宏基因组Binning到MAG优化：从分箱原理到DAS Tool与CheckM实战指南

每次做宏基因组分析，身边总有朋友问我同一句话："跑完Kraken2和Bracken，物种注释都有了，是不是就完事了？"我一般会反问一句："你是不是一个MAG都没提出来？"这个反应不是凡尔赛，而是基因组分辨率的宏基因组分析（Genome-resolved Metagenomics）里，Binning到MAG优化这一步才是真正的分水岭。没做Binning，你只能回答"这个样本里有什么物种"；做了Binning，你才能回答"这群微生物的基因组长什么样、它们各自能干什么"。

这篇指南写给那些已经能跑通序列质控和组装、但对Binning环节一知半解的同学。我会从Binning的信号原理讲到多工具分箱，再到DAS Tool整合优化、CheckM评估去冗余，最后把实测中容易翻车的坑一次性说清楚。内容比较长，但每一步都是为了让你少走弯路。

1. 开工前先想清楚：Binning靠什么信号把contig归类

很多教程一上来就甩命令，这其实很坑。如果你不理解Binning背后的逻辑，参数调起来就是瞎试。Binning的本质是个无监督聚类问题：把一条条组装出来的contig，根据某些特征分到不同的"组"里，每个组代表一个推测的微生物基因组。这里核心的特征信号有两个：四核苷酸频率和覆盖度。

1.1 四核苷酸频率（TNF）：基因组里的"笔迹"

简单说，四核苷酸频率就是统计每条contig上每4个碱基组合（比如ACGT、AAGT、TGCG，理论上共256种）出现的频率。同一个物种基因组的不同片段，4-mer组成是显著相关且相对稳定的，因为这与该物种的DNA复制机制、密码子偏好、限制修饰系统甚至生态位适应都有关。不同物种之间，这个"笔迹"差异通常很大。

你可以把它理解成笔迹鉴定：每个人的书写习惯不同，但同一个人写出来的字有稳定的笔画特征。Binning工具分析contig时，就是把每条contig的"4-mer笔迹"算出来，然后寻找笔迹最接近的contig聚集在一起。GC含量本质上是一种非常粗略的0-mer/1-mer特征，所以早期的Binning也常拿GC含量做参考，但4-mer谱图的信息量比GC高得多，是现在几乎所有Binning工具的基础。

1.2 覆盖度与共丰度：样本内的相对定量线索

光靠4-mer谱往往不够，原因是样本里可能存在GC含量和TNF谱都很接近的近缘物种，或者同一个物种内部的异质性片段。这时候需要第二个信号：覆盖度，也就是测序深度。

如果你自己组装过宏基因组，应该记得BAM文件里每条contig的覆盖度其实反映了该基因组在样本中的丰度。当你有多个样本（比如不同时间点、不同处理组）时，每个基因组在不同样本里的丰度变化模式是独特的。同一基因组的contig，覆盖度变化曲线应该一致；不同基因组的contig，变化模式则不同。这就是共丰度（co-abundance）信号。

我的经验是，多样本共丰度信息对Binning的帮助是决定性的。单样本Binning很多时候MAG质量很挣扎，但当你把10个、20个样本一起做差异覆盖度分析后，原本分不出来的基因组往往能干净地分出来。

1.3 单信号局限与多信号融合的直觉

如果只用4-mer谱，近缘物种的contig会混在一起；如果只用覆盖度，两个丰度相似且共变化的基因组会被糅成一坨。所以几乎所有主流Binning工具都是在多信号融合这个框架里做文章：MetaBAT2用四核苷酸频率加方差覆盖度建立多维概率模型；MaxBin2用EM算法同时估计每个contig属于某个基因组的概率；CONCOCT用高斯混合模型模拟所有信号的高维分布；深度学习工具则直接把序列和覆盖度特征喂给编码器训练样本表征。

理解了这个，你就明白为什么跑Binning之前，比对产生的BAM文件和深度文件是必需品——它们不是为了看一眼"这条contig有多少覆盖度"这么简单，而是Binning算法区分不同基因组的核心信息源。

2. 组装环节的取舍：为什么contig质量直接决定MAG上限

如果说Binning是"分拣包裹"，那组装就是把一堆被撕碎的文档重新拼成一张张整页纸。包裹分得再好，如果纸上本身就缺行少段、内容错误，后面的基因组重建一定受限。我在实际项目中观察到，绝大多数MAG质量问题的根源不在Binning，而在组装。

2.1 组装与Binning的耦合关系

Binning工具的输入是组装得到的contig集合。如果contig太短（比如低于1000bp），特征信号统计不稳定，聚类噪声很大；如果contig有嵌合体（chimeric，即来自两个物种的片段被错误拼在一起），Binning就会非常痛苦——这条contig的两个片段会被分到不同的bin里去。更麻烦的是，如果测序错误率高，4-mer谱的计算本身就带偏了。总之一句话：垃圾进去，垃圾出来。

另外，很多Binning工具对输入的contig数量有隐式上限。MetaBAT2官方的建议是先用一个阈值过滤掉过短contig，不然几十万条contig堆进去，聚类算法很难收敛，运行时间和内存也会失控。

2.2 推荐组装流程与参数

我现在的标准流程是：原始数据先用fastp做质控，去掉低质量碱基和接头：

fastp -i R1.fq.gz -I R2.fq.gz -o clean_R1.fq.gz -O clean_R2.fq.gz --detect_adapter_for_pe

质控后，我会根据项目需求在metaSPAdes和MEGAHIT之间做选择。MEGAHIT速度极快、内存友好，适合大批量样本的预筛选：

megahit -1 clean_R1.fq.gz -2 clean_R2.fq.gz -o megahit_out -t 16 --out-prefix sample

但如果你追求MAG质量，并且样本复杂度适中、服务器内存充足（256GB以上），我更推荐SPAdes的meta模式：

spades.py --meta -1 clean_R1.fq.gz -2 clean_R2.fq.gz -o spades_out -t 16 -m 250

metaSPAdes的k-mer迭代策略更长，对重复区域的拼接能力更强，得到的contig普遍更长、更完整，Binning的输入质量会好很多。MEGAHIT的结果测一测N50往往看起来也没差太多，但嵌合体率和末端错拼率通常更高，这会直接拖累下游Binning。如果数据量很大，我的折中方案是先用MEGAHIT快速组装，挑出短读比对率高的样本，再对这些样本做metaSPAdes精细组装。

2.3 为Binning保留的"中间产物"

组装完成后，很多人只关心N50和组装总长，随手就把比对文件删了。这是个非常常见的错误。你需要用质控后的reads重新比对到contig上，生成的BAM文件是后续所有Binning工具深度信息的基础：

bowtie2-build contigs.fa contigs.index bowtie2 -x contigs.index -1 clean_R1.fq.gz -2 clean_R2.fq.gz --threads 16 --no-unal | samtools sort -o mapped.sorted.bam

如果是多个样本，每个样本单独生成BAM文件，后续合并到一起提取共丰度信号。我见过不少项目换了服务器、清理了中间文件，结果做Binning时发现BAM没了，不得不花一晚上重新比对，纯属可避免的时间损失。

3. 主流分箱工具的脾气：MetaBAT2、MaxBin2、CONCOCT如何取舍

市面上的Binning工具非常多，但绝大多数实战流程里跑的还是那几位：MetaBAT2、MaxBin2、CONCOCT，以及最近一两年越来越常见的深度学习分箱器VAMB和SemiBin。它们的原理不同，适用场景也各有侧重。

3.1 MetaBAT2：默认首选与关键参数

MetaBAT2是我几乎每个项目都会跑的基准工具。它基于四核苷酸频率和覆盖度建立多维概率模型，然后用图聚类的方式迭代划分基因组。实测来看速度很快，内存占用适中，对常见肠道、土壤、水体样本都有不错的稳健性。

常用命令：

jgi_summarize_bam_contig_depths --outputDepth depth.txt *.bam metabat2 -i contigs.fa -a depth.txt -o bin_dir/bin -m 1500 --maxP 95 --minCV 1 --minCVSum 3

这里面最值得调的是-m，也就是minContig，默认值是2500，但很多人不知道这个参数应该根据组装质量调整。如果你的contig整体较长，建议设到2000~2500；如果组装结果一般，1500能保留更多短contig信息。短的contig信息量少但可能携带真实的基因组片段，这里需要权衡。--maxP 95是控制聚类的敏感度，概率阈值越高，分箱越严格，bin越纯，但召回率会下降。

3.2 MaxBin2：低丰度灵敏度的代价

MaxBin2采用EM迭代算法，对低丰度、低覆盖度物种的找回能力比MetaBAT2要好。它的输入需要单独的丰度文件（两列：contig名和覆盖度），从MetaBAT2生成的depth.txt里提取即可：

cut -f1,3 depth.txt > depth_maxbin.txt run_MaxBin.pl -contig contigs.fa -abund depth_maxbin.txt -out maxbin_out

MaxBin2的问题是慢。它在每个迭代步里都要重新估算所有contig的归属概率，样本复杂度很高时可能要跑上一两天。另外它对contig数量的容忍度也不高，如果组装出来几十万条contig，建议先用1500bp或2000bp的阈值过滤一下再喂给它。

3.3 CONCOCT：高斯混合模型的取舍

CONCOCT是较早引入多元高斯混合模型做聚类的工具，它的特点是能从高维特征里捕捉更复杂的非线性划分边界。运行前需要把contig切成固定长度片段（通常10kb），做法是：

cut_up_fasta.py contigs.fa -c 10000 -o 0 --merge_last -b contigs_10k.bed > contigs_10k.fa concoct --composition_file contigs_10k.fa --coverage_file coverage.tsv -b concoct_output/

注意这里的coverage.tsv是tab分隔的片段覆盖度表。CONCOCT聚类完成后，还需要把10kb片段的bin归属映射回原始contig。这一步麻烦，但CONCOCT在复杂群落里有时能找回MetaBAT2丢失的基因组。缺点是它非常吃内存，协方差矩阵在高维特征下膨胀很快，大样本量容易OOM，我一般只在样本复杂度确实很高时才加跑CONCOCT。

3.4 深度学习分箱器：VAMB与SemiBin的新选择

VAMB使用变分自编码器把contig的k-mer特征和覆盖度特征压缩成隐向量再聚类，非常适合大批量样本的共分箱，我跑过几百个样本的队列，效率比传统工具高不少。SemiBin则引入了对比学习，在单个样本上也表现很好，还自带环境类型预训练模型，对跨数据集泛化能力更强。

这类工具的共性是：稳定性好、对参数不敏感，但对输入格式要求严格，且官方文档更新快。如果你不是特别熟悉Python环境和PyTorch生态，建议先用传统三件套建立基线，再加入深度工具作为增强项。

3.5 为什么要多工具联跑而不是只跑一个

很多新手问：不是跑一个工具就够了吗？事实上每个工具对丰度分布和基因组复杂度的盲区不一样。MetaBAT2干净但偶尔漏，MaxBin2灵敏度高但偶尔把相似基因组混在一起，CONCOCT能把边界分得很细但噪音也多。把几个结果同时丢给整合工具去打分，比只依赖任何一个单一结果都要稳。

我通常的策略是：MetaBAT2必跑，MaxBin2必跑，样本复杂度高时加CONCOCT，数据量大时加VAMB，然后统一交给DAS Tool整合。

4. 整合优化阶段：DAS Tool如何把多个分箱结果合并成更干净的MAG

多工具分箱只是第一步，真正的MAG优化在整合阶段。很多教程把DAS Tool说成"合并工具"，这其实低估了它的作用——它不是在几个分箱结果里做投票，而是通过单拷贝基因评估每个bin的质量，用贪心策略逐个释放最优基因组，再重新分配剩余contig。

4.1 为什么取交集/取并集都不可行

我见过有人图省事，把两个工具的结果取个交集，或者反过来取并集。取交集的结果是每个bin里剩下的contig确实很"共识"，但低丰度基因组本来召回就难，你一交集，仅被MaxBin2找回的那部分真实contig全被扔了，MAG完整性普遍惨不忍睹。取并集更糟，两个工具都识别出的bin内部混入了大量近缘重复片段，污染度直线飙升，最后评估时你会发现很多bin完整性过了90%、污染度也过了20%，这种bin在后续生物学分析里根本没法用。

合理做法是让工具之间互相补充：一个工具漏掉的contig，另一个工具可能已经正确分配了。前提是整合逻辑足够聪明，能判断哪些contig归属是可信的。

4.2 DAS Tool的核心打分逻辑

DAS Tool用的是单拷贝基因（SCG）的富集程度来判断一个bin是不是"像基因组"。它会从每个输入bin里比对一套保守的单拷贝标记基因集，然后计算完整度（有多少标记基因出现）和污染度（有多少标记基因出现两份以上）。基于这两个指标，DAS Tool给每个bin算出一个score，再按照score从高到低贪心输出：每次输出一个高分的bin，这个bin里的contig被标记为"已使用"，之后其他bin再想用这些contig就必须放弃，从而避免了同一个contig被反复分配到多个MAG里的冗余问题。

这个设计的精妙之处在于，它不是简单地把多个分箱结果揉在一起，而是在所有候选bin里"挑选最优表达"，之后还能把未被任何好bin使用的孤立contig重新挂到最近的基因组上做回收。实际操作中DAS Tool对输入结果的质量挑剔程度很高，如果某个工具的结果太差（比如一堆bin的污染度全超标），它可能会直接忽略这些bin。

4.3 一个完整的整合运行示例

把MetaBAT2、MaxBin2、CONCOCT的输出整理成三个目录，然后运行：

DAS_Tool -i sample_metabat2_bins/,sample_maxbin_bins/,sample_concoct_bins/ \ -l metabat2,maxbin2,concoct \ -c contigs.fa -o dasout \ --score_threshold 0.5 --threads 16

这里的--score_threshold控制输出bin的最低分数。0.5是我经验里的安全默认值，如果追求更多候选bin可以降到0.3，但下游还需要人工筛选。另外一个更友好的选择是MetaWRAP的bin_refinement模块，它封装了DAS Tool和CheckM，还自动生成可视化报告：

metawrap bin_refinement -o refine -t 16 \ -A sample_metabat2_bins -B sample_maxbin_bins -C sample_concoct_bins \ -c 70 -x 10

-c 70 -x 10表示筛选完整度不低于70%、污染度不高于10%的bin，比较适合中等质量MAG的标准。如果想保留更多低完整度bin，可以把-c降到50。

4.4 整合输出的检查与后续

DAS Tool跑完后，我建议不要直接宣布完工。先用可视化工具（比如Anvio的interactive界面或者gggenomes）看一眼bin的GC含量、覆盖度分布，确认每个bin里的contig确实来自同一个基因组。如果发现某个bin内部GC差异超过5%~8%，或者覆盖度分布非常分散，多半是整合时把近缘物种的片段收进来了，需要剔除异常contig或调高score阈值重跑。

5. CheckM评估与MIMAG标准：完整性、污染度到底在算什么

拿到一堆候选MAG，下一步是知道每个MAG的质量如何。2024年之前CheckM几乎是唯一选择，现在CheckM2也流行起来，但DAS Tool和MetaWRAP等整合工具的内置评估仍然基于CheckM标记基因逻辑，理解它仍然很有必要。

5.1 CheckM两种运行方式

CheckM的核心运行方式是lineage_wf，它先自动推断每个bin所属的谱系，再用对应谱系的标记基因集来评估：

checkm lineage_wf -x fa -t 16 --tab_table -f checkm_output.tsv bins_dir/ checkm_results/

如果面对大量MAG，可以先跑checkm taxonomy_wf指定一个分类学层级，速度更快，但在准确度上略逊于lineage_wf。实际项目中我一般直接用lineage_wf，虽然它会额外花时间做谱系推断，但结果更可信。

5.2 完整性与污染度是怎么算出来的

CheckM的核心假设是：一个完整细菌/古菌基因组里，存在一套高度保守的单拷贝标记基因（比如一些核糖体蛋白、信息处理相关蛋白）。如果一个bin里这些标记基因大部分都出现了，说明它覆盖了基因组的大部分区域，这就是完整性；如果某个标记基因出现了多拷贝，说明bin里混入了另一个近缘基因组的序列，这就是污染。

这套逻辑的关键好处在于，它不依赖bin总长度或GC含量。总长度长不代表质量好——一个bin可以把两个相近物种的序列全包进去，长度虚高；GC含量也只是平均值，掩盖内部异质性。所以判断MAG质量，标记基因法比"看长度"可靠得多。

5.3 MIMAG质量标准的内容

MIMAG是微生物组领域广泛接受的最低信息标准。我建议每个做宏基因组组装的实验室都把这张表贴在工位旁边：

注意"高质量MAG"的rRNA和tRNA条件经常被忽略。很多人CheckM跑出来完整性95%、污染度2%，就说自己拿到了高质量MAG——严格来说，没有确认rRNA和tRNA就是不符合MIMAG高质量标准的。我一般用Barmap或自己写脚本统计tRNA，确定无误后才敢把"高质量"三个字写进论文。

5.4 低完整度bin的实用策略

完整性在30%~50%的bin并不意味着没有价值。它们可能是稀有物种，组装的覆盖度本来就不高，导致部分区域是gap。我的处理策略是分类保存：完整度大于80%、污染度小于5%的进"核心集"，用于全基因组比对和ANI聚类；完整度50%~80%的进"辅助集"，用于代谢通路注释和丰度趋势分析，但不会拿去做SNP级别的进化推断；低于50%的除非有明显生态学价值的标记基因信号，否则不进下游。

6. 跨样本去冗余：dRep聚类濒危与最终MAG集合的构建

如果你的项目包含多个样本，去冗余这一步绝不能跳。多批次样本里同一物种可能被重新组装出多个高度相似的MAG，直接合并分析会导致丰度估计重复计算，分类学注释也会出现同一物种拆成多个OTU式的问题。解决这个问题的标准工具是dRep。

6.1 为什么要做去冗余

举个具体的例子：你从20个肠道样本里分别组装出了50个MAG，其中"菌株A"在几乎每个样本里都出现，但每个样本里的MAG在SNP层面存在差异。如果不去冗余，最终的MAG集合里会有20个高度相似的"菌株A"变体，后续分析里它们的基因注释结果几乎相同，却会让整个数据集的样本量翻倍混乱。去冗余的目的就是按一定相似度阈值，把这些高度相关的基因组合并为一条代表性MAG。

6.2 dRep的两阶段聚类：Mash粗筛与ANIm精算

dRep聪明的地方在于它用两阶段策略解决了一个计算难题：如果对所有MAG两两计算平均核苷酸一致性（ANI），计算量是O(n^2)，几百个MAG还能跑，几千个MAG就直接崩溃了。所以dRep先用Mash做快速全基因组指纹粗筛，把所有MAG按0.9左右的相似度圈出候选簇，然后再只对候选簇内部做精确的ANI计算（通常用ANIm，即基于MUMmer比对的方法）。这样既保证了精度，又大幅压缩了计算时间。

6.3 dRep参数建议与命令

我跑dRep的常用命令：

dRep dereplicate drep_out -g mags/*.fa -p 16 -sa 0.95 -nc 0.3 -pa 0.9

-sa 0.95是关键的物种级聚类阈值，表示ANI大于95%且比对覆盖度达到条件的MAG会被归为一组。-nc 0.3是Mash粗筛时允许30%的基因组不被匹配，-pa 0.9表示主要ANI的覆盖度阈值。如果只关心近似种水平的划分，0.95够用；如果想做菌株水平区分，得把阈值提高到0.99甚至更高，但这需要更高质量、更完全的MAG。

6.4 聚类后检查与GTDB-Tk注释

dRep跑完后会输出每个簇的代表基因组，我一般用GTDB-Tk给最终集合做一次分类学注释：

gtdbtk classify_wf -x fa --genome_dir drep_out/dereplicated_genomes/ -out_dir gtdbtk_out --cpus 16

GTDB-Tk的物种注释基于基因组系统发育，比16S或Kraken2的短读注释可靠得多，尤其适合MAG没有完整rRNA的情况。注释完成后你会发现，有些之前binning阶段以为不同的MAG，其实是同一个物种在不同样本里的变体，这就说明dRep的去冗余做对了。

7. 跑全流程时我踩过的坑与最终推荐路径

最后这部分，我把这几年被项目反复教育过的问题集中列一下。它们大多不写在官方文档里，但每一项都真实拖慢过我的项目进度。

7.1 深度文件的计算方法不对，bin质量会明显下降

这是最隐蔽的坑。MetaBAT2的jgi_summarize_bam_contig_depths默认会计算每个contig的mean、variance和length等统计量，但如果你手动把BAM转成覆盖度文件，一定要确认覆盖度是如何计算的——是按比对碱基数除以contig长度，还是按比对reads数估算？两者结果差异很大。我的经验是：BCFtools的depth、bedtools的coverage、samtools的idxstats算出来的数值口径都不完全一样，最好专门用jgi_summarize_bam_contig_depths生成深度文件，避免给后续工具喂"非标"深度。

7.2 低丰度物种的召回困难与minContig的权衡

很多生态学项目里，你最关心的恰恰是稀有物种的MAG，但稀有物种覆盖度低、contig碎片化，Binning工具普遍视而不见。MetaBAT2的-m降下来能召回一些稀有物种contig，但代价是普通物种的bin里混入更多短噪音片段。我的对策是：同一个样本分别用-m 1500和-m 2500跑两次，跑完后用DAS Tool整合时把两次结果当作两个独立输入。这样既保住了高丰度基因组的干净，又尽量捞回了低丰度信号。

7.3 近缘基因组干扰与多批次样本的批次效应

物种复合体（比如同一个样本里存在两个ANI在96%左右的近缘菌株）是Binning的最大挑战。它们的TNF谱几乎相同，共丰度模式也高度相似，绝大多数Binning工具会把它们揉成一个bin。这种情况通常只能靠更高的序列分辨率来解——比如ONT长读长数据，或者先用Hi-C数据做辅助分箱。多批次样本还会引入批次效应：不同测序批次、不同文库制备方法会导致覆盖度背景不均一，我建议在比对步骤对每个样本单独做reads重比对，避免深度文件里混入跨样本的系统误差。

7.4 我当前最推荐的端到端命令路径

把上面所有内容压缩成一条可复现的路径，我现在的标准做法是：

1. 质控：fastp
2. 组装：metaSPAdes（内存允许时），MEGAHIT做备份
3. 比对：bowtie2 + samtools sort，产出每个样本的BAM
4. 深度：jgi_summarize_bam_contig_depths生成合并深度文件
5. 分箱：MetaBAT2（两个minContig档位）+ MaxBin2，高复杂度样本加CONCOCT或VAMB
6. 整合：DAS Tool或MetaWRAP bin_refinement，筛完整度>=50%、污染度<=10%
7. 评估：CheckM lineage_wf生成质量表，补充rRNA/tRNA检查
8. 去冗余：dRep以ANI=0.95聚类
9. 注释：GTDB-Tk + EGGNOG-mapper或Prokka做功能注释

这套流程跑熟之后，一批中等规模宏基因组样本（比如10个样本）大概两到三天能出全套MAG集合，大部分时间其实耗在组装和CheckM上。

7.5 关于完整度阈值的个人经验

最后分享一个我的个人取舍标准，它不是从哪篇标准文件里抄来的，而是被多次下游分析反馈校准出来的：完整度85%以上、污染度5%以下的MAG，我会放心地用它们的核心基因组做ANI聚类、基因存在缺失比较等精细分析；完整度70%~85%的MAG，我会用但会在论文里注明该基因组在核心区域存在gap，避免过度解读单基因分支长度；完整度低于70%的，只做门/纲层面的代谢潜力描述，不会拿来推断菌株水平的差异。这个阈值比MIMAG严格，是因为我发现下游凡是用到"基因数量""代谢通路完整性"的分析，低完整度MAG带来的缺失信号远比你想象的多，宁可少报几个基因组，也不要给后续的生物学结论埋雷。