企业官网建设流程全解析

说实话，第一次接触宏基因组数据的时候，看着几千万条reads完全不知道从哪下手。想知道一个样本里有哪些微生物、它们的丰度是多少，光靠比对NCBInt或者BLAST这种传统方式，一跑就是好几天，而且blast的结果处理起来也麻烦。后来同事给我推荐了Kraken2，说这个软件速度快得离谱，比对完还有Bracken做丰度校正，两条命令就能出物种组成结果。我当时半信半疑，装上之后跑了一个肠道菌群样本，几百万条reads十分钟不到就分完了，确实被惊到了。

这个组合现在是宏基因组物种注释领域的标配工具，也是大多数生信流程的首选方案。Kraken2负责把测序reads快速分类到物种分类学节点上，Bracken则在其基础上估计每个物种的真实丰度。整套流程对新手非常友好，安装不复杂，使用命令也不多，最关键的是运行速度快，普通服务器就能跑。这篇文章就围绕安装与使用这条主线，把我从零开始踩过的坑、调过的参数、看过的文档，系统整理一遍，给正准备入坑的朋友一份可以直接照着做的参考。

1. 为什么是Kraken2+Bracken这对组合

1.1 物种注释到底做什么

物种注释，简单说就是拿到测序数据之后，判断每一条reads是来自哪个物种。听起来很简单，但实际操作里有两个核心难点。

第一个难点是数量。一个宏基因组样本动辄几千万条reads，每条reads要做一次序列比对，如果用传统BLAST或者Bowtie2，时间和计算资源都会爆炸。第二个难点是精度。很多微生物之间序列相似度很高，尤其在不同菌株之间，区分起来并不容易。Kraken2的核心思路不是把所有序列全部两两比对，而是先把参考基因组切碎成固定长度的短序列片段，为每个片段建立索引，计算出一个k-mer集合。然后每来一条reads，就把它也切成一堆k-mer，去索引里查这些k-mer分别落在哪些物种上，再基于所有k-mer的综合投票来确定这条reads的分类归属。

这种方式的优势在于：查询过程不需要逐步扫描数据库，只需要一次哈希查找，所以速度极快。Kraken2的分类结果还会同时给出该分类在分类学层级上的位置，从界、门、纲、目、科、属到种。

1.2 Kraken2的分类精度问题

但Kraken2有个明显的短板，它输出的只是reads被分到了哪个taxon节点上，而不是这个物种在样本里的真实丰度。举个实际例子：如果给Kraken2输入100条reads，其中80条分给了物种A，20条分给了物种B，那么Kraken2报告里写的就是A占80%、B占20%。这看上去挺合理的，但问题在于，不同物种的基因组大小差异很大。有的细菌基因组只有2Mb，有的真菌基因组有30Mb，也就是说在丰度相同的情况下，基因组大的物种自然会被分配到更多reads。另外Kraken2分类结果里还有一类特殊标记，比如一条reads同时匹配到多个物种时，它会被分配到它们共同的分类学祖先节点上，送到属甚至科这个级别，这类reads如果直接算进物种丰度，会出现虚高的问题。

这就是Bracken存在的意义。Bracken全称是Bayesian Reestimation of Abundance with KrakEN，它能利用参考数据库里各物种的k-mer分布信息，把被分配到属、科等更高级别节点上的reads重新分布到具体物种上，同时校正基因组大小带来的偏差，最终输出更接近真实情况的物种丰度表格。

1.3 在什么场景下选这对组合

Kraken2+Bracken最适合的场景是宏基因组样本的物种组成分析，典型用途有：肠道菌群研究、环境微生物多样性调查、临床样本病原体快速筛查。如果目标是分析16S扩增子数据，Kraken2也可以跑，但像QIIME2加Greengenes这类专门流程可能更适合；如果目标是做菌株级别的精细分型，那Kraken2就有些吃力了，需要用到StrainPhlAn这类工具。不过做绝大多数属种水平的组成分析，Kraken2+Bracken几乎是最省心、最高效的选项。

2. 安装之前先想清楚这三件事

2.1 硬件条件评估

安装和使用Kraken2之前，先评估一下自己的机器配置。Kraken2本身是C++写的，对CPU的利用率很高，支持多线程，一般8核16线程的服务器就够了。内存方面需要特别注意，因为k-mer索引是直接加载到内存里的，数据库大小直接决定内存需求量。

Kraken2官方提供了几种预构建数据库：

我自己第一次用的时候只准备了32GB内存的机器，跑标准库加载到一半直接OOM（内存溢出），后来换了能扩容的机器才解决。如果你用笔记本电脑跑小样本，可以先从MiniKraken库开始；如果跑正式项目，建议至少64GB内存和几百GB剩余磁盘空间。

2.2 数据库选型思路

数据库的选择直接关系到分析结果的质量，这块建议做正式分析时不要图省事。标准数据库包含细菌、古菌、病毒以及人类基因组的参考序列，覆盖宏基因组研究中最常见的微生物类群。如果样本可能含有真菌，使用PlusPF数据库更合适，它额外加入了真菌和原生生物的数据。MiniKraken数据库虽然下载快、占用小，但覆盖物种有限，不建议用于正式科研数据。

另一个容易被忽略的点是数据库版本。Kraken2官方会定期更新数据库内容，不同版本的数据库之间分类结果可能存在差异。同一项目中的所有样本务必使用同一版本的数据库，否则不同批次之间的比较会有系统误差。我自己的建议是：建库时间和版本记录下来，写论文方法学部分也得写清楚。

2.3 安装方式取舍

Kraken2和Bracken的安装方式主要有两种：conda包管理器安装和源码编译安装。conda方式最省事，几分钟装完，我推荐大多数人用。源码编译也简单，主要价值在于自定义编译参数优化性能，不过对普通用户来说收益不大。

Bracken需要注意版本匹配问题，Bracken必须和Kraken2的主版本兼容。比如Kraken2是2.x版本，Bracken也要用对应的2.x版本。如果直接用conda同时安装Kraken2和Bracken，conda会自动解决版本依赖，比较省心。

3. Kraken2与Bracken完整安装步骤记录

3.1 用conda安装Kraken2

如果你的分析环境还没有配置conda，需要先装一个Miniconda或Anaconda。安装过程不展开，直接说装好conda之后的操作。

先创建一个独立环境，避免不同软件依赖互相干扰：

conda create -n kraken2_env python=3.8 conda activate kraken2_env

然后安装Kraken2：

conda install -c bioconda kraken2

装完验证一下：

kraken2 --version

正常情况下会输出类似Kraken version 2.1.3这样的信息。如果提示找不到命令，检查一下环境是否激活，或者用which kraken2看看安装路径。

3.2 源码编译方式安装

源码方式适合没有conda或需要自定义优化的场景。先下载源码：

git clone https://github.com/DerrickWood/kraken2.git cd kraken2 ./install_kraken2.sh /path/to/install/directory

脚本执行完后，Kraken2会安装到指定目录下的bin文件夹里。为了使用方便，把bin目录加入环境变量：

echo 'export PATH="/path/to/install/directory/bin:$PATH"' >> ~/.bashrc source ~/.bashrc

源码编译的好处是可以指定编译参数，比如启用某些CPU指令集优化，但对绝大多数流程影响不大，我平时还是用conda版本。

3.3 安装Bracken

Bracken的官方GitHub仓库是jeniferjs/bracken。conda安装最简单：

conda install -c bioconda bracken

装完检查：

bracken -v

输出版本号说明安装成功。

源码安装也简单：

git clone https://github.com/jeniferjs/bracken.git cd bracken chmod +x install_bracken.sh ./install_bracken.sh

Bracken安装完成后，bin目录下会生成几个脚本：bracken、bracken-build、est_abundance.py等。bracken-build这个脚本是用来为Kraken2数据库构建丰度分布文件的，后面建库时要用到，所以路径一定要记清楚。

3.4 快速验证安装是否可用

安装完成后，最稳妥的方式是跑一个最小测试。先下载MiniKraken数据库试跑一下，或者用自带的测试数据。Kraken2源码目录里通常有一个example文件夹，里面放了示例数据。

kraken2 --db minikraken_db_v2 --threads 4 example.fa

能正常输出分类结果文件，说明整个安装链路没问题。我在第一次安装时跳过这个测试，直接跑正式数据，结果建库路径写错了，排查了半天才发现问题。装完先跑最小测试，这个习惯能省很多时间。

4. 数据库下载与构建，这里最耗时

4.1 使用官方预构建数据库

Kraken2官方提供预构建数据库，直接下载解压就能用，省去自己构建的漫长时间。下载地址在Kraken2的GitHub仓库“Database”部分有提供，或者用下面的命令从官方AWS存储拉取：

# 下载标准库（大小约150GB） wget https://genome-idx.s3.amazonaws.com/kraken/k2_standard_2023.tar.gz # 解压到指定目录 mkdir -p /path/to/kraken2_db tar -xvzf k2_standard_2023.tar.gz -C /path/to/kraken2_db

下载标准库需要较长时间，网络条件差的话建议使用支持断点续传的下载工具，或者分时段下载。解压后的目录里包含hash.k2d、opts.k2d、taxo.k2d三个核心文件，还有一个seqid2taxid.map映射文件。

使用预构建数据库时，需要确保Bracken的kmer分布文件也一起下载。最新的标准库压缩包中通常已经包含了Bracken需要用的database150mers.kmer_distrib等文件。如果没有，还需要额外运行Bracken的构建步骤。有一个容易踩的坑：下载的数据库版本和Bracken的期望版本不匹配，运行bracken的时候会报错中断，所以下载时留意一下数据库自带文件的完整性。

4.2 手动构建自定义数据库

如果研究物种比较特殊，或者数据里有大量参考数据库没覆盖的物种，就需要自己构建数据库。手动构建分三步走。

第一步，下载分类学信息：

kraken2-build --download-taxonomy --db $DBNAME

这里的$DBNAME是自定义的数据库目录名，要先创建好。这个命令会从NCBI下载taxdump文件，构建分类学树。

第二步，下载参考序列，按分类学组别下载细菌库：

kraken2-build --download-library bacteria --db $DBNAME

可选类别包括bacteria、viral、fungi、archaea、protozoa等。如果下载中断，重新执行命令会继续下载未完成的部分。

第三步，构建k-mer数据库：

kraken2-build --build --db $DBNAME --threads 16

这一步会把下载下来的参考序列切碎成k-mer并建立索引，过程非常消耗内存和CPU。标准库构建时内存不够就会直接报错，建议至少64GB。构建完成后数据库目录下会出现hash.k2d文件，就说明建好了。

4.3 为Bracken构建kmer分布文件

Bracken要想做丰度校正，必须先针对Kraken2数据库构建一个k-mer分布文件。这一步使用bracken-build脚本完成。

bracken-build -d $DBNAME -t 16 -k 35 -l 150

参数解释：

• -d指定数据库目录
• -t指定线程数
• -k指定k-mer长度，必须和Kraken2建库时使用的k-mer长度一致，默认是35
• -l指定reads长度，根据测序reads的实际长度来，一般宏基因组是150bp

构建完成后，数据库目录里会出现类似kmer_distrib_150的文件。

Bracken构建过程会先对数据库里的参考序列重新做一次Kraken2分类，生成所有物种的k-mer分布信息，这个过程同样需要较长时间，建议后台运行并记录日志。

nohup bracken-build -d $DBNAME -t 16 -k 35 -l 150 > bracken_build.log 2>&1 &

期间用tail -f bracken_build.log观察进度。构建失败时日志里会有明确报错信息，最常见的是Kraken2版本不兼容，报错内容类似于Unknown kraken2 database format，这时候要检查Kraken2版本是否太旧，Bracken要求2.0.7以上。

4.4 数据库管理的几个习惯

Kraken2数据库文件很大，管理不好容易出问题。先说磁盘规划，预构建库解压时需要的临时空间差不多是压缩包两倍大小，比如150GB的压缩包解压时需要预留300GB以上空间。其次，数据库路径建议用固定目录，并把路径写入环境变量或者分析流程配置里，避免每次运行命令时手写路径出现差错。最后，不同版本的数据库不要放在同一个目录里，命名时带上版本号，比如k2_standard_2023这样的命名，时间久了也不容易搞混。

5. 实战：完整跑通一个Kraken2+Bracken分析

5.1 准备工作与测试数据

为了演示完整流程，我准备了一份模拟的宏基因组双端测序数据，大约100万条reads，模拟成一个肠道菌群样本。实际操作时，可以先从SRA下载公开宏基因组数据，或者自己生成模拟数据做测试。

输入数据的格式通常是FASTQ。如果数据是原始下机数据，带有接头，建议先用fastp或Trimmomatic做质控和去接头，不要拿原始数据直接跑分类。质控干净虽然会损失一部分reads，但能减少假阳性分类。我自己的经验是，接头残留确实会导致一些reads错误地比对到人工序列上，进而影响物种注释。

准备一个样本清单文件，每个样本一行，格式为样本名加路径，方便批量处理。

5.2 Kraken2分类命令详解

Kraken2分类的标准命令：

kraken2 --db /path/to/k2_standard_2023 \ --threads 16 \ --paired \ --output sample1.kraken \ --report sample1.kraken_report \ --use-mpa-style \ sample1_R1.fastq.gz sample1_R2.fastq.gz

逐项解释参数：

• --db：指定数据库路径
• --threads：线程数，按机器配置调整，一般设为核心数的一半或全部
• --paired：输入为双端reads，此模式下两条reads都匹配到同一物种才算数
• --output：分类结果输出文件，每行一条reads，格式为“分类状态 taxid readID 序列 分类路径”
• --report：汇总报告文件，展示每个taxon的reads数和比例
• --use-mpa-style：以MPA样式输出报告，便于后续合并多个样本

运行结束后，sample1.kraken_report的文件内容类似：

94.32 943201 943201 U 0 unclassified 5.68 56782 45210 R 1 root 5.68 56782 0 R1 131567 cellular organisms ...

第一列是比例，第二列是该分类及其子分类覆盖的reads总数，第三列是该分类本身直接分配的reads数，第四列是分类学级别（U表示未分类、R表示根节点、G表示属、S表示种）。

--use-mpa-style生成的报告格式有些不同，更适合下游合并和热图可视化。如果只跑一个样本，两种格式差别不大；如果跑多个样本要合并成丰度表，MPA格式会更方便。

5.3 Bracken丰度校正命令详解

得到Kraken2报告文件后，接下来用Bracken做丰度重估。运行前先确定目标分类层级。通常分析物种组成用种水平，命令如下：

bracken -d /path/to/k2_standard_2023 \ -i sample1.kraken_report \ -o sample1.bracken \ -r 150 \ -l S \ -t 16

参数解释：

• -d：数据库目录
• -i：输入Kraken2报告文件
• -o：输出Bracken丰度结果
• -r：reads长度，必须与构建Bracken kmer分布时设置的-l一致
• -l：分类层级，S表示种（Species），G表示属（Genus）
• -t：线程数

Bracken运行完成后会生成两个文件：sample1.bracken是最终的丰度估算文件，另一个是sample1.bracken_report，后期可视化常用到的就是后一个。

看一个输出片段示例：

name taxonomy_id taxonomy_lvl kraken_assigned_reads added_reads new_est_reads fraction_total_reads Escherichia coli 562 S 12000 3500 15500 0.1123 Bacteroides vulgatus 821 S 8000 1200 9200 0.0667

每一行代表一个物种，重点是new_est_reads和fraction_total_reads这两列，前者是该物种校正后的reads数，后者是该物种在样本中的相对丰度。把fraction_total_reads加总，就能得到完整的物种组成谱。

5.4 多样本批量处理与合并

实际项目中很少只测一个样本，几十个样本批量跑时，需要对处理流程做点小小优化，比如用循环把每个样本提交给后台任务执行。

先写一个Shell循环分别对每个样本运行Kraken2和Bracken，为了不让流程卡在单条命令上，后台任务加日志记录：

for sample in sample1 sample2 sample3; do kraken2 --db /path/to/k2_standard_2023 \ --threads 8 \ --paired \ --output ${sample}.kraken \ --report ${sample}.kraken_report \ ${sample}_R1.fastq.gz ${sample}_R2.fastq.gz & done

全部跑完后，用KrakenTools里的combine_kreports.py脚本把多个Kraken2报告合并成一个表，生成以分类学单元为行、样本为列的丰度矩阵。

combine_kreports.py --report sample1.kraken_report sample2.kraken_report sample3.kraken_report --output combined_report.tsv

combined_report.tsv就是下游做热图、PCoA、差异分析的标准输入表格。这里列一下KrakenTools的安装方式，它是个Python工具包，直接从GitHub拉下来就能用，不依赖额外的包：

git clone https://github.com/jenniferlu717/KrakenTools.git

对丰度表做后续分析时，我一般先用vegan包或phyloseq包做多样性分析，再用ggplot2画堆叠柱状图展示物种组成。这一步已经跨入统计可视化范畴，不做展开，提醒一点：Bracken输出的丰度是相对丰度，做差异比较时需要考虑闭合效应，必要时转成绝对丰度或者用ALDEx2这类专门工具。

6. 常见问题排查与经验技巧

6.1 运行过程中的典型报错

把这一年多被问得最多的问题和解决思路整理成一个速查表：

6.2 运行速度的调优思路

Kraken2的运行速度受三个因素影响：CPU线程数、数据库类型、输入文件大小。线程数上来之后速度提升明显，但也不是无限制增长，一般16核以内线性扩展还行，再往上提升就变缓了。磁盘IO也是一个影响点，机械硬盘跑大型数据库时启动阶段会明显偏慢，有条件用SSD能省不少时间。

输入文件建议用压缩格式FASTQ.GZ直接输入，Kraken2支持自动解压，不用手动解压，可以省下大量临时磁盘空间和IO时间。我第一次跑的时候为了保险把数据都解压成了明文的fastq，白白占了三倍磁盘空间，后续发现直接喂压缩文件完全没问题。

6.3 Bracken分类层级选择的细节

Bracken默认支持从域到种多个层级，实际分析中物种水平（-l S）用得最多，属水平（-l G）次之。做物种水平分析时要注意，参考数据库里有些条目标注不完整，比如某些菌株在NCBI的分类学树里只定位到属，这时Bracken无法把reads校正到种，只能归到上一级，结果里就会出现“Genus”和“Species”混着的情况。处理这种结果时，可以把不同分类层级分开看，或者用物种注释工具提供的分类学过滤器过滤过低支持度的分类。

6.4 踩过几次坑之后的几点心得

首先，数据库下载别图快，官方标准库最好下完整包，只用一部分参考序列建库看起来省了时间，实际跑出来的结果覆盖度差很多。其次，跑正式数据前一定先用小规模测试数据验证流程。最后，做好数据库版本记录。同一项目里用不同版本的数据库，结果不一致是一个很尴尬的问题，尤其投稿返修时，审稿人问起物种注释版本，如果拿不出记录，会非常被动。

另外分享一个日常小技巧：写分析流程时把Kraken2和Bracken的命令参数写进配置文件里，用Snakemake或Nextflow管理的话，每个样本的输入输出参数自动记录，这样不仅完整复现方便，出了问题排查日志也快。

Kraken2+Bracken的高效和易用，让物种注释从一个耗时的瓶颈环节变成了分析流程里最顺畅的一步。只要数据库选好、参数配好，从原始数据到物种丰度表，半天就能跑完一轮。实际使用中如果遇到数据库下载或内存不足这类问题，先按上面表格排查，大多数情况下都能解决。后面如果再深入一些，可以把Kraken2的结果和金标准比对工具做交叉验证，或者把注释结果接入功能预测流程，这些都是已经比较成熟的方向了。