
DAS Tool整合的是同一份组装的多套contig分箱结果,不是把不同组装的bin直接堆在一起。第一步是把每套结果转换成contig到bin的映射,再检查ID、方向和来源。本篇用MetaBAT与MaxBin两套预测作为输入,保留整合前后编号及未被选中的证据。
先得到无表头的两列映射
输入metabat.tsv与maxbin.tsv均为contigID、binID,TAB分隔,无表头。可用官方Fasta_to_Contigs2Bin.sh从bin FASTA生成;-e必须对应真实后缀,例如MetaBAT常见fa、MaxBin常见fasta,不能用错后缀得到空表再继续。不要将字段顺序反成bin到contig。
| 输入 | 核对规则 | 保留信息 |
|---|---|---|
| 共同组装FASTA | 唯一contigID与真实序列 | 组装校验值 |
| 每套contig2bin表 | 每contig至多一个bin | 来源标签及原binID |
| 不同算法间 | 同一contig可有不同归属 | 不能合成一套表去重 |
| 整合输出 | 新映射与summary对应 | FASTA、分数与选择记录 |
拒绝未知或重复contig
先为/data/contigs.fa生成匹配FAI并放到当前目录contigs.fa.fai。将下段保存为check_maps.py;它允许每套算法只覆盖组装的一部分,但拒绝空预测、重复分配、空bin和不在组装中的ID。两套映射顺序与稍后的-l标签必须一致,不能只看行数相同。
import csv
from pathlib import Path
fai=[r.split("\t")[0] for r in Path("contigs.fa.fai").read_text().splitlines()]
assert fai and len(fai)==len(set(fai));known=set(fai)
for name in ["metabat.tsv","maxbin.tsv"]:
seen=set();bins=set()
with open(name,newline="") as f:
for row in csv.reader(f,delimiter="\t"):
assert len(row)==2 and row[0] in known and row[1]
assert row[0] not in seen,(name,row[0],"重复分配")
assert not any(ch.isspace() for ch in row[1])
seen.add(row[0]);bins.add(row[1])
assert seen
print(name,"contigs",len(seen),"bins",len(bins))
在独立目录运行整合
环境需已通过官方样例,包含R依赖、Prodigal、DIAMOND及匹配的单拷贝基因数据库。DB填写该安装版已解包的SCG数据库绝对目录,不能只建一个空db文件夹。当前上游Shell包装会拆分空白参数,故本例要求工作及数据库路径无空白、逗号,输入文件名也保持简单。
set -euo pipefail
: "${DAS_DB:?填写已验收SCG数据库绝对目录}"
[[ "$DAS_DB" = /* ]] || exit 2
case "$PWD$DAS_DB" in *[[:space:],]*) exit 2;; esac
test -d "$DAS_DB"
test -s /data/contigs.fa
python3 check_maps.py
mkdir dastool-run-001
DAS_Tool --version > dastool-run-001/version.txt 2>&1
/usr/bin/time -v -o dastool-run-001/resources.txt DAS_Tool \
-i metabat.tsv,maxbin.tsv -l metabat,maxbin -c /data/contigs.fa \
-o dastool-run-001/merged --threads 2 --search_engine diamond \
--dbDirectory "$DAS_DB" --write_bins --write_bin_evals \
> dastool-run-001/run.log 2>&1
test -s dastool-run-001/merged_DASTool_summary.tsv
test -e dastool-run-001/merged_DASTool_contigs2bin.tsv
从新映射追溯所选bins
读取summary中的bin标识和分数,逐项对应输出contigs2bin及导出的FASTA;每个输出contig来自原组装且仅有一个最终归属。没有选择任何bin时,应将“无合格整合结果”明确记录,不把空映射当成完成了MAG交付。原算法的未入选bin也保留,方便解释差异。
DAS Tool的单拷贝基因分数不替代独立完整度、污染、嵌合或分类评价。多套算法同意也不自动证明生物学正确;后续做统一质量检查并保留版本。如果某算法完全没有有效bins,先解释原因,再决定是否采用剩余输入重新运行,不偷偷将空表从原计划删掉。
出现未知contig先查组装版本、FASTA header截断及映射方向;数据库或DIAMOND报错则回到环境。使用–proteins复用预测必须确保它来自同一contig集合、兼容命名和版本,不能从另一份组装借蛋白文件。恢复模式仅在该版本明确支持且中间产物已核对时使用。
按实际阶段测量资源
分别观察基因预测、SCG搜索和整合阶段的耗时与作业内存,线程示例为二,不承诺全部阶段同比加速。多份组装各自独立运行并分别保留两套来源映射;工作盘包括预测蛋白、搜索文件、原bins、新bins及失败现场,不仅是最终summary。
例如两套算法都使用bin.1作为编号并不冲突,因为它们分别位于两张有来源标签的映射表;汇总报告必须带上metabat或maxbin来源。最终新bin即便沿用某个旧编号,也要保留完整成员映射,避免名称相同却序列不同。
参考资料
需要额外算力时
适用前提:已有有效分箱结果且整合批次多,需要额外运行资源。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
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。咨询本任务的服务器配置
