保姆级教程：用CAT和IMG/VR4数据库搞定宏基因组contig物种分类（附蛋白ID与TaxID映射避坑指南）

宏基因组物种分类实战从CAT工具配置到自定义数据库构建全解析在宏基因组研究中准确鉴定contig序列的物种来源是后续功能分析的基础。传统的基于16S rRNA基因的方法在微生物群落研究中存在明显局限而基于全基因组测序数据的物种分类工具如CATContig Annotation Tool正成为越来越多研究者的选择。本文将带您从零开始一步步完成CAT工具的安装配置、自定义数据库构建以IMG/VR4数据库为例直至最终分类结果解读特别针对蛋白ID与TaxID映射这一常见痛点提供详细解决方案。1. CAT工具基础环境搭建1.1 为什么选择CAT进行物种分类CAT作为一款专门针对宏基因组contig设计的分类工具其核心优势在于高精度分类结合蛋白序列相似性和最低共同祖先(LCA)算法灵活数据库支持允许用户自定义蛋白数据库资源效率相比全基因组比对更节省计算资源结果可解释性提供分类置信度评估1.2 使用Mamba快速搭建环境相比传统的condaMamba能更快解决依赖关系# 创建CAT专用环境 mamba create -n CAT python3.10 diamond prodigal -c bioconda -c conda-forge mamba activate CAT # 安装CAT_pack git clone https://github.com/MGXlab/CAT_pack cd CAT_pack chmod 755 setup.py python setup.py install关键组件说明工具作用版本要求DIAMOND快速蛋白序列比对≥2.0Prodigal基因预测≥2.6Python运行环境3.7-3.10注意确保系统中已安装zlib开发库否则Prodigal编译可能失败。Ubuntu系统可通过sudo apt-get install zlib1g-dev安装。2. 自定义数据库构建全流程2.1 获取IMG/VR4蛋白数据库IMG/VR是目前最全面的病毒蛋白数据库之一获取最新版本wget https://img.jgi.doe.gov/vr/data/IMGVR_all_proteins-high_confidence.faa.gz gunzip IMGVR_all_proteins-high_confidence.faa.gz2.2 解决蛋白ID与TaxID映射难题这是自定义数据库构建中最关键的步骤需要创建protein_taxid.txt映射文件格式为protein_accessiontabtaxid实际操作策略从NCBI获取标准映射适用于NCBI源数据wget ftp://ftp.ncbi.nlm.nih.gov/pub/taxonomy/accession2taxid/prot.accession2taxid.gz gunzip prot.accession2taxid.gz自定义脚本处理特殊ID以IMGVR为例# 示例提取IMGVR蛋白ID中的NCBI taxid import re with open(protein_taxid.txt, w) as out: for line in open(IMGVR_all_proteins-high_confidence.faa): if line.startswith(): # 示例IMGVR_GA1000000_1|NCBI_637000083 match re.search(rNCBI_(\d), line) if match: protein_id line.split(|)[0][1:] taxid match.group(1) out.write(f{protein_id}\t{taxid}\n)提示不同数据库的ID格式各异建议先抽样检查FASTA头部的格式特征再设计正则表达式提取。2.3 准备分类学文件从Kraken2数据库获取标准分类学文件# 下载Kraken2标准数据库仅需一次 kraken2-build --download-taxonomy --db standard_db # 关键文件路径 names.dmp standard_db/taxonomy/names.dmp nodes.dmp standard_db/taxonomy/nodes.dmp2.4 运行CAT_pack prepare整合所有资源构建CAT专用数据库CAT_pack prepare \ --db_fasta IMGVR_all_proteins-high_confidence.faa \ --names names.dmp \ --nodes nodes.dmp \ --acc2tax protein_taxid.txt \ --db_dir IMGVR_CAT_db \ --threads 16常见问题排查报错Invalid taxid in line X检查taxid是否为nodes.dmp中存在的ID使用grep ^taxid\t nodes.dmp验证报错Protein ID not found in fasta确保蛋白ID与FASTA中的定义完全一致注意是否有版本号等后缀差异3. 分类流程执行与优化3.1 Contig分类标准流程# 第一步基因预测与分类 CAT_pack contigs \ -c metagenome_contigs.fasta \ -d IMGVR_CAT_db/db \ -t IMGVR_CAT_db/tax \ -o output_prefix \ --threads 16 # 第二步添加分类学名称 CAT_pack add_names \ -i output_prefix.ORF2LCA.txt \ -o output_prefix.classification.txt \ -t IMGVR_CAT_db/tax \ --only_official3.2 关键参数调优参数推荐设置作用-s / --sensitive默认关闭高灵敏度模式速度↓精度↑-r / --r0.7LCA算法覆盖度阈值-f / --f0.5LCA算法相似度阈值--top11考虑的最佳比对结果数性能优化技巧# 使用RAM模式加速DIAMOND比对 export TMPDIR/dev/shm # 使用共享内存 CAT_pack contigs ... --diamond_options--block-size 4 --index-chunks 14. 结果解读与质量评估4.1 解读输出文件主要结果文件*.ORF2LCA.txt原始分类结果字段contig, ORF, taxonomy, score*.classification.txt带名称的分类结果字段contig, classification, lineage, scores4.2 评估分类可靠性推荐质量指标分类一致性同一contig上不同ORF的分类一致性awk {print $1,$3} output_prefix.ORF2LCA.txt | sort | uniq -c | sort -nr置信度分数0.5-0.7低置信度建议人工检查0.7-0.9中等置信度0.9高置信度分类层级分布cut -f3 output_prefix.classification.txt | awk -F; {print NF} | sort | uniq -c4.3 可视化分析使用Krona生成交互式分类图谱# 安装KronaTools mamba install -c bioconda krona # 准备输入文件 awk {print $3} output_prefix.classification.txt krona_input.txt # 生成图表 ktImportText krona_input.txt -o krona_output.html5. 高级应用与疑难解答5.1 混合数据库策略对于复杂样本可合并多个数据库# 合并多个蛋白数据库 cat IMGVR.faa NCBI_nr.faa combined.faa # 合并taxid映射 cat IMGVR_taxid.txt NCBI_taxid.txt combined_taxid.txt5.2 常见报错解决方案问题1DIAMOND内存不足解决方案export DIAMOND_DEFAULT_ARGS--block-size 2 --tmpdir /path/to/large/tmp问题2分类结果大量unclassified可能原因数据库覆盖度不足比对参数过于严格taxid映射不完整问题3分类层级跳跃如直接从属到科处理方式CAT_pack add_names ... --exclude_rankfamily,genus5.3 性能基准测试不同硬件配置下的运行时间参考1M contigs配置DIAMOND时间总时间16核/64GB2.5小时3.8小时32核/128GB1.2小时2.1小时64核/256GB45分钟1.2小时优化建议对于超大规模数据可先使用--top 50快速筛选再对候选contig进行精细分类。