "$file\tmaxbin2"; done >> das_input.txt for file in bins_concoct/*.fa; do echo -e "$file\tconcoct"; done >> das_input.txt # 运行DAS_Tool DAS_Tool -i das_input.txt -c contigs_1kb.fa -o das_out \ --search_engine diamond --threads 16 --write_bins 1 --score_threshold 0.5

DAS_Tool运行时间取决于bin数量和contig数量，中等数据集大概1-3小时。这里有两个参数特别值得注意：--score_threshold默认0.5，如果你觉得产出bin都偏碎，可以降到0.3，让更多contig被吸收进来；如果你更看重bin的纯度，可以升到0.6甚至0.7。--write_bins 1是必须的，它会把你最终的bins写到das_out_DASTool_bins目录下，这也是后续分析的起点。

我个人经验是DAS_Tool整合之后，bin数量一般会比MetaBAT2单工具结果少10%-20%，但高质量MAG的数量通常不会变少甚至可能变多。因为整合过程“合并”了许多被拆解的bin，完整度自然提上去了。如果你看到整合后bin数量暴跌，大概率是单一工具的结果质量太差，或者输入数据集有严重问题，这时候不要急着调DAS_Tool参数，先回头看组装和Binning输入。

4. MAG质量评估与优化

Binning结束只是拿到“毛坯房”，能不能作为可用的MAG入库，还要经过质量评估和优化两道关。质量评估回答“这套结果到底行不行”，优化回答“不行的话怎么改”。这两个环节直接决定了你的paper里能写“获得了几个高质量MAG”，还是在审稿时被质疑数据质量。

4.1 CheckM与CheckM2怎么选

MAG质量评估最核心的两个指标是完整度（completeness）和污染度（contamination）。完整度指这个bin覆盖了目标基因组多大比例，污染度指这个bin里混了多少其他物种的序列。行业通行的标准是：完整度>90%、污染度<5%为高质量MAG；完整度>50%、污染度<10%为中质量MAG。发表在期刊上的MAG一般至少要达到中质量标准，否则下游分析根本不具备说服力。

CheckM做这件事的思路很有意思，它不直接比对参考基因组，而是通过看家基因（single-copy marker genes）来判断。一个完整的细菌基因组应该有且仅有一套核心看家基因，如果某个bin里这些看家基因大部分都在，说明完整度高；如果某些看家基因出现多份拷贝，则说明有污染混入。CheckM在长contig上的评估比较稳定，但对短contig、低完整度样本容易把缺失误判为污染。

CheckM2是2023年左右出现的替代方案，它用机器学习模型直接在蛋白序列特征上预测完整度和污染度，不需要单独比对标记基因，速度更快，对低完整度bin的评估也稳定不少。我现在的流程是：先用CheckM跑一遍看整体分布，再对DAS_Tool优化后的关键bin用CheckM2交叉验证。两个工具都报低完整度、高污染的bin，基本可以确信是垃圾bin；两个工具结果矛盾的bin，则要单独检查contig覆盖度和GC含量分布来人工判断。

CheckM命令示例：

checkm lineage_wf -t 16 -x fa das_out_DASTool_bins checkm_out

这条命令会自动判断每个bin所属的谱系（lineage），再根据谱系对应的标记基因集评估质量。运行时间较长，因为需要为每个bin做系统发育定位。如果嫌慢，也可以用checkm taxonomy_wf指定一个已知分类层级，加速运算。

4.2 质量门槛与分类注释

质量评估完，下一步就是“筛”。我习惯把CheckM结果导入到一张汇总表里，然后按质量标准过滤。这里有一个容易犯的错误：只看完整度和污染度两个指标，忽略了对冗余度（strain heterogeneity）的判断。冗余度描述的是bin里是否存在高度相似的近缘菌株混入，如果冗余度高，即使污染度低于5%，这个bin也可能由两个95%相似度的菌株组成，这会影响后续SNP分析和基因功能注释的准确性。

在过滤完低质量bin之后，分类注释也是必选项。目前宏基因组领域最常用的分类工具是GTDB-Tk，它基于基因组分类数据库（GTDB），比传统的NCBI Taxonomy更能反映微生物的系统发育关系。GTDB-Tk会把你的MAG比对到参考基因组树，然后分配一个物种或属级别的分类标签。命令很简单：

gtdbtk classify_wf --genome_dir das_out_DASTool_bins --out_dir gtdb_out \ --cpus 16 --prefix mags

GTDB-Tk跑起来比较慢，主要慢在比对步骤，但对后续生态学分析非常关键。没有分类标签的MAG，你只能叫它“bin_003”，有了分类标签，你才能回答“这个样本里有哪些物种”。

4.3 通过Refinement把MAG“养熟”

拿到质量评估结果后，你会看到一批不满意的bin，比如完整度70%、污染度8%，或者完整度95%、污染度6%。这些bin不达标但距离达标只有一步之遥，直接扔掉太可惜，这时候需要做bin refinement（优化）。

Refinement的核心做法有几种。第一种是“减法”：针对污染度偏高的bin，根据GC含量、覆盖度和四核苷酸频率，识别并剔除那些“异类”contig。这条思路我在RefineM工具里用得最多。RefineM的做法比较系统：它会计算每个contig的GC含量、覆盖度和TNF特征，然后找出偏离bin整体特征的contig，再用单拷贝基因做二次校验，把“多余”的标记基因对应的contig也要挑出来。

我自己项目里最常用的优化动作是这样：先看bin的覆盖度和GC分布散点图，如果看到一个bin明显分成了两个簇，大概率是Binning没完全分开的两个基因组混在一起；如果只有少数contig离群，则直接用脚本过滤掉这些contig，然后重新跑CheckM，看污染度是否降下来。这个过程有点像“做陶艺”，你要把多余的泥一点点剥掉，才能让成型的器物轮廓清晰。

第二种是“加法”：针对完整度偏低的bin，尝试从“unbinned”序列或其他低质量bin里找回可能属于它的contig。这一步有专门的工具比如Binning Refiner，但我更常用的方法是手动法：选几条bin里的长contig作为种子，用BLAST到unbinned序列里找高度相似的contig，比对成功且覆盖度模式一致的，就直接加回来。这个方法听着土，但非常有效，尤其是能救回那些因为覆盖率低而被Binning工具忽略的菌株。

第三种是“重新组装”：在bin确定好contig集后，把属于同一个bin的reads重新提取出来，用SPAdes或megahit做二次组装。因为现在的reads集合比全样本组装时更“纯净”，二次组装往往能拼出更长的contig，从而提高完整度。实操上，先用bowtie2把原始reads比对到bin的contig序列，再把比对上的reads抽取出来，最后用SPAdes的--rna或基因组模式做局部组装。这一步对提升完整度帮助显著，代价是每个bin都要单独跑一次组装，耗时较长，一般只对重点MAG做。

5. 常见问题速查与排障实录

Binning和MAG优化这两个阶段，踩坑概率非常高，而且很多坑是没有报错信息的，你只会拿到一个“看起来能用但总觉得不对劲”的结果。这一节我把这些年遇到过的高频问题整理成速查表，并配上对应的排查思路，方便你碰到问题时快速定位。

还有几个经验值得一提。比如在Binning之前，把样本的reads量做均一化处理（downsample到相同深度），有时候能显著改善低丰度样本的binning效果。我自己遇到过的情况是：样本间测序深度差异超过10倍时，高深度样本的contig会把聚类中心拉走，导致低深度样本的contig被误分。做了均一化之后，binning的稳定性和准确性都上来了。

再比如，--minSamples这个参数对多数据集的效果差异很大。样本多且绿色多样时，我试过调高到3-5，可以有效剔除只在个别样本里出现的杂散contig。但样本少（比如只有2-3个）时，调高--minSamples会丢掉大量真实但覆盖不均的contig，得不偿失，一律建议--minSamples 1。

6. 一点个人体会

做Binning这几年，最大的体会是：这个环节没有“银弹”，没有哪个工具、哪组参数能在所有数据集上完美胜出。成功的流程一定是多工具并行、整合优化、质量评估反复迭代的闭环。我见过不少同行跑完MetaBAT2就直接把结果交给下游，最后下游做物种注释时发现一堆嵌合体，回头再查Binning，浪费时间还容易影响整体分析节奏。

另外想提醒的是，不要把CheckM的分数当成绝对的“圣旨”。完整度和污染度是两个粗略指标，它们对Marker基因的选择敏感，对基因组结构的特殊性（比如质粒多、rRNA重复高）也会有偏差。我一般会额外看GC含量分布、覆盖度分布和N50这几个bin级别的辅助指标，多维度交叉验证，比单看CheckM靠谱得多。

Binning这个方向这两年进化很快，从最初的TNF+coverage聚类，到多工具整合，再到基于深度学习的方法陆续出现，整个领域还在快速迭代中。但底层逻辑没有变：你要想办法从混合信号里拆出单一物种的基因组，并且让拆出来的结果经得起推敲。把这套基本功练扎实，未来不管新工具怎么出，你都具备判断“什么结果可以信、什么结果需要警惕”的能力。希望这篇实战指南能帮你在Binning到MAG优化的路上少走些弯路。