肠道宏基因组数据分析流程
以下是 **肠道宏基因组数据分析全流程详解**，涵盖从原始数据到生物学解释的每一步骤，并解释其科学依据和技术选择原因：
---
### **一、原始数据质控（Quality Control）**
#### **步骤**：
1. **FastQC + MultiQC**
- 检查测序质量（Q30）、接头污染、GC含量分布。
- **原因**：低质量读段会导致组装错误，需过滤低质量碱基（Q<20）和短读段（<50bp）。
2. **Trimmomatic/Cutadapt**
- 去除接头序列和低质量末端。
- **示例命令**：
```bash
trimmomatic PE -phred33 R1.fastq R2.fastq \
R1_clean.fastq R1_unpaired.fastq \
R2_clean.fastq R2_unpaired.fastq \
ILLUMINACLIP:adapters.fa:2:30:10 SLIDINGWINDOW:4:20 MINLEN:50
```
#### **为什么重要**：
- 肠道样本常含宿主DNA（人类上皮细胞），低质量数据会干扰后续分析。
---
### **二、宿主DNA去除（Host Removal）**
#### **步骤**：
1. **Bowtie2/BWA比对宿主基因组**
- 比对到人类基因组（hg38）并移除匹配读段。
- **原因**：宿主DNA占比可达90%，去除后提升微生物信号。
- **命令**：
```bash
bowtie2 -x hg38 -1 R1_clean.fastq -2 R2_clean.fastq --un-conc-gz microbial_%.fastq.gz -S host.sam
```
---
### **三、宏基因组组装（Assembly）**
#### **步骤**：
1. **选择组装工具**
- **MEGAHIT**（默认）：省内存，适合复杂肠道菌群。
- **SPAdes-Meta**：高精度但需更多资源。
- **命令**：
```bash
megahit -1 microbial_1.fastq.gz -2 microbial_2.fastq.gz -o assembly_out -t 16
```
#### **为什么重要**：
- 肠道微生物基因组碎片化严重，短读段需组装成连续contigs才能用于分bin和功能注释。
- **评估指标**：N50 >10 kbp，contig数量适中（过高可能提示过度组装）。
---
### **四、基因预测与去冗余（Gene Calling）**
#### **步骤**：
1. **Prodigal预测ORFs**
- 识别开放阅读框（ORFs）。
- **命令**：
```bash
prodigal -i contigs.fa -o genes.faa -a proteins.faa -d genes.fna
```
2. **CD-HIT去冗余（聚类>95%相似度）**
- 减少冗余基因，提升分析效率。
#### **科学依据**：
- 肠道微生物基因冗余度高（如同一菌种的多拷贝基因），聚类可降低计算负担。
---
### **五、物种与功能注释（Annotation）**
#### **1. 物种组成分析**
- **Kraken2 + Bracken**
- 基于k-mer快速分类，搭配GTDB数据库（替代NCBI，更准确）。
- **命令**：
```bash
kraken2 --db GTDB --threads 16 --paired R1.fastq R2.fastq --output kraken.out
bracken -d GTDB -i kraken.out -o bracken.out
```
#### **2. 功能注释**
- **HUMAnN3**
- 解析代谢通路（如短链脂肪酸合成）。
- **原因**：肠道菌群功能（如丁酸盐产生）比物种组成更具临床意义。
- **命令**：
```bash
humann3 --input microbial_1.fastq.gz --output humann_out --threads 16
```
---
### **六、分bin与MAGs构建（Metagenome-Assembled Genomes）**
#### **步骤**：
1. **MetaBAT2/VAMB分bin**
- 基于覆盖度和序列组成聚类contigs。
- **命令**：
```bash
metabat2 -i contigs.fa -o bins -a depth.txt
```
2. **CheckM评估质量**
- 要求：完整度>70%，污染率<10%。
#### **为什么重要**：
- 分bin可获得近乎完整的微生物基因组（MAGs），用于菌株水平分析（如致病菌鉴定）。
---
### **七、统计分析（R/Python）**
#### **1. Alpha多样性**
- **指标**：Shannon指数（物种均匀度）、Chao1（丰富度）。
- **原因**：肠道菌群多样性降低与疾病（如IBD）相关。
#### **2. Beta多样性**
- **方法**：PCoA（基于Bray-Curtis距离）。
- **R代码**：
```R
library(vegan)
dist <- vegot(otu_table, method="bray")
pcoa <- cmdscale(dist, k=2)
```
#### **3. 差异分析**
- **工具**：DESeq2（计数数据）、LEfSe（生物标志物）。
- **示例**：
```R
dds <- DESeqDataSetFromMatrix(countData, colData, design=~Group)
res <- results(DESeq(dds))
```
---
### **八、功能与机制挖掘**
#### **1. 代谢网络重建**
- **工具**：MetaFlux（基于KEGG通路）。
- **用途**：预测菌群代谢互作（如产氢菌与产甲烷菌共生）。
#### **2. 宿主-菌群互作**
- **方法**：
- QTL分析（宿主基因型 vs 菌群组成）。
- 孟德尔随机化（因果推断）。
---
### **关键问题与解决方案**
| **挑战** | **解决方案** | **原因** |
|-------------------------|---------------------------------------|-----------------------------------|
| 宿主DNA污染高 | 联合使用Bowtie2 + DeconSeq | 肠道样本宿主DNA占比高 |
| 菌群复杂度高 | 采用混合分bin策略（MetaWRAP） | 提高低丰度菌的检出率 |
| 功能注释偏差 | 联合KEGG+eggNOG+CAZy数据库 | 不同数据库覆盖不同功能类别 |
---
### **示例完整流程**
```bash
# 质控 + 宿主去除
fastp -i raw_R1.fastq.gz -o clean_R1.fastq.gz
bowtie2 -x hg38 -1 clean_R1.fastq.gz --un-gz microbial.fastq.gz
# 组装 + 分bin
megahit -r microbial.fastq.gz -o assembly
metabat2 -i assembly/final.contigs.fa -o bins -a depth.txt
# 物种注释
kraken2 --db GTDB --threads 16 --gzip-compressed microbial.fastq.gz
# 功能分析
humann3 --input microbial.fastq.gz --output humann_out
```
每个步骤的选择均基于肠道微生物组的特点（高宿主污染、高菌群复杂度、功能驱动疾病机制）。如需特定步骤的优化（如抗抗生素基因筛查），可进一步扩展！