把丰度表按读段数筛一遍,很容易理解,筛走一个小物种,其他行原样保留。但 Bracken 的最低读段阈值位于丰度重估过程中。我们用作者提供的同一份 Kraken 报告和读长分布库运行六次,只把阈值从七百零九改成七百一十,假结核耶尔森菌从结果消失,鼠疫耶尔森菌的估计数却从三十一万四千二百八十一升到三十一万五千五百八十九。没有加入新的样本读段。要读懂这里多出来的一千三百零八,得从进入估计的资格、额外分配的读段以及最终分母三处查账。
先找出报告中三种容易混淆的数
Kraken 的标准报告沿分类树排列。每个节点通常同时列有该节点连同全部后代接收的读段总量,以及直接归到该节点本身的读段数。一个物种下面可以还有亚种或菌株,分到这些后代的读段会贡献给该物种的分支总量,却不会出现在物种节点的直接计数中。把两列抄反,就会错误解释某个物种是否有资格进入 Bracken。原报告中还有读段可能只能归到属、科或更高层级,它们尚未具体指向某个物种。Kraken 2 标准报告字段
Bracken 使用与分类数据库及读长配套的分布信息,估计这些在较高层级分类的读段可能来自哪些目标类群。作者的方法根据已知参考序列在给定分类库下的读段分派特征,重新估计目标层级丰度。最终表的一行分成原有计数、额外加入的估计数和二者合计。这里的增加是模型分摊的结果,不能把它理解为实验中新观测了同样数量的物种特异序列。用它做群落组成和用读段级证据核实单个低丰度物种,是两个不同的分析问题。Bracken 方法论文

实跑经验 · 在两个物种的真实边界两侧各跑一次
我们选取 Bracken v3.1 仓库自带的 Kraken 示例报告,以及与作者示例配套的七十五碱基读长分布文件,固定估计层级为物种。使用作者的丰度估计程序,各轮阈值依次取 10、101、102、709、710 和 1000。每次分别写出物种估计表、重新分配后的报告和程序日志。选择这几个具体值是因为原报告恰好有两个物种落在一百零一和七百零九,方便检查相等时是否通过,以及刚刚超过边界时其他行发生什么变化。作者示例输入 · 复现脚本、原始输入摘要与结果
python3 102-bracken/run.py /path/to/Bracken work
awk -F '\t' 'NR==1 || $2=="632" || $2=="633"' work/t709.tsv
awk -F '\t' 'NR==1 || $2=="632" || $2=="633"' work/t710.tsv
| 最低读段阈值 | 进入最终表的物种数 | 全表估计数之和 | 分类号 633 的估计数 | 分类号 632 的估计数 |
|---|---|---|---|---|
| 10 | 175 | 26240381 | 2033 | 314256 |
| 101 | 112 | 26238638 | 2033 | 314256 |
| 102 | 111 | 26238538 | 2033 | 314256 |
| 709 | 91 | 26231747 | 2033 | 314281 |
| 710 | 90 | 26231038 | 未进入 | 315589 |
| 1000 | 90 | 26231038 | 未进入 | 315589 |
先看第一个边界。小肠结肠炎耶尔森菌的分类号为六百三十,原报告的物种分支有一百零一条,直接分到物种节点的却是零。在阈值恰好等于一百零一时,它仍然进入结果,原有计数一百零一、额外分配零、最终估计一百零一。把阈值增加到一百零二,这一行才消失。由此可以直接核对两个关键条件,程序在这里使用的是分支总量,等于阈值也具备资格。若只看直接计数,就会把这个边界错判成零。这个版本的日志中某些标签简写为大于阈值,实际的相等行为应以原始输入、输出及判定源码共同核实。本次运行的丰度估计源码
再看第二个边界。假结核耶尔森菌的分支总量是七百零九,直接计数为二百三十六。阈值七百零九时,它带着七百零九条基础计数加入分摊,额外分到一千三百二十四,最后为二千零三十三。若错误地对结果表按最终估计数是否大于七百一十过滤,这行会被保留。实际重新运行却直接把它移出。这说明“用最终丰度表做报告展示筛选”与“重新设置 Bracken 准入阈值做丰度估计”不能互换。项目记录里应把两套操作分别注明,免得图上的稀有物种和补充表的数值忽然对不上。
为什么留下的近缘物种也会变
看鼠疫耶尔森菌,阈值七百零九时它的基础计数为六万一千三百八十三,模型额外加二十五万二千八百九十八。阈值七百一十时基础计数保持六万一千三百八十三,额外部分变成二十五万四千二百零六。两个估计数的差正是一千三百零八,变化全部来自额外分配。若一张表只保留最终百分比,就看不出究竟是原始物种证据变多,还是相同读段在不同候选集合间被重新估计。至少对核心物种保留这三列,才能对结论的敏感性作有意义的判断。
不要进一步断言消失物种原来的全部二千零三十三条都转给了近缘物种。全表估计数从二千六百二十三万一千七百四十七变成二千六百二十三万一千零三十八,两者总和相差七百零九。一个物种从表中退出既改变哪些基础计数被纳入,也可能改变其他多个类群获得的分配,输出还有逐行整数化的问题。检查日志会看到原始样本读段数不变,保留在目标层级的基础读段数减少了七百零九。观察相邻物种可以追踪具体例子,要解释全表则必须检查所有候选和分母,不能从一个物种的增量倒推出每条读段的去处。
也不要把较高阈值当作一个与样本深度无关的天然丰度界线。相同的绝对读段门槛,对一个测序很浅的样本和一个测序很深的样本意味着不同的可检测相对比例。若多组样本的测序深度系统性不同,较浅那组更容易在估计开始前就丢失低丰度候选。适合的敏感性分析是保留原始报告,按预先说明的一组阈值重估每个样本,记录感兴趣物种的基础数、额外数、是否进入和样本有效分母。若组间结论只在一个狭窄阈值附近出现,应回到样本深度和物种特异证据审阅。
为丰度图挑选正确的分母
这份报告的总读段数为二千六百六十六万七千零四,其中四十二万五千五百九十五条未分类。若问题是所有测序读段中有多大比例能指向某个类群,要把未分类读段也纳入总分母。若问题是 Bracken 的这一张物种估计表内部如何分配,则应该按它实际保留并分配的物种读段解释。不同阈值下物种表的总和会变,不能用前一次的分母去除后一次的分子。把输入总数、未分类数、目标层级最后纳入的估计总量分别列出,图上同一百分比才有明确来历。
还要注意稀有类群的小数精度。表里某个相对比例只显示几位小数时,两个物种看上去可能相等,或者一个仍有正估计数的类群显示成接近零。选择是否纳入显著性检验或判读是否跨过门槛,应优先使用原始整数计数及预先约定的筛选标准。若只保留经过舍入和乘百分数后的展示值,就难以追查一条记录是被阈值排除、被图形合并到“其他”,还是因为显示精度看起来等于零。把用于计算的长表与用于绘图的简表分开保存,可以少很多这样的争论。
还有一个可以自己找出来的小差额。从一百零一调到一百零二时,原先一百零一条的物种消失了,但整张表的估计总和只少一百。对照保留物种的明细,大肠杆菌的估计数从一百四十四万九千八百一十三变成一百四十四万九千八百一十四。若代码写成“退出物种的读段数必定等于全表差额”,它会在这个几乎最简单的边界上就报错。更合适的核账方式是按分类号把两张表作外连接,把每种独有行的增减与共有行的变化分别加总,再与两个总和相减的结果比较。这样既不预设读段流向,又能找到导致差额的具体行。
绝对数和相对量也有不同的证据要求。一个物种的表内占比升高,可能只是其他物种不再纳入分母,或者样本内其他成员的比例发生变化。若要声称每克样品里某种菌的数量上升,需要样品量、独立定量或合适的外加标准等额外信息。只拿同一份报告做不同阈值的重新估计,更不可能产生关于真实生物量改变的证据。可以把阈值敏感性与样本间生物学差异分别画图,前者对同一个样本连线,后者用事先选定的同一套处理条件比较独立样本。
最后两个阈值也有诊断价值。七百一十与一千这两轮的物种数和总估计数完全相同,表内所列重点物种的数值也一致。对于这份固定样本,这说明在相关区间继续提高绝对门槛没有改变所列结果。若换一个样本,恰好有候选的基础分支计数落在两者之间,就应当重新检查。不能把本例里一段平坦的变化区间写成软件对阈值普遍不敏感。
在真实项目里,先排除数据库和层级错配
分布文件对应于具体的分类数据库和设定的读长。两个库即使都含有同一个物种,也可能收录不同数量的同属菌株,导致共享序列归在更高节点的倾向不同。若原始 Kraken 报告由甲库产生,却拿乙库的分布文件估计,对应不到的分类号或不同的可区分性会改变分摊。文件名里都带“细菌”或标成相同读长远远不够。可以在项目目录将数据库构建来源、分类树版本、标记长度和 Bracken 的分布文件摘要与每份报告绑定,重估前核对它们出自同一套构建。
层级也要固定。一个属里面的物种很难区分时,按物种估计会受到近缘候选集合影响,属层级分析可能给出更稳定的汇总。但把已经过物种准入筛选的最终表沿名称相加,不一定等价于在属层级直接重新估计。两者纳入的基础读段和可分配给候选的条件可能不同。真实项目若只关心属级变化,应在同一份报告和同库分布上明确指定属级,再把物种级结果留作补充解释。若要讨论某个低丰度近缘种的出现,则可进一步检查物种特异片段、覆盖广度、阴性对照和多样本的重复性。
对交付最有帮助的做法,是挑一个刚好在阈值附近的类群和一个估计明显依赖额外分配的类群,把它们在原报告、两个阈值结果及日志中的数字串起来。本文第一个边界检验准入规则,第二个边界同时看到了受影响的邻居。换成自己的数据库,具体数字会变,但同样三步仍然适用,先找进入条件,再核对基础与额外计数,最后复算样本分母。这样回答“某个物种为什么从图上消失”时,给出的将是能逐项核对的证据。
当需要用同一版本数据库重跑多个队列、不同读长及阈值组合时,可以用已完成的一批分类报告和库规模向云生信生物分析服务器团队评估批量重算条件。
