Bakta多基因组注释：环境部署、数据库锁定与命名验收

Bakta面向细菌基因组、MAG和质粒序列做标准化注释。它会输出多种下游常用格式，但注释结果仍受输入组装、数据库版本和参数影响。下面以一个组装FASTA为例，说明如何准备数据库、运行小批次、检查结果并留下复现记录。

数据库类型和版本先定下来

Bakta需要独立数据库。官方提供full和light两类：full包含完整功能，light更适合下载和存储受限的情形，但注释范围可能不同。先用bakta_db list查看可用版本，再按官方工具下载；记录类型、版本、来源和日期。若手动安装，需确认AMRFinderPlus对应数据库也已初始化；官方内置下载流程可减少这类遗漏。运行节点必须能读取数据库，网络文件系统上的SQLite查询可能因I/O变慢。数据库体积、可用空间和更新计划应在批量任务前确认。

用独立目录运行并保留日志

以下命令显式指定数据库、输出目录、文件前缀和线程数。6线程仅为示例，需结合组装数量、数据库存放位置和节点资源做小规模试跑。Bakta接受完整或草图组装FASTA；MAG可运行注释，但不应把预测到的基因当成完整基因组证据。

#!/usr/bin/env bash
set -euo pipefail
fa=/data/sample01.fna
db=/db/bakta/db-version
out="$PWD/bakta-sample01-run01"
test -s "$fa"
test -d "$db"
test ! -e "$out" || { echo "output exists: $out" >&2; exit 2; }
mkdir -p "$out"
bakta --version > "$out/version.txt"
bakta --db "$db" --output "$out/results"   --prefix sample01 --threads 6 "$fa"   > "$out/run.log" 2>&1
for ext in tsv gff3 gbff json txt; do
  test -s "$out/results/sample01.$ext"
done
sha256sum "$fa" > "$out/input.sha256"
printf 'Annotation files checked in %s
' "$out/results"

脚本最后的文件清单用于确认核心产物生成，不证明生物学注释都正确。若本地版本不输出某种格式或命名规则有变化，应先对照当前版本帮助信息和实际文件清单，再调整检查项；不要为了让脚本通过而忽略缺失文件。发生数据库或AMRFinder错误时，先检查Bakta版本、数据库类型、内部数据库状态和日志，避免盲目重下整套大型数据库。

根据用途选择输出文件

.tsv适合表格查看和简单统计，.gff3适用于基因组浏览及下游注释流程，.gbff适合GenBank格式交换，.json保存更完整的结构化注释。应保留原始JSON和日志作为主记录，再从同一结果转换或导出其他格式，避免不同批次混在一起。对每个样本检查输入序列数、输出汇总、主要文件非空、ID映射和注释条目数量；再抽查若干基因的坐标、链方向、功能描述与数据库交叉引用。

若输入是碎片化MAG，contig边缘截断、低完整度和污染都会影响基因预测与功能注释。假设基因未检出，并不能断定该生物学功能不存在；假设功能标签出现，也要结合匹配证据、覆盖度和后续实验判断。对需要GenBank提交的完整基因组，按官方建议提供准确的生物体信息、复制子和locus tag设置，不要把示例值直接复制到自己的数据。

批量任务从试跑结果估算资源

先选一个代表性样本跑通，再记录每个基因组的长度、contig数量、运行时间、内存峰值、临时空间和数据库读取情况。数据库若放在慢速网络盘，CPU利用率低不一定是线程不足；先比较数据库本地盘和共享盘读取表现。批量提交时按样本拆分输出目录，汇总表保留失败样本和原因，不要只收集成功生成的TSV。

当课题组现有节点无法容纳目标数据库或批次时，可按样本数、数据库类型、并发量和保留周期评估本地平台、校级集群或额外服务器资源。资源方案解决的是运行与存储条件，不会替代组装质量控制、功能解释和人工复核。