多样本宏基因组项目做共组装,可能提高低丰度物种获得足够覆盖的机会;但把差异较大的样本全部合在一起,也可能让不同菌株的序列和丰度结构混在同一张组装图里。先问清楚研究目标:是为每个样本分别建立 contig,还是希望为某个生态组构建更完整的参考,再决定共组装范围。共组装不是自动省算力,也不是所有低丰度问题的通用解法。
| 策略 | 适合考虑的情况 | 主要代价与风险 |
|---|---|---|
| 每个样本单独组装 | 关注样本间菌株差异或需要独立组装结果 | 多次重复计算,低覆盖样本可能难组装 |
| 同一生态组内共组装 | 样本背景相近,目标是为该组构建更完整的 contig | 需解释组内混合对变异和丰度的影响 |
| 全体样本共组装 | 研究目标确需共享参考或序列目录 | 输入量和图复杂度可能明显增加,不适合替代样本级结果 |
| 先独立再合并 contig | 希望保留各样本组装,再构建非冗余目录 | 还需去冗余、质量筛选和来源追踪 |
整理样本表,至少记录样本 ID、实验组、批次、FASTQ 路径、每端 reads 数和质控后数据量。技术重复是否合并、生物学重复是否保留独立,应由实验设计决定,不能为了让组装更完整而改变统计单位。若比较处理组与对照组,可先分别在组内试验共组装,再检查是否保留了各组特异 contig;是否需要跨组共享参考,要结合后续 mapping 与差异分析方案。
从每个候选组中选代表性样本,用相同软件版本、预处理和资源设置分别比较单样本与组内共组装。记录总碱基数、耗时、峰值内存、临时盘峰值、contig 总长度和长度分布。试跑数据应采用固定规则抽取,并保留随机种子;若抽样量过小,不能代表复杂度或低丰度组分。共组装输入 reads 增加,并不意味着运行时间或内存会按样本数线性增加。
import csv
from pathlib import Path
rows = list(csv.DictReader(open("samples.tsv", encoding="utf-8"), delimiter="\t"))
assert rows and len({r["sample_id"] for r in rows}) == len(rows)
for row in rows:
for col in ("r1", "r2"):
p = Path(row[col])
assert p.is_absolute() and p.is_file()
assert row["group"]
# 先人工核对每个 group 的样本关系,再生成 MEGAHIT 输入清单示例只检查样本表和文件存在性,不会替你决定哪些样本可以共组装。正式任务可按 MEGAHIT 对 paired libraries 的输入格式为每组生成路径清单;参数以安装版本 megahit --help 为准。每个策略使用独立输出目录和唯一临时位置,保存完整命令与退出码。
比较 contig 的长度和覆盖分布、目标基因或 marker 的恢复、分箱完整度与污染,并按样本回贴 reads 检查覆盖是否由少数高丰度样本主导。若共组装带来更长 contig,却丢失样本来源或把差异菌株合并,应评估这是否符合研究问题。最终归档组装策略、样本清单、软件版本、资源峰值和验收指标,让课题组能够复查为什么这样划分,而不是只留下一个结果目录。