企业官网建设流程全解析

最近发在子刊上的三代宏基因组研究越来越常见，但真正让方法学圈子兴奋的，不是"发在哪个刊"这件事，而是论文里反复出现的那个指标——cMAGs。所谓cMAGs，就是环化的宏基因组组装基因组（circular Metagenome-Assembled Genome），意味着一条微生物染色体不需要几十上百条contig拼凑，而是被单条contig完整读通、首尾相接成环。NM这个简称，我一般用它代指以纳米孔长读长测序为核心的宏基因组研究路线（Nanopore Metagenomics）。从二代到三代，从碎片化MAG到闭环cMAGs，这个变化不只是把"草图"升级成"成品"，而是把宏基因组学从"能看见谁、有什么基因"推进到了"能研究一个物种完整的基因组结构"的层面。这篇文章不聊虚的，我把自己从DNA提取、建库、组装、分箱一路做到环化验证的完整实操管线拆开讲，顺便说清楚为什么子刊都在追这个方向。

1. 被短读长憋了十年的"完整性"问题，终于被一根细细的孔捅破了

1.1 短读长MAG的"完整性"到底缺了什么

做宏基因组的人对MAG这个概念都不陌生：把环境样本里的DNA打碎成150bp左右的片段，测序、组装、分箱，最后得到一批代表单个微生物基因组的contig集合。过去十年，二代短读长平台把这条路走得很成熟，CheckM算出来"完整度95%""污染率2%"的MAG听起来很漂亮，但很少有人仔细看一个MAG到底碎成了什么样。

我早年做过一个沼泽沉积物样本，用二代数据拼出来的一个优势菌MAG，基因组大小约3.8Mb，乍看完整度94%，可它实际由400多条contig组成。N50只有12kb，很多contig上只有一个基因，基因顺序完全乱掉。这种MAG做下游功能注释、代谢通路推断勉强能用，但一旦涉及结构分析——比如可移动元件插在哪、CRISPR阵列长什么样、rRNA操纵子有几个拷贝、质粒和染色体的关系——立刻抓瞎。

为什么会碎成这样？根本原因是短读长跨不过重复序列。细菌基因组里有大量重复单元：IS插入序列（1-3kb）、转座酶、rRNA操纵子（约5kb，且在基因组中常有多个拷贝）、前噬菌体区域。当重复序列的长度超过读长本身，短读长组装图在这些地方就变成一团无法分辨的"毛球"——不是数据不够，而是在数学上没法确定重复单元后面接的是哪条独有序列。组装器只能在这里断开，于是MAG碎成了一地contig。

用一个生活化的比喻：把一本书剪成一张张150字的小纸条，再靠纸条之间的重叠文字拼回原文。普通句子都能拼上，但遇到同一段话在书里出现了三次，你就完全不知道哪张纸条接哪张，只能让这段内容保持"有多解"的断开状态。短读长时代的宏基因组组装，天天都在处理这种多解。

1.2 cMAGs一出现，下游玩法立刻不一样了

当一条完整的环状染色体只由一条contig构成时，过去所有"被卡住"的分析方向都松绑了：

• 基因顺序和操纵子结构可以直接读取，不用再靠推测；
• 可移动元件的整合位置、侧翼序列一目了然，水平基因转移证据变得扎实；
• CRISPR系统能拿到完整的前导区和间隔排列，直接做分型和靶标预测；
• 质粒和染色体可以分别闭环，覆盖度差异能帮你区分两者；
• 系统发育分析不再被片段化的标记基因干扰，全基因组层面的共线性、结构变异比较成为可能。

一句话：MAG是"零件盒"，cMAGs才是"整机"。以前你只能根据零件推断机器大概能干什么，现在你直接把整机拆开看线路布局。这个认知层面的升级，才是子刊愿意接连报道三代宏基因组研究的真实原因。

2. 三代测序凭什么能拼出环状基因组：底层逻辑拆解

2.1 读长突破重复序列后，组装图瞬间"清爽"了

三代测序的核心优势只有一个，但这一个就够了：读长。无论是纳米孔单分子测序还是HiFi滚环共识测序，单条read的长度都落在10-50kb这个区间，宏基因组里表现好的样本甚至能拿到N50超过30kb的数据。这个长度刚好超过了绝大多数细菌重复单元的尺寸。

我前面说的rRNA操纵子约5kb，IS元件约1-3kb，只要一条read能同时覆盖"重复单元+两侧各一段独有序列"，组装器就能确定这个重复后面接的是什么。说白了，长读长像一根足够长的绳子，能把两个看着一模一样的绳结分清哪个是哪个，然后绑到一起。长度到位，组装图里那些"毛球"就被拆掉大半，contig自然会越拼越长，直到一条contig直接闭合整条染色体。

对于质粒这种5-150kb的小环状基因组，三代读长就更占便宜了——单条全部或大部覆盖全环，质粒闭环的成功率比染色体还高。这也是我在宏基因组项目里强烈建议开质粒模式的原因之一。

2.2 三代组装器的算法逻辑与二代完全不同

二代组装器（比如主流短读组装器）走的是de Bruijn图：先把reads切成固定长度的k-mer，再用k-mer之间的连接关系建图。这条路对短读有效，但代价是丢失长距离信息。三代组装器则普遍走overlap-layout-consensus路线：先对长reads做两两比对，找到read与read之间的重叠关系，由此构建一个"哪些read来自同一个基因组区域"的重叠图，再顺着图找完整路径。

这里有个关键点：宏基因组的重叠图比单菌基因组复杂得多，因为一个样本里同时有几十上百个物种，不同物种覆盖度差异可以相差两个数量级。普通单菌组装器在处理这种动态范围时会出问题。所以三代组装工具里，我优先推荐metaFlye：它内置了重复图解析算法，能处理不同物种的覆盖度差异；--meta模式就是为宏基因组设计的。HiFi数据则可以考虑hifiasm-meta，它对高精度长读的相位和杂合处理更好。

2.3 误差、纠错与后续策略：纳米孔和HiFi不是一回事

三代不等于单一技术路线。纳米孔读长长、通量高、成本相对友好，但单碱基错误率天然偏高（raw error大约5%-10%），错误类型以插入缺失为主，尤其是homopolymer（连续同聚物）区段；HiFi读长稍短但仍远超二代，准确率达到99.9%，几乎没有homopolymer问题，价格也更高。

这决定了两种路线的操作策略：

• 纯纳米孔方案：靠组装器内部纠错+后期consensus polish（如Medaka、Racon），必要时再补一管二代短读做hybrid polish，专门收拾纳米孔的同聚物错误；
• 纯HiFi方案：组装错误率低，主要成本压力在测序量上；
• 混合方案（我个人的首选）：纳米孔出骨架、拿环状结构，二代短读出SNV和最终抛光。成本介于两者之间，产出质量最稳。

下表是我常用的三路线对比，方便入门的读者快速对号入座：

3. 从样本到闭环基因组：cMAGs完整管线拆解与参数建议

3.1 DNA提取：这一关没过，后面全是白干

三代测序对DNA质量的要求和二代完全不是一个量级。二代打断成150bp，DNA碎点无所谓；三代要读长，就要求提取出来的DNA尽量完整。我在项目里反复叮嘱同组同学：提取环节的优先级是高分子量DNA（HMW）> 纯度 > 产量。

操作上几个要点：

• 用专门的大片段提取试剂盒，避免剧烈涡旋、剧烈离心，全程用宽口枪头或剪口枪头转移；
• 裂解条件温和，蛋白酶K配合温和去垢剂，避免热裂解把DNA切成小段；
• 提取完成后，不要反复冻融，冻融一次长片段损失极其明显；
• 质检别只看OD260/280，更关键的是看片段分布。用脉冲场电泳或微流控毛细管电泳设备跑一下，确认主带在30kb以上再往下走。

实测情况：有一次样本提取DNA的OD值很漂亮，但脉冲场一看，主带只有5kb，建库后整批reads的N50只有4kb。结果就是基因组里稍微长一点的重复区域全部跨不过去，好几个优势菌的染色体就是无法闭环。最后只能重新提DNA、重新建库。所以我的经验是：建库前花一小时看片段分布，胜过测序后花一周跟组装结果较劲。

3.2 建库与测序量：想拿到cMAGs，覆盖深度是硬约束

建库方面，长读测序的主流方案是连接酶法建库，PCR-free，尽量保留原始片段长度。如果是多样本混合，可以加barcode，但要注意barcode信号泄漏的问题，测序量不要压得太极限。

关于测序量，很多人有个误区：觉得宏基因组测个20-30Gb就够组装了。这话对于"拼出主要物种的基因组草图"成立，但对于"拿到尽可能多cMAGs"远远不够。cMAGs对覆盖度有硬要求，尤其是低丰度物种：

• 优势物种：需要50x以上的覆盖深度才有把握完成环化；
• 中等丰度物种：20-30x可以尝试，但末端可能因为覆盖不均闭合不上；
• 低丰度物种（相对丰度<1%）：没有100x级别的深度，基本不要指望闭环。

所以我个人的经验值是：一个复杂度中等的宏基因组样本，长读数据量至少往40-60Gb这个量级去做。如果目标是回收稀有种的完整基因组，可能要80Gb往上。钱要花在刀刃上，这里的刀刃就是深度。

3.3 Basecalling与QC：建库是地基，洗数据是筛子

纳米孔平台的下机数据是原始电流信号，需要先用basecalling模型转换成fastq。现在的超精度模型（sup模型）已经做得相当好，转换质量和读长保留都优于早期方案。如果有barcode，basecalling阶段可以顺手做demultiplex。

拿到fastq之后，我通常会过一遍这样的QC流程：

• 用NanoPlot看产量、读长分布、平均质量，确认和预期一致；
• 用chopper按长度和质量过滤：长度小于500bp-1kb的reads对组装贡献极低，而且错误率偏高，建议直接丢；平均质量低于Q10的reads也要慎重；
• 如果用的是老建库方案，可能还需要porechop去接头，但新版本basecaller一般已经内嵌了接头识别和去除，这一步可以省。

洗数据这个环节看着不起眼，但对后续组装质量影响很大。垃圾reads进组装器，不仅浪费计算资源，还会制造错误overlap，把本来简单清晰的组装图搅浑。宁可滤得狠一点，也别把低质量数据喂进去。

3.4 组装：主推metaFlye，附带参数与命令参考

过滤好的reads进入组装环节。宏基因组长读组装，我最常用的工具是metaFlye，纳米孔raw reads和HiFi reads都支持。它的优点前面说过，主要是处理异质性覆盖度和重复图的思路比较成熟。

常用的命令长这样（路径和线程按实际情况改）：

flye --meta --pacbio-raw filtered_reads.fastq \ --out-dir flye_output --threads 32 \ --plasmids --genome-size 20m

几个参数的解释：

• --meta：启用宏基因组模式，对覆盖度动态范围大的数据更友好；
• --pacbio-raw：告诉组装器输入的是纳米孔raw reads；如果用的是HiFi数据，改成--pacbio-hifi；
• --plasmids：开启质粒识别模式，会把小的环状元件也尝试组装出来；如果你关心耐药质粒、接合质粒，这个开关必开；
• --genome-size：给一个宏基因组总大小的粗估，帮助组装器内部设定k-mer参数；估不准问题不大，差两倍以内都还行。

组装完成后，第一时间去看输出目录里的assembly_info.txt，这个文件里标注了每条contig的长度、覆盖度和是否环形（circular=Y/N）。一条干净的cMAGs，这条contig的覆盖度应该比较均匀，而且circular标记为Y。同时用Bandage把组装图可视化看一下，环状结构在图上是很明显的平滑闭环。

3.5 分箱：把"一堆contig"变回"一个基因组"

组装会把所有物种的序列混在一起，下一步是分箱（binning），把这些contig按物种归属聚成bin。这是宏基因组特有的步骤，也是cMAGs管线里最容易出问题的环节之一。

三代数据的分箱和二代不太一样：三代组装出的contig很长，单条contig往往就是一个物种的一段大块基因组，所以分箱难度其实比二代小。但我遇到过三种比较麻烦的情况：

• 没有同源短读数据时，传统基于丰度谱的分箱工具（如MetaBAT2、CONCOCT）不太好使，因为丰度谱本质上需要多个样本或短读比对信号；
• 单样本三代数据分箱，有两个思路：一是用长reads比对回长contig，用长读覆盖度和组成特征做分箱，代表性工具如SemiBin2；二是利用组装图的连通性做分箱，如基于图拓扑的方法；
• 如果同一个样本里同时做了二代短读，最稳妥的做法是把短读比对到长contig上，得到每个contig的覆盖度向量，再用MetaBAT2或SemiBin2分箱。这也解释了为什么我推荐混合建库。

分箱之后别忘了做一件事：把circular标记的contig单独抽出来，和bin内的其他contig分开处理。一个bin里很可能同时包含染色体环和质粒环，质粒通常覆盖度明显高于染色体，围绕质粒自身生物学展开的分析需要单独提取。直接从bin里把所有contig一股脑倒进下游，会把质粒和染色体混在一起，后面的质粒功能推断就全乱了。

4. 让contig真的"首尾相接"：环化验证、纠错与人工干预细节

4.1 "circular"标记不等于真闭环，三条证据缺一不可

组装器的circular=Y标注是我最不想无脑信任的东西。它来自组装图自身的路径判断，多数情况下正确，但假阳性和假阴性我都碰到过。验证一条候选cMAGs是否真正闭环，我一般收集三组证据：

第一，重叠末端。环状基因组在组装时，首尾序列应当存在一段重叠区，通常是几百bp到几kb。把contig自己首尾比对，如果两侧重叠区能够对齐，环化就在序列层面成立了。这个可以用blasr/minimap2快速做。

第二，覆盖度均匀性。把原始reads比对回环状contig，检查每个窗口的覆盖深度。真环的覆盖度在全长范围内应该比较均匀，不会出现大面积断崖。如果在某个位置突然掉到接近零，大概率这条contig被错误连成了环，实际是两段不同区域的拼接。

第三，GC skew翻转。细菌基因组的复制起点（oriC）和复制终止区附近，GC skew（G与C在正负链上的不对称分布）会出现特征性翻转。如果一条环形contig上能观察到这个翻转点，说明它确实是在按复制叉的逻辑组织基因组，这比任何软件标记都硬核。

4.2 纠错抛光：到底该怎么安排先后顺序

组装完的cMAGs不是终点，错误还在里面。纳米孔raw数据组装出来的序列，homopolymer区域和个别碱基的indel错误仍然存在，如果直接拿去做基因预测，一个移码突变就能把一个CDS劈成两半。

我的标准抛光顺序是：

1. 先用Medaka做基于纳米孔reads的consensus纠正，这一步能把绝大部分随机错误去掉；
2. 如果同源短读存在，再用Polypolish或NextPolish做短读抛光，专门修掉Medaka遗漏的问题；
3. 如果某些区域反复抛光都修不好（常见于高GC区和串联重复区），再考虑要不要用HiFi数据辅助，或者干脆在论文里如实报告这部分为不确定区域。

这里要提醒一点：抛光不等于组装，不要抛光之后又拿抛光后的序列去重新比对组装，那样会把结构搞乱。抛光是在固定组装骨架的前提下修碱基，结构不止不能动，也不该动。

4.3 环没闭合时，先从这三个方向找原因

打开Bandage看到一条本该是环的路径却挂在组装图边上，或者circular标记始终不出现，我的排查思路按优先级排列：

• 末端落在重复区域：最常见。基因组结尾是一个rRNA操纵子或者IS元件，读长虽然能到20kb，但重复两侧的独有序列太短，组装器分不清靠哪一侧闭合。对策是增加测序深度，尤其是专门针对该区域的reads；
• 高GC区覆盖不足：纳米孔测序对高GC区域存在一定的reads丢失或偏差，导致该区域覆盖度低，组装器断在这里。对策还是加测深度，或者换文库制备策略提高高GC区覆盖；
• 近缘菌株混杂：样本里有两个序列相似度超过99%的菌株，组装器会把它们的序列混在一起形成"泡"，环就可能被拉成线。这一步没法靠软件简单解决，要么提高测序精度做strain分离，要么接受现阶段只能拿到"近线性的基因组种群代表"。

我的建议是：不要为了凑cMAGs数量去手工拼接组装图。手工拼接出来的"环"十有八九是嵌合体，下游全部结论都得打问号。数据量不够就补数据，比什么都强。

5. 拿到cMAGs之后：质量评估、去冗余和物种注释的基本盘

5.1 用哪套质控标准评估一条cMAGs

cMAGs的质量评估和普通MAG不完全一样。普通MAG看两个核心指标——完整度（completeness）和污染率（contamination），常用工具是CheckM或CheckM2，也可以用BUSCO按谱系标记基因集评估。对cMAGs来说，除了这两个指标，还应该加上"单contig+环状"的结构约束。

我个人建议的筛选阈值：

特别说一下GUNC这个嵌合检测工具。它把一条序列拆成多个窗口，分别鉴定系统发育来源，如果不同窗口给出的分类学层级差异很大，说明这条"环"其实是两个物种的序列被错误拼在一起。宏基因组组装里，嵌合体是最隐蔽的坑，完整度和污染率都正常不代表它不是嵌合。cMAGs论文被审稿人打回来，最常见的问题之一就是嵌合检测缺失。

5.2 去冗余：多条cMAGs可能是同一个物种

如果项目包含多个样本，去冗余这一步不能省。不同样本里回收的cMAGs，可能是同一个菌株在不同样本里的拷贝。用dRep或skani做全基因组ANI比较，通常按99% ANI阈值聚簇，每个簇里保留完整度最高、污染率最低的代表基因组。这个步骤做掉之后，下游比较基因组学才不会出现"同一个菌株被算了两次"的统计偏差。

5.3 物种注释：从"识别"到"新物种判定"

物种注释我用GTDB-Tk，基于120个单拷贝标记基因把基因组放到标准分类框架里。判定新物种的通用标准是和最近参考基因组的ANI低于95%；如果是更高层级的候选新纲、新门，还要结合系统发育树中该谱系的位置和分支支持度。

对宏基因组尤其重要的一点：GTDB框架里大量参考基因组本身就是MAG甚至cMAGs，所以"未培养微生物"并不是问题，反而可能是亮点。拿到一个在现有参考库里没有近缘的新谱系，配合完整的环状基因组，这就是子刊喜欢的材料。

6. 为什么是"NM趋势"：从论文选题逻辑反推技术价值

6.1 子刊看中的不是"长读长"，而是"完整基因组带来的新生物学"

把子刊上的三代宏基因组论文拉出来看，会发现它们的叙事逻辑出奇一致：先用大规模长读测序回收一批cMAGs，然后围绕完整基因组的结构特征深挖生物学问题——新型CRISPR-Cas系统的发现、未培养谱系的代谢潜能推演、质粒介导耐药基因的环境传播机制。

这个逻辑在短读时代根本走不通。短读MAG碎成几百条contig时，你说"这个基因组里有一个新的抗菌肽基因簇"，审稿人第一反应是：基因簇完整吗？两侧是什么？有没有可能是组装错误？而cMAGs把结构完整性问题基本消解掉了，于是研究重心可以名正言顺地转向生物学解释。这就是"NM趋势"的内核：不是技术本身多炫，而是技术让下游问题能问得更深。

6.2 规模效应：单个项目回收成百上千个cMAGs

早几年做三代宏基因组还偏"探索性"，因为成本高、通量低。现在长读测序平台的产出上来了，一个项目回收几百个cMAGs不再是罕见事。规模一上来，统计学检验、共现网络、生态位分化这些生态学分析就有了足够的样本量。子刊偏好的是"大而深"：采样规模大、回收质量深、新谱系数量多，再配上生物学故事，cMAGs正好把这三条全占了。

6.3 三类最容易出成果的场景

从方法学角度，我观察到目前三代宏基因组cMAGs最容易被审稿人买账的场景有三类：

• 微生物暗物质：从极端环境（深海沉积物、热泉、土壤）或特殊宿主环境中回收候选门/纲级别的全新谱系，完整环状基因组让系统发育位置更可靠；
• 结构生物学相关：完整的CRISPR阵列、前噬菌体、整合性接合元件，这些可移动遗传元件需要精确的插入位置和侧翼序列，只有闭环基因组才能提供；
• 质粒与耐药：质粒的闭环组装让"哪个基因在哪个质粒上、质粒在菌群中怎么传播"这种问题有了直接证据。

6.4 现实困难别忽视

当然，NM趋势不是万能药。高复杂度土壤样本的组装图可能依然一塌糊涂；高宿主污染样本即使测再多，目标微生物的reads占比也就那么点；近缘菌株混杂的问题在任何读长下都存在。所以我看子刊论文里的cMAGs数据时，通常会先留意他们用了什么样本类型、回收率多少、嵌合率多少，这几项比cMAGs总数更能说明方法学的真实水平。

7. 踩坑清单：我做三代宏基因组遇到的高频问题与应对

7.1 建库前DNA质量决定上限，千万别赌运气

再强调一次：DNA片段分布是三代宏基因组的第一道生死线。我见过OD值合格但脉冲场电泳显示DNA已经降解成短片段的情况，也见过同一个样本两次提取质量天差地别的情况。建议每次提取都留一管做片段质检，数据不好时可以快速定位是提取、建库还是测序环节的问题。

7.2 宿主污染严重稀释目标reads

临床样本或宿主相关样本，宿主DNA占比可能达到80%以上，测出来的reads大半是浪费。应对方式是在提取后做宿主DNA去除，或者在分析流程里用kraken2这类分类工具先标定并过滤宿主来源reads。但注意控制过滤的严苛程度：过滤太狠，低丰度目标物种会被误伤。我的做法是先看分类结果里物种丰度分布，再决定过滤阈值，不盲目一刀切。

7.3 计算资源估算：别让服务器先崩溃

metaFlye在宏基因组60Gb数据上的内存消耗可能达到256GB-512GB，运行时间12-48小时不等。我踩过的坑是把多个高复杂度样本直接合并成一个组装，结果组装图爆炸，内存直接顶满，跑了两天还没出来，最后只能杀掉重新按样本分开组装。除非你的生物学问题明确需要做跨样本的菌株分型对比，否则逐样本独立组装是更稳的选择。

7.4 分箱里的质粒和染色体要分开对待

分箱之后看到bin里的circular contig，别急着当成完整的菌株基因组。质粒覆盖度通常比染色体高几倍到几十倍，如果混在bin里一起分析，基因剂量和覆盖度信号都会失真。把染色体环和质粒环拆开后分别做注释和定量，很多有趣的生物学发现（比如某耐药基因只在质粒上）才会浮现出来。

7.5 homopolymer错误会让基因预测"移码"，从而产生假基因

纳米孔数据的homopolymer错误是编码区预测的头号杀手。一个poly-A区域多一个A或少一个A，就能让CDS中途出现终止密码子。常见解决办法是短读抛光或HiFi辅助，但即使抛光过，个别区域仍可能修不干净。我的建议是：基因预测时留意"预测出的假基因比例"，如果比例超过正常值，说明抛光质量没到位，先别急着做下游功能注释。

7.6 不是所有基因组都必须闭环

最后一条心得可能有点反直觉：cMAGs是目标，但不是唯一目标。有些基因组含有大量长串联重复，或者样本中近缘菌株差异太小，环化就是做不成。这时候如果它的完整度有95%以上、单条线性contig，也完全值得纳入分析。发论文时如实报告哪些是闭环、哪些是近闭环，比硬凑cMAGs数量要诚实得多，审稿人也更买账。

最后说点个人体会

跑完这么多三代宏基因组项目，我最大的体会是：长读长解决的是"能不能拼通"的问题，而真正决定项目成色的还是生物学问题本身。一个设计得好的问题，配合40-60Gb纳米孔数据和一管二代短读，能拿出的成果远比单纯堆cMAGs数量要好看。另外分享一个小习惯：拿到一批cMAGs候选后，我会先用十分钟把所有候选的覆盖度图和GC skew图画出来扫一眼，这个简单的步骤能筛掉一大半假环，省下的时间和后面跟审稿人解释的时间完全不成比例。希望这篇拆解能帮你在自己的样本上少走几步弯路。