文献基于环境DNA宏条形码的无脊椎动物多样性研究: 生物信息学流程比较与评估生物多样性研究内容在四川岷江流域的 5 条河流和云南九大高原湖泊采集了574 份水样。比较分析12种生信处理方法探究生信分析流程对最终检测到的淡水无脊椎动物多样性的影响。基因片段mlCOIintF5ʹ-GGWACWGGWTGAACWGTWTAYCCYCC-3ʹLeray et al., 2013和 HCO21985ʹ-TAAACTTCAGGGTGACCAAAAAATCA-3ʹFolmer et al., 1994扩增线粒体细胞色素 c 氧化酶 I (mitochondrial cytochrome c oxidase I,COI) 基因约 313 bp 长度的片段该引物已被证明在淡水无脊椎动物多样性检测中具有良好的表现(Chen et al., 2025)。4 种聚类或降噪方法UPARSE、Swarm、UNOISE、DADA23 种分类分配方法BOLDigger、BLASTN、朴素贝叶斯分类器作者比较了互相结合的 12 种方法各流程检出的分子分类单元MOTU数量、覆盖的分类群范围、鉴定的精细程度以及推断出的群落组成。结论DADA2BOLDigger 的组合检出了最多的 MOTU分类覆盖范围也最广得到 2,777 个 MOTU覆盖 14 个门、83 个目并鉴定出 120 个种。相比之下UPARSEBLASTN 仅得到 984 个 MOTU说明流程选择可以明显影响多样性检测结果。总体上DADA2 保留的 MOTU 最多分类鉴定方面BOLDigger 和 BLASTN 能将更多序列鉴定到较细的分类层级而朴素贝叶斯分类器的结果大多只能鉴定到“门”。分类分配方法还显著影响了推断出的群落组成。四种聚类或降噪方法这 4 种方法都在处理同一个难题测序得到的序列有些是真实的生物差异有些只是 PCR 或测序错误应该怎样区分并整理它们其中UPARSE、Swarm 主要做“聚类”UNOISE、DADA2 主要做“降噪”。两类方法的主要区别是聚类关注哪些序列足够相似可以归为同一个组降噪关注哪些序列差异是真实的哪些差异是错误产生的1. UPARSE按照相似度把相近序列归为一组在这篇文章中作者把这条路线称为 UPARSE具体使用VSEARCH 的cluster_size命令按 97% 相似性聚类。比如几条序列之间只有少量碱基差异符合聚类条件就可能被归入同一个OTU并由一条代表序列表示这个组。可以理解为设定一个“相似到什么程度算一组”的标准再进行分组。它的特点是可以合并同一物种内部的一部分序列变异让结果更简洁。结果受相似性阈值影响标准过宽可能合并不同物种过严可能把同一物种拆开。97% 是序列分组规则不是适用于所有无脊椎动物的物种界线。此外本文这条路线在聚类前已经进行了错误清理和嵌合体移除因此不能把它理解成只做一次简单分组。2. Swarm从局部小差异出发逐步形成序列组Swarm 也输出OTU但不采用统一的 97% 全局相似性阈值。它从某条序列出发寻找与其差异很小的序列再继续寻找与这些序列相近的其他序列逐步形成一个簇。算法还会结合序列丰度结构等信息处理分组。可以用一个简化例子理解Swarm 可以通过这些局部关系形成序列组而不只是判断每条序列是否与一个代表序列达到 97% 相似性。这个例子用于说明思路实际分组还受算法规则和参数影响。它的特点是能适应不同序列群之间不同的变异程度。不依赖统一的全局百分比阈值但仍然需要参数。依然属于聚类会将部分不同序列合并不能把每个 OTU 直接当成一个物种。3. UNOISE根据“出现次数差异程度”识别错误序列UNOISE 的核心思路是如果一条低频序列与一条高频序列非常接近那么前者可能是后者的错误版本。例如UNOISE 会结合两者的丰度关系和序列差异判断 B 是否更可能由 A 的错误产生而不是自动把所有相近序列都合并。本文通过 VSEARCH 的cluster_unoise实现 UNOISE3 算法输出ZOTU即零半径 OTU。它的特点是旨在保留真实的精确序列变体。使用序列丰度和差异关系判断错误通常计算较快。对真实的低丰度变体也存在误删风险尤其当它与高丰度序列非常接近时。“零半径”不代表完全没有误差而是指最终保留的是精确序列单元而非按 97% 相似度形成的序列组。4. DADA2建立测序错误模型判断差异是否超过错误预期DADA2 根据测序数据学习错误规律例如不同碱基质量下某种碱基被误读成另一种碱基的可能性。随后判断观察到的这条不同序列能否仅由测序错误解释还是需要认为它是真实存在的另一个变体它输出ASV即扩增子序列变体。同样是“与高丰度序列差一个碱基”的低频序列DADA2 会进一步结合错误模型进行判断有可能把仅差一个碱基的真实变体区分出来。它的特点是能利用碱基质量及数据中学习到的错误规律。适合保留较精细的序列变异信息。通常比 UNOISE 更复杂、计算要求更高结果也受数据质量、过滤参数和错误模型表现影响。ASV 仍可能有误检也不能直接等同于物种。在本文的淡水无脊椎动物 COI 数据和参数条件下Swarm 比 UPARSE 检出了更多 MOTUDADA2 比 UNOISE 检出了更多 MOTU。不能说检出更多OTU的方法的效果就更好既可能是减少了漏检也可能是保留了更多种内变异或者增加了误检。这篇研究使用自然环境样品没有完整的真实物种名单因此无法准确区分这些情况。三种分类分配方法这三种方法负责回答处理后的 DNA 序列属于哪一类生物能鉴定到门、纲、目还是具体物种1. BOLDigger到条形码数据库中寻找匹配并整理分类结果可以理解为拿着一段 DNA“条形码”到参考库中查身份。BOLD 是一个生物条形码数据库其中保存了参考 DNA 序列及对应的分类信息。BOLDigger 是帮助查询 BOLD、整理匹配结果并给出分类分配的软件工具。本文将这条路线归为“全局比对”。例如你有一条未知 COI 序列未知序列 → 查询 BOLD → 找到相似的参考序列 → 确定分类身份如果匹配足够好、参考信息也支持较精细的鉴定就可以分配到种或属如果证据不足就只鉴定到科、目等较高层级。本文采用的相似性阈值包括这些是本研究采用的判定规则不是所有动物都适用的分类界线。另外这里的“97%”用于分类鉴定与前面 UPARSE 用于聚类的“97%”是两个不同的操作。2. BLASTN寻找 DNA 序列之间匹配较好的局部区段可以理解为把未知序列与参考序列逐一比较寻找最相似的片段。BLASTN 是核酸序列的局部比对工具。它可以找到两条序列中相似程度较高的区段不要求整条序列从头到尾都匹配。一个示意例子未知序列 ————目标片段———— 参考序列前段————相似片段————后段它会提供匹配对象、相似度、比对长度和统计指标等信息再据此进行分类分配。本文使用的是下载到本地的 BOLD 参考数据。需要注意**找到最高分匹配不等于已经可靠地鉴定出物种。**还需要看匹配覆盖了多少序列以及多个相近匹配是否指向同一个分类群。例如若同样好的匹配分别属于某个属中的两个物种现有证据可能只支持鉴定到属。3. 朴素贝叶斯分类器学习序列特征再预测分类身份可以理解为先学习不同生物的 DNA“语言习惯”再判断未知序列更像哪一类。它先利用已知分类身份的参考序列进行训练学习不同分类群的短 DNA 片段组成特征。之后模型根据未知序列中的这些特征给出分类预测。已知序列分类名称 → 训练分类器 未知序列 → 分析序列特征 → 预测分类身份它通常利用k-mer也就是长度为 k 的短序列。例如把ATGCA拆成长度为 3 的片段会得到ATG、TGC、GCA不同分类群的序列可能具有不同的短片段组合规律分类器就利用这些规律做判断。“朴素”指模型采用了简化的特征独立性假设。本文先从 BOLD 参考序列中提取目标扩增区域来训练分类器再保留置信度至少为 90% 的分类结果。这个置信度不能直接理解为“有 90% 的概率鉴定正确”。在这篇文章里谁表现更好本文发现BOLDigger 的分类覆盖范围最广BOLDigger 和 BLASTN 的鉴定结果整体上也比朴素贝叶斯分类器更精细。朴素贝叶斯分类器输出的大部分 MOTU 只能鉴定到门水平。但不能据此认为贝叶斯方法在所有研究中都较差。这个结果对应的是本文的无脊椎动物 COI 片段、参考数据和参数设置。而且作者没有已知完整物种组成的标准样品无法把“鉴定得更细”直接等同于“鉴定得更准确”。三种方法共同的前提是参考数据必须足够完整且可靠。数据库缺少某个物种或参考序列被错误标注都会影响最终鉴定。对于 eDNA 物种注释来说主要可以分为两种方法一种是基于序列比对的方法如blastn一种是基于k-mer方法如RDP classifier。一、 什么是 k-mer 方法在生物信息学中k-mer 里的 “k” 代表一个正整数“mer” 代表单体单位聚体。定义k-mer 是指长度为。。。的核苷酸短片段子字符串。提取方式通过“滑动窗口Sliding Window”算法步长为 1将一条长的 eDNA 序列切割成一系列重叠的、长度为。。。的小片段。 举个例子假设 即 8-mer如果您的 eDNA 序列是ATGCAAACTGA共 11 个碱基我们用长度为 8 的窗口从左往右滑动切割第 1 个 8-merATGCAAAC第 2 个 8-merTGCAAACT第 3 个 8-merGCAAACTG第 4 个 8-merCAAACTGA最终这 1 条 11bp 的序列就被转化为了一个由 4 个 8-mer 组成的“词袋Bag of Words”。二、 它为什么叫“分类器方法Classifier”以 RDP Classifier 为例k-mer 方法的核心就是分类器。它不去做局部的、精细的碱基对齐而是利用自然语言处理NLP或概率统计学的思想1. 训练阶段Training分类器先“阅读”已知物种的参考数据库如 SILVA、Greengenes 或自定义参考库。它统计出每个物种如大熊猫、野猪、某种细菌基因中各种不同 k-mer 出现的条件概率或者频数特征。这样数据库就变成了一个个物种特异性的“词频字典”。例如“大熊猫字典”里某些特定的 8-mer 出现概率极高而“小熊猫字典”里则是另外一些。2. 分类预测阶段Classifying当您输入一条未知的 eDNA query 序列时分类器不与数据库里的序列一条条比对而是直接将该序列拆成大量的 k-mer。它使用朴素贝叶斯Naive Bayes等分类算法计算“在观察到这些 k-mer 特征词后这条序列属于大熊猫的概率有多大”最终根据概率值如 RDP 中的置信度 Bootstrap value将序列指派Classify到对应的分类阶元界、门、纲、目、科、属、种。三、 序列比对BLAST vs. k-mer 分类器RDP的本质区别维度基于序列比对的方法 (如 BLAST / Smith-Waterman)基于 k-mer 的分类器方法 (如 RDP Classifier / SINTAX)核心算法动态规划Dynamic Programming或启发式局部碱基比对。寻找两条序列的最佳匹配路径。序列词频空间k-mer Frequency的统计学概率计算如朴素贝叶斯、贝叶斯概率模型。计算速度较慢。序列数量巨大时一对一比对会消耗海量 CPU 和内存。⚡极快。无需对齐直接查字典和做代数乘法适合处理百万级的二代/三代测序 Reads。错配与 Gap 容忍度高。能够通过罚分机制允许碱基发生突变Mismatch和插入/缺失Indels/Gaps。较低。k-mer 是一对一严格匹配的序列上的一个单碱基突变SNP会导致周围。。。个 k-mer 全部失效。未建档/新物种敏感度较好。即使是新物种也能由于局部保守区相似而比对上近缘种便于后续人工判定和 LCA 托底。较差。若未知物种的 k-mer 频数特征未出现在训练集中分类器可能给出完全错误的分类概率或拒绝分类。典型软件BLASTn, MEGAN, vsearch (global alignment)RDP Classifier, QIIME2 里的 q2-feature-classifier, Kraken2 (精确k-mer匹配)四、 论文写作高阶小贴士补充第三种方法如果在写论文时在介绍 eDNA 物种注释方法学分类时其实除了以上两种还可以提到第三种更前沿的方法。这样的综述或方法学描述会显得非常全面、极其严谨基于序列比对的方法Alignment-based如BLAST、BOLDigger。基于 k-mer/机器学习分类器的方法Alignment-free / Classifier-based如RDP Classifier、Kraken2。基于系统发育学的方法Phylogeny-based如EPA-ng、pplacer系统发育推断进化树定位。原理将 eDNA 序列直接“插入”到已经构建好的骨架进化树Reference Tree上看它落在哪个分枝。这是系统发育学和进化生态学最推崇、但计算量也最大的一种严谨方法。✍️ 论文方法学部分可以直接参考的中文表述“本研究在对 eDNA 宏条形码测序数据进行物种注释时主要参考了目前主流的两大方法学体系即基于局部序列比对的方法Alignment-based methods如 BLASTn与基于序列统计特征的分类器方法Classifier-based / Alignment-free methods如 RDP Classifier。前者通过计算碱基级别的对齐相似性后者则采用 k-mer单体子字符串词频统计与朴素贝叶斯分类模型避开了繁复的对齐计算极大提升了高通量大样本的解算效率。为了兼顾注释的精确度与保守性本文最终选取了……”Kraken2典型的基于 k-mer 的分类引擎Kraken2是目前宏基因组和 eDNA 领域最著名的基于 k-mer 准确匹配的分类器。1. 工作原理构建数据库阶段Kraken2 会将参考数据库如 NCBI RefSeq中的所有基因组序列切成固定长度的短片段默认 的 k-mer。对于每一个 k-mer算法会计算出包含该 k-mer 的所有物种在系统发育树上的最低共同祖先LCA并将这个 k-mer - LCA 的映射关系存入检索树Database Map。物种注释阶段当输入你测序得到的 eDNA Read 时Kraken2 会把这条 Read 拆解出所有的 然后快速去刚才建好的检索树里查找对应的物种 LCA。最后通过在分类树上进行“投票”累计寻找权重最高的路径决定这条 Read 的最终归属。特点速度极快内存占用高适合大规模、高通量的数据筛查。MIDORI专为真核生物线粒体设计的数据库MIDORI (或 MIDORI2)是由学术界专门针对真核生物线粒体 DNA (mtDNA)整理、过滤和去冗余后形成的参考数据库。因为 eDNA 脊椎动物监测最常扩增的是线粒体基因如 12S rRNA, 16S rRNA, COI, Cytb 等而 NCBI 的库太大且冗余MIDORI 团队帮科学家把 GenBank 里的线粒体序列提取并净化出来做成了高度可信的“精品参考集”。为什么会有“MIDORI 是基于 k-mer 方法”的误解这是因为 MIDORI 数据库在发布时为了方便科研人员官方会提前将数据库打包好并提供多种不同软件格式的下载包。其中包括FASTA 格式用于BLASTn等基于序列比对的方法。SINTAX / RDP 格式用于RDP Classifier / USEARCH SINTAX等基于 k-mer 的分类器方法。QIIME2 格式用于q2-feature-classifier基于 k-mer 朴素贝叶斯分类的方法。也就是说你可以用基于 k-mer 的分类器去跑 MIDORI 数据库也可以用基于 alignment (BLASTn) 的方法去跑 MIDORI 数据库。四、 总结eDNA 物种注释的“两要素”在进行 eDNA 生态学分析撰写论文时你需要同时声明你所使用的**【算法/软件】和【参考数据库】**如果你采用的是基于 K-mer 的方法“本研究采用基于 k-mer 树状精确匹配的Kraken2算法或基于 8-mer 朴素贝叶斯的RDP Classifier/SINTAX检索MIDORI2动物线粒体参考数据库进行分类学指派。”如果你采用的是基于局部比对的方法“本研究采用基于局部比对搜索的BLASTn算法将 eDNA 序列比对至MIDORI2线粒体参考数据库进行物种鉴定。”