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：mlCOIintF（5ʹ-GGWACWGGWTGAACWGTWTAYCCYCC-3ʹ；Leray et al., 2013）和 HCO2198（5ʹ-TAAACTTCAGGGTGACCAAAAAATCA-3ʹ；Folmer 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、DADA2
3 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：
DADA2＋BOLDigger 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，UPARSE＋BLASTN 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 MOTU，DADA2 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-mer：ATGCAAAC
第 2 个 8-mer：TGCAAACT
第 3 个 8-mer：GCAAACTG
第 4 个 8-mer：CAAACTGA
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。”
