云生信学生物信息学

CoverM队列丰度流程:参考集合、样本任务和汇总验证

作者:发布于 2026-11-22更新于 2026-11-15约 7 分钟阅读
MAG丰度先固定参考集合

MAG丰度先固定参考集合:检查MAG身份和序列ID;固定比对与覆盖门槛;逐样本保存丰度表;按Genome键核验汇总
本文操作与检查路径示意。

CoverM计算MAG丰度时,最重要的是先确定整批共同的参考集合和指标。每个样本各自挑选一批MAG再比较百分比,会改变分母与竞争比对关系。本篇固定CoverM0.7.0、一个经过质量与去冗余评估的细菌/古菌MAG集合,逐样本计算relative_abundance。

先冻结参考集合,再冻结过滤方法

mags.txt每行一个MAG FASTA绝对路径,各文件basename唯一,序列ID在集合内不冲突。不要把同一基因组的多个高度相似版本全部当独立参考,竞争比对会影响解释。原始双端短读长按相同质控和去宿主协议准备,参考覆盖不到的读段仍应保留统计口径。

项目 本例设置 需要解释
参考 固定MAG清单及校验 所有样本一致
比对 minimap2-sr 适用于本例短读长
指标 relative_abundance 百分数,不是平均深度或绝对细胞数
覆盖门槛 min-covered-fraction=10示例 低覆盖MAG会被报零
临时盘 独立TMPDIR 排序与中间文件也占容量

先检查MAG文件和序列ID

将下段保存为check_mags.py,使用Biopython逐份读取,不把整套基因组拼成一个Python字符串。它拒绝重名文件、重复序列ID和空序列;不能验证MAG完整度或污染,质量来源仍要保留。改变参考时另开一批结果,不能接着旧表写新样本。

from pathlib import Path
from Bio import SeqIO
paths=[Path(x) for x in Path("mags.txt").read_text().splitlines()]
assert paths and all(p.is_absolute() and p.is_file() for p in paths)
assert len({p.name for p in paths})==len(paths)
seen=set()
for path in paths:
    count=0
    for rec in SeqIO.parse(path,"fasta"):
        assert rec.id not in seen and len(rec.seq)>0
        seen.add(rec.id);count+=1
    assert count>0,path
print("MAGs",len(paths),"contigs",len(seen))

每个样本用相同集合计算

兼容环境应包含CoverM及本例需要的minimap2、samtools等依赖。两线程、95%identity、75%aligned以及10%参考覆盖均为教学设置,正式数值需按读长、群落与研究问题评估。min-covered-fraction的10在此按官方百分数写法表示10%,不是要求十倍全基因组覆盖。

set -euo pipefail
python3 check_mags.py
mkdir coverm-batch-001
root="$PWD/coverm-batch-001"
coverm --version > "$root/version.txt"
for sample in S1 S2; do
  r1="/data/${sample}_R1.fastq.gz";r2="/data/${sample}_R2.fastq.gz"
  test -s "$r1"
  test -s "$r2"
  gzip -t "$r1" "$r2"
  mkdir "$root/$sample.tmp"
  TMPDIR="$root/$sample.tmp" /usr/bin/time -v -o "$root/$sample.resources.txt" \
    coverm genome --coupled "$r1" "$r2" --genome-fasta-list mags.txt \
    --mapper minimap2-sr --threads 2 --methods relative_abundance \
    --min-read-percent-identity 95 --min-read-aligned-percent 75 \
    --min-covered-fraction 10 -o "$root/$sample.tsv" \
    > "$root/$sample.stdout.txt" 2> "$root/$sample.log"
  test -s "$root/$sample.tsv"
done

先检查单表,再按MAG标签汇总

每份输出首列为Genome,本例只有一个样本的一列丰度,列名应写明Relative Abundance。逐行检查标签唯一、数值有限且位于0至100之间,保留unmapped行及原始样本列名;合并时按Genome键连接,不按行号盲拼。两份表参考标签集合应一致,零值和缺行不能直接混为一谈。

relative_abundance考虑参考间平均覆盖和未映射部分,不等于某MAG的原始read count占比。未映射行有助于理解参考覆盖范围,不能为了让已知MAG总和达到100而无说明重新归一化。需要平均深度或覆盖比例时,用对应指标另算,避免同一列改名后改变单位。

低丰度报零可能来自覆盖门槛、比对过滤、深度或参考不足,先查日志和覆盖证据。把过滤阈值降到能看到期望MAG,不等于获得可靠检出。原始比对多重匹配和近缘菌株还需单独评估,不能单凭一个非零百分比给出物种存在结论。

按整套参考测扩批资源

记录MAG总长、contig数、读段量、完整时间、作业RSS与临时盘峰值。逐样本重新构建或载入参考的开销需纳入,同一参考集合并不自动保证全程无重复工作。先测一份代表样本,再试小并发,线程预算与多任务排序、I/O一起观察。

需要保留BAM时先明确缓存目录和是否保留未映射读段,这会改变盘需求及后续可用证据。任务失败保留日志与临时状态,重跑新目录;样本文件非空只是最低门槛,所有样本的参考、方法和数值验收通过后再形成队列矩阵。

参考资料

需要额外算力时

适用前提:参考和比对策略适用,样本与MAG组合计算需要额外资源。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

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。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗