宏基因组共组装还是分样本组装?先按研究目标判断

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。

先按样本关系划分候选策略

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

比较前先确定分析对象和分组

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。

用小规模试跑估算资源和结果差异

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。

用下游验收决定是否采用共组装

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。