skani 算出 100% ANI，能说两份基因组一样吗？实跑检查双向覆盖与结果过滤

比较细菌基因组或 MAG 时，看到接近百分之百的 ANI 很容易产生一种印象，两份序列几乎完全相同。但 ANI 描述的是可比较部分的核苷酸一致程度，还需要结合比较覆盖了双方多大范围来解释。

本文安装并实际运行 skani 0.4.0，用一份公开参考构造完整、截取、突变和混合四类输入。我们同时检查 ANI、参考覆盖比例、查询覆盖比例，以及两个覆盖过滤选项的不同含义。实验中特意保留了高 ANI 但覆盖较少的结果，让读者能够看到仅报告一个数字会遗漏什么。

先把 ANI 和覆盖范围放在同一行

当两份序列只有一部分内容能够建立比较关系时，可以在这部分内容中得到很高的一致程度，但其余内容并没有因此被证明相同。对不完整组装、局部片段和混合输入，这种情况尤其值得检查。

skani 会同时输出 ANI 与两个方向的对齐比例。参考比例的分母对应参考，查询比例的分母对应查询。交换输入方向后，需要重新确认每一列所指向的对象，不能把列名省略成一个含糊的“覆盖率”。

软件采用近似映射和草图筛选来估计相关指标，适合用于大量基因组的比较与候选筛查。它提供的汇总结果也不等同于逐碱基比对文件，若要定位突变或结构差异，仍需要相应的后续分析。skani 官方项目说明

本次安装和版本如何固定

本次下载项目提供的 Linux x86_64 静态可执行文件，赋予执行权限后直接运行。实际版本输出为 0.4.0，下载包记录了文件校验值，没有仅凭下载链接中的名称判断版本。

curl -fL \
  https://github.com/bluenote-1577/skani/releases/download/latest/skani \
  -o skani
chmod +x skani
./skani --version
sha256sum skani

需要注意，带有 latest 的下载地址可能随发布更新。复现实验应核对实际返回版本和校验值，不能假定未来从相同地址下载的文件仍然相同。本次所有对照使用同一个可执行文件，每次调用限制为两个线程。

官方发布说明还记录了零点四版本的草图格式变化。如果项目中保存了旧版本草图或预建数据库，升级时应按发布说明核对兼容性。本次直接读取 FASTA，没有借用跨版本草图库来解释结果。0.4.0 版本发布说明

输入是一份参考和几组明确的改动

基础参考为公开序列 NC_000913.3，实际长度为四百六十四万一千六百五十二碱基。驱动会检查序列长度和校验值，再生成其他输入，保证比较的是同一版本的参考。NCBI 参考序列记录

第一组直接使用完整参考，作为自身比较。第二组截取开头一百万碱基，第三组进一步截取开头十万碱基，用于观察同一内容在不同长度分母下的表现。

第四组固定随机种子，在完整参考中选择四万六千四百一十六个位置，并把每个位置的碱基替换为另一种碱基。它与原参考的设计全长逐位一致率约为百分之九十九。

第五组保留参考开头的一百万碱基，再加入一条人工生成的序列，使文件总长度与原参考相同。两部分分别写成两个序列记录。它用于展示“文件一样长”也不代表所有内容都能比较，没有模拟真实群落或真实污染率。

自身比较先确认基本输入输出

我们先让完整参考与自身比较，并保存详细输出。命令中的查询和参考选项明确指定方向，结果写为制表符分隔文件。

./skani dist \
  -q full.fna -r full.fna \
  -o full_self.tsv -t 2 --detailed

实际 ANI 为百分之百，参考和查询对齐比例也都是百分之百。这个对照表明本次输入能够被程序正常读取，基本比较返回了符合设计的结果。

自身比较不能证明后面每种数据都能够准确估计，但可以帮助发现更基础的问题。例如文件是否读错、序列是否为空，或者调用的可执行程序是否与记录一致。先保留这样一份简单对照，通常比直接从复杂组装的异常分数开始猜测更容易定位原因。

一百万碱基片段的 ANI 为什么也是百分之百

接下来以一百万碱基片段为查询，以完整参考为参考。实际 ANI 仍然为百分之百，但参考对齐比例只有百分之二十一点五八，查询对齐比例为百分之百。

./skani dist \
  -q partial.fna -r full.fna \
  -o partial_full.tsv -t 2 --detailed

这与输入设计相符。片段完全从参考截取，因此自身内容可以得到高度一致的比较关系，但它只占完整参考的一部分。不能因为 ANI 达到百分之百，就把尚未出现在查询中的其他参考区域也认定为一致。

然后我们把两个输入对调。实际 ANI 仍为百分之百，两个覆盖数字交换位置，参考比例变成百分之百，查询比例变成百分之二十一点五八。这样就能通过同一组数据检查方向解释是否正确。

在整理批量结果时，建议保留查询文件名和参考文件名。若把两个方向混在一起，只保留某一列覆盖率，就可能对同一对序列得出看似矛盾的结论。

同样长度的混合文件，也可以得到高 ANI

混合输入的总长度与完整参考相同，但只有其中一百万碱基直接来自参考，其余是独立生成的人工序列。实际比较仍得到百分之百 ANI，而两边对齐比例都只有约百分之二十一点五九。

这次双方长度相同，所以两个方向的比例接近一致。但大部分内容并没有建立可用于该结果的比较关系，高 ANI 仍然只描述可比较部分。

这组对照说明，文件总长度、ANI 和双向覆盖需要一起看。总长度相近不能代替内容匹配，ANI 很高也不能代替广泛覆盖。将这几个数字放在一行，比单独按 ANI 排序更容易识别需要继续检查的对象。

对于真实 MAG，如果发现高 ANI 但双方覆盖都低，可以进一步查看组装组成、共享片段、参考选择和分箱结果。本例只演示这种结果可以怎样出现，不把一个人工混合实验转化为所有真实数据通用的质量判定门槛。

设计一致率为百分之九十九，实测为什么是 98.92%

设计突变组的修改位置是明确记录的，因此能够独立计算完整序列的逐位一致率。实际 skani 返回的 ANI 为 98.92%，两边对齐比例均为 99.83%。

两种数字的计算方式不同。前者直接根据已知修改位置统计全部对应碱基，后者由软件的近似比较过程估计。它们在本例中接近，却没有逐小数位相等。

因此，不能把这组结果改写成“精确检出了全部突变”，也不应把两者差值当成软件对所有数据的固定误差。真实组装还可能涉及重复、片段缺失、结构变化和不均匀相似性，本次单一设计不足以覆盖这些情况。

如果研究结论依赖具体位置或精确突变数量，应保留相应的逐位置证据。skani 可以帮助挑选较接近的参考和候选比较对象，但其汇总表不提供完整的突变清单。

min-af 并不是要求双方都达到同一比例

十万碱基片段与参考的比较中，ANI 为百分之百，查询对齐比例为百分之百，而参考比例只有约百分之二点一五。随后我们把最小对齐比例设为五十，再次执行比较。

./skani dist \
  -q short.fna -r full.fna \
  --min-af 50 -o short_min50.tsv \
  -t 2 --detailed

结果仍然保留。原因可以直接从本次命令帮助和实际输出对应起来，该选项要求至少一方达到指定条件，查询这一方已经满足。它并不等价于要求参考和查询都至少覆盖一半。

如果分析者希望排除仅在参考中覆盖很小区域的命中，就不能只看到参数中写了五十，便认定这个要求已经实现。需要检查软件对该选项的具体定义，以及它使用的是一个方向还是两个方向。

批处理脚本中最好明确记录选项名称，而不是只在报告中写“覆盖过滤五十”。同一个数字放在不同选项后面，可能表达不同接受规则。

要求双方都达到条件，输出会怎样变化

下一组改用双方最小对齐比例选项，仍设为五十。实际十万碱基片段的比较没有数据行，文件只保留列标题。对一百万碱基片段采用相同条件，结果也没有数据行。

./skani dist \
  -q short.fna -r full.fna \
  --both-min-af 50 -o short_both50.tsv \
  -t 2 --detailed

两次命令都正常退出。这与任务失败或测得 ANI 为零不同，候选没有满足本次报告条件，因此没有输出对应比较结果。

实际汇总时，不能把这种缺失值直接填成零。填零会把“未通过覆盖要求”变成“序列一致程度为零”，改变数据含义。建议记录过滤条件和是否产生数据行，必要时保留过滤前的比较结果用于诊断。

本次五十只是为了明确展示两个选项的差异。正式分析应根据对象完整度和研究问题选择条件，并说明为什么使用单向或双向要求，不宜把教学对照中的数字直接当作默认质量标准。

一个 FASTA 文件在本次实验中代表什么

本次使用默认按文件比较的方式，混合文件中的两个序列记录共同构成一个待比较对象。详细输出也记录了查询包含两个片段，而不是把它们自动拆成两份独立基因组。

因此，批量比较 MAG 时，通常需要清楚维护一个文件对应哪个组装。若把多个不同基因组随意合并到一个文件，再按一个基因组解释汇总指标，问题可能来自输入组织，而不在比较算法本身。

软件也提供按单条序列记录处理的相关选项，但启用后比较单位会变化。准备修改这些选项时，应先确认自己想比较的是整个组装、单条片段还是一个混合内容集合，再设计输出表的键。

保留输入清单、每个文件的总长度和片段数，可以帮助复查这种问题。对于来源不同的批次，还需要检查文件名是否复用，避免同名文件被错误关联到不同样本。

读一份 skani 结果可以按什么顺序

先确认查询和参考是谁，再看 ANI 与两个对齐比例是否相互支持。如果 ANI 很高但只有很小部分参与比较，应先限定结论范围，进一步检查未被覆盖的内容。

随后查看输入长度和片段组成，判断它们是否属于可以直接比较的对象。如果一个是局部片段，另一个是完整基因组，方向性覆盖差异可能完全符合设计，不能简单视为软件异常。

再检查报告门槛。对于只有表头的结果，区分参数筛选、草图筛查和实际运行失败，查看退出状态及日志。将这些情况分开处理，能减少批量汇总时人为制造的零值。

最后保留软件版本、输入校验值和完整命令。若比较方案发生变化，可以回到同一份输入重新执行，再讨论结果差异，而不必依赖记忆猜测上次使用了哪些条件。

skani 的优势在于以明确的汇总指标帮助筛查大量基因组，并同时提供双方覆盖信息。使用时的主要限制是结果仍依赖可比较范围和近似估计，无法独立回答全部组装质量、物种边界或结构差异问题。让结论与这些指标实际描述的对象对应起来，才是这类工具最有价值的用法。

下载包提供参考校验方式、截取和突变构造、九次实际比较及全部详细字段，可以重新计算每种条件下的输出。下载实跑脚本与本次结果

当项目需要对大量菌株或 MAG 批量比较，并统一保存参考版本、覆盖条件和复核记录时，可了解云生信的生物信息学分析计算服务。