
大量MAG检查完整度时,先解决“究竟评估了哪些bin”。同名文件、扩展名不匹配、空FASTA或旧报告,都会让一批结果看似齐全却漏掉输入。本文以已组装的细菌或古菌DNA bins为例,整理清单并运行CheckM2,结果属于模型预测,不能替代所有MAG质量检查。
为每个bin建立稳定标识
一个FASTA文件代表一个bin,统一使用唯一的短文件名,例如B001.fna。不要把多个独立bin拼进同一文件,也不要把单个bin的每条contig当成独立基因组。保留组装、分箱来源及文件校验记录;后续筛选与去冗余都通过这个ID关联。
将输入放在专用bins目录。下面脚本只接受未压缩.fna,逐行计算contig数和碱基数,不把全部序列读入内存。它检查空序列和明显格式问题,但不证明分箱正确,也不识别所有污染。含非DNA字符时先核对来源,不用改扩展名冒充DNA。
import csv, re
from pathlib import Path
paths = sorted(Path("bins").glob("*.fna"))
assert paths, "没有找到.fna输入"
rows = []
for path in paths:
assert re.fullmatch(r"[A-Za-z0-9_-]+", path.stem)
contigs = bases = current = 0
headers = set()
with path.open() as f:
for raw in f:
line = raw.strip()
if not line: continue
if line.startswith(">"):
if contigs: assert current > 0, str(path)+":空contig"
parts = line[1:].split()
assert parts and parts[0] not in headers
headers.add(parts[0])
contigs += 1; current = 0
else:
assert contigs and set(line.upper()) <= set("ACGTRYSWKMBDHVN")
current += len(line); bases += len(line)
assert contigs > 0 and current > 0
rows.append([path.stem, str(path.resolve()), contigs, bases])
with open("bins-manifest.tsv", "w", newline="") as f:
w = csv.writer(f, delimiter=" ")
w.writerow(["bin_id","path","contigs","bases"]); w.writerows(rows)
确认程序和数据库,再正式预测
使用已安装且依赖兼容的CheckM2,数据库从官方指定渠道获得并保留版本与来源。不要拿任意DIAMOND数据库替换CheckM2模型配套库。先运行官方testrun检查工具与数据库路径,再预测正式bins;测试通过只说明安装链路有效,不代表所有项目输入都适配。
set -euo pipefail
checkm2 --version
checkm2 predict --help > checkm2-help.txt
db=/refs/checkm2/CheckM2_database/uniref100.KO.1.dmnd
checkm2 testrun --threads 4 --database_path "$db"
/usr/bin/time -v -o checkm2.time.txt checkm2 predict --input bins --extension .fna --threads 4 --database_path "$db" --output-directory checkm2-run-001 > checkm2.stdout.log 2> checkm2.stderr.log
4线程是演示设置,应在实际额度内使用。正式输出目录应是新的,不加force覆盖旧报告。上述输入是核酸,不能加只用于预先预测蛋白的genes选项;需要特殊遗传密码表时,先按研究对象与工具支持确认,不以得到更高完整度为选择标准。
| 验收项 | 要看什么 | 异常时 |
|---|---|---|
| 输入集合 | manifest与报告Name逐项对应 | 检查扩展名、空文件和重复ID |
| 程序与数据库 | 版本、实际路径、日志和来源 | 核对配套库与依赖 |
| 预测字段 | Completeness、Contamination和Additional_Notes | 保留低置信及模型分歧警告 |
| 其他质量 | contig、rRNA/tRNA、分类与分箱证据 | 按研究目标补充工具与人工判断 |
默认自动选择模型时,常用字段是Completeness与Contamination;若显式选择general、specific或allmodels,完整度列名称会不同,应按实际命令读取,不能将缺列或非数值填成零;空值、无穷值或解析失败均应暂停该bin筛选,回看对应日志。比较不同批次还应确认数据库和模型条件一致,再解释分数变化;不因另一模型分数更高就替换默认结果。
报告生成后,逐项核对
打开quality_report.tsv,确认Name唯一且与清单的bin_id集合相等,不能只比较行数;遗漏和重复可能互相抵消。将完整度、污染度、模型与附加说明一起保存,不仅截取两个百分比。对异常或低置信bin回看分箱、序列与其他质量证据,不能自动把分数当作最终发表等级。
若报没有bins,先查目录和extension;数据库或依赖错误先修环境。只有方法与输入正确仍出现RAM或运行时间缺口,才减少合理并发或比较更大计算额度。保留原bins、清单、命令及日志,报告重新读入通过后,再标记这批预测完成。
参考资料
需要额外算力时
适用前提:已有大量bins且批量评估超出现有资源。如需额外资源,可评估按任务测算的CPU服务器租赁。咨询时说明软件版本、任务规模和使用期限,配置与支持范围另行确认。
咨询本任务的服务器配置
留下手机号,我们会结合本文任务与您沟通服务器配置和报价。 也可联系云生信企业微信客服,说明本文任务。咨询本任务的服务器配置
