4.4 宏基因组时代的数据驱动分类

4.4 宏基因组时代的数据驱动分类

本节摘要：宏基因组把分类学从"先培养后研究"扭成"先见序列后寻活体"：扩增子测序清点"谁在场"，鸟枪测序与组装分箱拼出"谁的基因组"。本节讲清 OTU 与 ASV 两代清点单元的区别、MAG 的质量标准，以及"数据库投影"这个当代分类学的核心风险——检出的名字，有多少是数据的投影而非知识的确认。

本节是第 4 章的收口，也是全册视角的转折点：到此为止的所有方法都以"拿到活体"为前提，本节的方法第一次系统性放弃了这个前提。代价与红利同样巨大——1.4 节 Candidatus 制度的存在理由、第 5 章多样性规模的来源，都在本节落地。

两代清点单元：OTU 与 ASV

扩增子路线（只测 16S 的高变区）回答"样品里有哪些谱系、各占多少"。清点单元有两代标准。

**OTU（操作分类单元）**是第一代：按序列相似度聚类（常用 97% 一刀切），每簇算一个单元。缺陷内生于聚类：同样 97% 的阈值在不同谱系里对应的生物学边界不一样；两批样品各自聚类的 OTU 还对不上号。

**ASV（扩增序列变异）**是第二代：不再聚类，用算法纠正测序误差后，把每条真实的序列变体直接当作单元。同一序列在不同研究中就是同一个 ASV，跨研究可比；分辨率也不再被人为阈值压扁。

注意最后一行：换单元解决不了引物层面的偏差——不同引物钓到的谱系集合不同，两份用不同引物做的研究，结论层面依然要谨慎对接。

MAG：不培养也能拼出基因组

鸟枪路线更激进：把环境 DNA 全部打断随机测序，再用算法把碎片按序列组成与覆盖深度归堆（分箱，binning），每个堆拼出一个宏基因组组装基因组（MAG）。MAG 意味着：不培养任何活体，也能拿到一个谱系的"准基因组"——它的代谢潜力、系统发育位置、乃至新纲新门级别的发现，都从序列直接读出。

但 MAG 有质量等级，读文献必须查这行字。通行标准：完成度不低于九成且污染低于半成算高质量；完成度七成上下、污染半成以内算中等质量。完成度低的 MAG，缺的恰好可能是关键代谢基因——把低质量 MAG 的"没检出某通路"当成"没有该通路"，是组学论文审稿意见里的高频批评。

图 1 从环境样品到命名账户的两条路线

数据库投影：检出不等于定名

本节最重要的一课藏在一个朴素的问题里：扩增子报告里那些属名种名，可靠程度各是多少？

要害在于：物种注释是"你的序列 vs 参考库"的比对，结论质量由两边共同决定。参考库本身分层——模式菌株的序列可靠；环境克隆的序列是"某处环境里见过类似序列"；更麻烦的是错标序列会把邻近序列整体带偏（4.2 盲区三的放大版）。于是注释结果天然带着置信度梯度：命中级（与模式菌株几乎一致）、属级（属内稳定聚簇）、门级（只能落到高层级）、以及"未知门"——四档信息的可靠度天差地别，而自动注释流水线往往把它们渲染成同等可信的名字列表。

读报告的三个动作：一看注释置信度分档，别让"属级"的结论冒充"种级"；二查参考序列的身份（模式菌株还是环境序列）；三对关键结论做系统发育验证（建树看位置，而不是只看相似度数字）。

案例一桩收尾：某团队报道"土壤中检出大量某致病菌属序列"，引发关注；复核发现其引物非特异扩增了邻近属，参考库命中又指向错标的文献序列——报告里的"致病菌"实为无害近缘。这条新闻级乌龙的三处失守（引物、库、验证）恰好就是本节三个动作的镜像。

选路线决策表与成本账

两条路线怎么选、能不能互相替代，用一张决策表说清：

成本之外再记一笔"灵敏度账"：扩增子路线钓的是引物能配上的序列，引物错配就意味着该谱系在你眼里不存在；鸟枪路线不挑序列但拼装依赖覆盖深度，群落里的稀有种往往读次不够拼不出来。两路线的盲区形状不同——结论里"没检出"三个字的含义，因此完全取决于走了哪条路线。这是读组学论文时比 p 值更要紧的背景信息。

表外还有第三条路线值得一提：全程培养组学（6.4 会再出场）。用高通量手段把环境样品成百上千地平行培养，长出来的直接是活体与命名材料——它绕开了两条测序路线共同的"命名账户"尴尬。代价是成本与覆盖率：多数娇气谱系依旧不出芽。三条路线在现实研究里是投资组合而非单选题，配比取决于你要的是清点、功能还是名分。

一份注释报告的解剖示范

把"读报告三动作"用到一份典型报告上，逐段解剖：

样品注释报告（节选）
ASV-0017 占比 12.3%  注释：某属某种（99.1%）
ASV-0042 占比 8.7%   注释：某属（96.8%）
ASV-0231 占比 5.1%   注释：某科（90.2%）
ASV-0588 占比 3.4%   注释：未知门级分支
​

动作一，分档：四条 ASV 的注释分别落在种级、属级、科级、未知门——报告里它们排在一起，可信度却逐级塌方。动作二，查身份：ASV-0017 的最优命中若指向模式菌株序列，种级注释可以采信；若命中一条环境克隆序列，注释要自动降级为"与某种相似的环境谱系"。动作三，验证：占比前三的 ASV 值得各建一次定位树，看拓扑与百分比是否同向——尤其是 ASV-0042，属级注释要求"属内稳定聚簇"，树上落错了位置就该改写结论。

解剖完的结论可以写成三句话：这份样品约一成二的序列定到了种，近一成定到属，其余结论都在科或门级徘徊；任何"样品里有多少致病菌"之类的下游计算，都只配使用种级那部分数据；未知门分支不是垃圾数据，是本样品最可能上新闻的部分。读宏基因组报告的职业素养，就是把这三句话从手动做成习惯。

把本节放回第 4 章的弧线上收个尾：4.1 的多相分类要求"先培养后定名"，本节的世界里大多数类群永远走不到培养那一步——范式从这里开始真正断裂。断裂不是崩塌：命名制度在打补丁（Candidatus），方法在打补丁（防投影三动作），理论在打补丁（连续谱语言）。看懂这套"边运行边修补"的状态，你就把握住了当代分类学最真实的脉搏——它不完美，但它诚实，并且活着。

本节要点回顾

• 两代清点单元：OTU 靠阈值聚类、跨研究不可比；ASV 是去误差的真实变体、跨研究可比，但引物偏差仍在；
• MAG 的质量分级必须查：完成度与污染度两个数字，低质量 MAG 的"未检出"不是"不存在"；
• 两条路线各答一问：扩增子答"谁在场"，鸟枪答"谁的基因组长什么样"；
• 命名账户分层：命中参考库的沿用旧名，对不上的挂 Candidatus，新门级发现多走后者；
• 数据库投影是头号风险：注释自带置信梯度，模式菌株命中、属级聚簇、高层级落位三档可靠性完全不同；
• 读报告三动作：看置信分档、查参考身份、建树验证。