software

HUMAnN 的 43 个基因家族为什么加出两百万?从读段、物种归属到代谢通路逐层核对

作者:发布于 2026-11-15约 10 分钟阅读
43 个家族为何加出两百万?。HUMAnN 家族总量与来源分层应当分别验算。输入比对,1,010 行,972 个查询。家族总量,43 个家族,合计 100 万。来源分层,43 个分层行,也合计 100 万。

打开一份 HUMAnN 功能丰度表,表头写的是每百万单位,下面所有家族行相加,却得到两百万。再打开同一次分析的通路表,又找不到一条有正丰度的命名通路。这里同时涉及两个问题,家族总量与按类群分层的行是否被重复相加,以及有了蛋白家族证据能否直接推断出代谢通路。我们用作者分发的示例翻译比对做了三次实际定量,查到每一行怎样进入统计。以下数字和表头属于测试使用的 HUMAnN 4.0.0.alpha.2,其他版本请以自己的输出单位和软件说明为准。

先区分读段匹配、家族定量和通路映射

第一层是读段与参考序列的匹配。一个读段可以命中不止一个参考蛋白,一条表格记录描述的是一段比对,未必对应一个独立分子。第二层是基因家族的定量。程序需要处理比对质量、参考长度和可能的多重归属,最后输出调整与归一化后的丰度。第三层是功能映射,从家族映射到反应,再按通路定义和所选计算设定得到通路层输出。这三层输出的统计单位各不相同。把比对行数、基因家族数以及通路数直接按比例换算,很容易得到精确但不可解释的结论。HUMAnN 项目说明 · 微生物群落功能与物种贡献的方法研究

另一个关键维度是物种归属。家族总量记录一个样本中该功能家族的总体估计。分层行进一步描述哪些微生物类群对总量作出贡献,不能可靠分配到已命名类群的部分也可以出现在未分类分层中。看到未分类时,要区分“这个读段没有匹配任何功能”与“已经匹配功能,但不知道应归给哪个物种”。如果项目关心某个代谢家族是否存在,后一类仍是功能证据。若项目要回答由哪种菌承担该功能,则需要额外证据拆分贡献。

43 个家族为何加出两百万?。HUMAnN 家族总量与来源分层应当分别验算。输入比对,1,010 行,972 个查询。家族总量,43 个家族,合计 100 万。来源分层,43 个分层行,也合计 100 万。
HUMAnN 家族总量与来源分层应当分别验算

实跑经验 · 用同一份官方比对改变两个过滤条件

输入取自项目随附的 demo.m8,是一份预计算的翻译比对。文件有一千零一十条比对记录,却只有九百七十二个不同的查询标识。两者相差三十八,表示有查询在文件中出现不止一次,不能据此宣布正好有三十八个多重命中的读段,因为某个查询本身可能对应三条或更多行。三轮均从同一个文件和配套演示资源进入 HUMAnN 的正式命令入口,固定一个线程并关闭 MinPath。我们没有对整套原始读段重新做核酸比对或翻译搜索,这让实验能专注于已有比对怎样变成定量表。本次示例与源代码 · 重跑脚本与实测结果

python3 104-humann/run.py /path/to/humann work
# 已安装相同版本时,下面是第一轮的等价入口
humann -i demo.m8 --input-format blastm8 -o out_default --threads 1 --minpath off
处理条件 总量家族行 家族分层行 总量行加总 有正丰度的命名通路
使用演示配置的比对阈值 43 43 1000000 0
翻译比对一致性下限从 50% 提至 90% 43 43 约 1000000 0
参考侧覆盖下限从 50% 降为 0% 43 43 1000000 0

第一轮最大的一条家族是 UniRef90_X6L320,调整后数值约三万八千六百一十三点八。紧接着有同一家族加上未分类后缀的一行,数值完全相同。其他四十二个家族也有同样对应关系。脚本按家族核对,各家族的分层之和与总量之差最大为零。于是只算总量行得到一百万,只算分层行也得到一百万,二者一起算才得到两百万。在这个输入里每个家族都只出现一个未分类分层,真实样本中一个家族可能有多个已具名物种及一个未分类分量,仍要先按同一家族、同一样本复核。

要在自己的结果上重算,可先查看第一行确认单位,然后在本次基因家族表中只选标识以对应家族前缀开头的记录,把含有分层分隔符的行和不含的行单独累计。特殊汇总行用另一列另行处理。下面的例子只针对这种已检验的格式和指定样本数据列,若数据库或分类输出换了命名方式,应先抽几行校验规则。输入是多样本合并表时,要给每一列分别计算,避免把每个样本原有的一百万又跨样本叠加。

awk -F '\t' '$1 ~ /^UniRef/ {
  if (index($1,"|")) strat+=$2; else total+=$2
} END {print "family",total,"stratified",strat}' work/default/demo_2_genefamilies.tsv

家族数一样,数值也会动

把翻译比对的一致性下限从百分之五十提到百分之九十之后,四十三个家族仍然都能在输出里找到。首位家族却变为约三万七千六百六十二点七,比原先少约九百五十一点一。另一个家族 UniRef90_U5FT06 从约三万四千四百零七点二升到三万四千八百四十九点八。两者都是同一个输入文件,变化不能解释成样品中一个功能减少、另一个功能增加。筛选改变了对家族有贡献的匹配,同时相对单位还受到整个列的归一化约束。报告参数灵敏度时应同时给出家族集合和定量变化。

参考侧的覆盖条件则有不同表现。把其下限从百分之五十降到零后,默认和放宽条件的家族表逐行比较一致。这里的含义仅仅是在这份预计算比对、配套配置及当前处理路径上,这项改动没有改变我们核对的最终家族表。这个阴性结果不足以断言覆盖要求对其他数据没有用。要专门检验该过滤器本身,可以另做一份包含临界覆盖案例的输入,确保同一家族的其他匹配不会把它重新补齐,再观察该家族能否出现。若改动后仍无差异,应检查参数是否作用于自己选择的输入路径。

一致性、查询覆盖和参考覆盖需要分开看。一个很短的保守片段可以与多个酶高度相同,但它只占较长参考蛋白的一小部分。一个长读段也可能在局部有很好匹配,余下部分却没有对齐。前者提醒研究者不能只看百分比相同,后者提醒研究者检查读段有多少真正参与了匹配。若目标家族具有共享的辅因子结合结构域,可以进一步检查命中是否也覆盖区分相邻功能家族的区域。只要建表时把长度、覆盖和一致性混为一个“匹配好”的标签,后续很难解释严格条件下哪些信号最先消失。

四十三个家族为什么没产生一条正丰度的命名通路

本例的通路文件中只有特殊汇总项,没有出现正丰度的已命名通路。反应文件中还能看到有未分组的数值。家族记录证明输入的某些比对能归入参考家族,通路输出还要经过参考家族到反应的对应、所用通路定义和实际求值条件。来自小规模演示比对的家族完全可能不足以让某条命名通路获得输出。要解释这一层,应先查目标家族有无对应的反应,再查通路定义中的关键反应是否得到信息。不能从命名通路为空跳到“微生物没有代谢活动”。

若自己的目的恰好是研究一个有生物学假设的通路,可以挑一条通路手工复核。先列出定义中的关键和可替代反应,再查本次使用的家族映射库是否包含相应反应所需的映射。将明确观察到的家族、难以区分功能的家族、缺少对应的步骤分别标注。若一组近缘蛋白都只匹配通用结构域,要继续检查能区分底物或反应方向的区域。若关键酶已匹配但缺乏可注释的物种归属,可以讨论社区层面的功能潜力,同时保留供体物种不确定这一事实。仅凭一张没有命名通路行的演示表不能评价整个工具的灵敏度。

这里还要区分功能潜力和功能活动。项目若使用宏基因组 DNA,检测到基因家族首先支持样本中存在相应编码潜力。要推断在某个采样时间实际发生转录、产生蛋白或形成代谢物,需要相应层面的独立数据和实验设计。即使基因家族能映射到一个已知反应,底物可用性、表达控制和环境条件也会影响实际代谢。把基因、反应、通路和表型各自需要的证据写清,研究讨论就不至于从相对丰度的一点差异跳到因果机制。

对预计算输入还要多核一次分母。假设送检记录写着提取后有一万条读段,而比对文件只有九百七十二个查询标识,剩下的读段可能在质控、去宿主、搜索输出限制或其他步骤离开了当前文件。运行者如果手里只有比对表,就缺少把每个未出现的标识归到某个环节的证据。即便结果文件里的未映射特殊项恰好是零,也不能由此计算从原始测序出发的命中率。实际交付时,可以在四个文件各自统计不同标识的数量,分别记录质控前的输入、送入搜索的序列、有任一命中的查询和通过筛选的查询。做双端数据时还要注明分母是序列端数还是片段数,确保同事重算时用的是同一批对象。

再举一个适合审图的小例子。甲样本某个家族在群落表里有一百个单位,其中八十来自一种菌。乙样本该家族只有一个单位,全部来自同一种菌。画家族内部比例时,乙的色块会更满。画群落层面的绝对表内贡献,甲却是八十个单位,乙只有一个。将两张图的纵轴分别标为家族内百分比和群落归一单位,就能避免把乙的深色误解为该菌在乙样本提供更多相关基因。这种校验只依赖手头的两列数据,尤其适合在交给画图同事前,用一个优势家族和一个稀少家族各做一遍。

如果研究需要对两个时间点做变化分析,还要把受试者配对、测序深度处理和配套数据库版本保留在样本表里。先确认同一家族在两个时间点都按同一映射版本汇总,之后再讨论变化方向。若只拿到归一表,推断每克样本的绝对基因拷贝变化还需要额外的定量参照。

怎样给下游同事交付一张可以正确作图的表

先确定图的读者想比较什么。如果想看各样本的功能家族构成,提取未分层的总量行,记录单位、是否重新归一以及哪些特殊行被排除。如果想画某个功能由哪些类群贡献,就只提取那个家族的分层行,以该家族总量作为核对基准,再决定图上是否把家族内贡献重算为百分之百。家族在样本中总量非常低时,即使某个来源占其内部的百分之百,也不能写成该来源在整个群落中发挥了很大的功能贡献。家族总量和家族内部比例应该在图上能够同时查到。

还应把物种组成表和功能来源表的口径分开。一个物种在标记基因的分类谱上很丰富,不意味着它必定为特定酶贡献最多读段。反过来,功能表中某个家族有明显未分类贡献,也不表示整个样本都未分类。对要进入正文的主张,挑一个家族,从原始匹配数到家族总量、分层贡献、反应映射和通路状态顺序核查。若在其中一步找不到对应材料,就把结论写到当前确实能支持的那一层,并把缺少的证据写入项目记录。这样的表格在补充数据时也方便增量更新。

对照完成后,若需要从原始读段开始为大队列进行核酸比对、翻译搜索和功能定量,可按样本量与参考库版本和云生信生物分析服务器团队评估运行环境。

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 ↗