🧬 10 · 宏基因组功能注释与物种组成¶
知道了群落"有谁"(物种组成),还要知道"在干什么"(功能): 基因功能注释 → 通路富集 → 相对丰度可视化。 本节:物种分类级联、KEGG/GO/COG 功能注释概念、 相对丰度计算与堆叠图。
📋 本节要解决的问题¶
- 物种分类学层级怎么记?(界门纲目科属种)
- KEGG / GO / COG / eggNOG 都是什么?
- 功能注释是怎么做的?(序列比对到数据库 + 统计)
- 相对丰度堆叠图怎么读?
1️⃣ 物种分类级联(Taxonomy)¶
宏基因组常用的 16S/宏基因组分类:
域 → 门 (Phylum) → 纲 → 目 → 科 → 属 → 种
常见门:拟杆菌门(Bacteroidetes)、厚壁菌门(Firmicutes)、变形菌门(Proteobacteria)。 肠道菌群的"F/B 比值"常被拿来讨论代谢健康(争议较大,谨慎解读)。
Copied!
# 简化分类注释:一条序列 -> 各层级名称
def classify_lineage(seq):
"极简演示:按序列开头猜一个分类(示意)"
if seq.startswith('AC'):
return ['Bacteria', 'Bacteroidetes', 'Bacteroidia', 'Bacteroidales',
'Bacteroidaceae', 'Bacteroides', 'Bacteroides_fragilis']
if seq.startswith('GG'):
return ['Bacteria', 'Firmicutes', 'Clostridia', 'Clostridiales',
'Ruminococcaceae', 'Faecalibacterium', 'Faecalibacterium_prausnitzii']
return ['Bacteria', 'Proteobacteria', 'Gammaproteobacteria', 'Enterobacterales',
'Enterobacteriaceae', 'Escherichia', 'Escherichia_coli']
for seq in ['ACGTACGT', 'GGTTAACC', 'TTCCGAAT']:
lin = classify_lineage(seq)
print('%-8s → %s' % (seq, '; '.join(lin[:4]) + ';...'))
print('✅ 分类级联演示完成(七级:域门纲目科属种)')
# 简化分类注释:一条序列 -> 各层级名称
def classify_lineage(seq):
"极简演示:按序列开头猜一个分类(示意)"
if seq.startswith('AC'):
return ['Bacteria', 'Bacteroidetes', 'Bacteroidia', 'Bacteroidales',
'Bacteroidaceae', 'Bacteroides', 'Bacteroides_fragilis']
if seq.startswith('GG'):
return ['Bacteria', 'Firmicutes', 'Clostridia', 'Clostridiales',
'Ruminococcaceae', 'Faecalibacterium', 'Faecalibacterium_prausnitzii']
return ['Bacteria', 'Proteobacteria', 'Gammaproteobacteria', 'Enterobacterales',
'Enterobacteriaceae', 'Escherichia', 'Escherichia_coli']
for seq in ['ACGTACGT', 'GGTTAACC', 'TTCCGAAT']:
lin = classify_lineage(seq)
print('%-8s → %s' % (seq, '; '.join(lin[:4]) + ';...'))
print('✅ 分类级联演示完成(七级:域门纲目科属种)')
ACGTACGT → Bacteria; Bacteroidetes; Bacteroidia; Bacteroidales;... GGTTAACC → Bacteria; Firmicutes; Clostridia; Clostridiales;... TTCCGAAT → Bacteria; Proteobacteria; Gammaproteobacteria; Enterobacterales;... ✅ 分类级联演示完成(七级:域门纲目科属种)
2️⃣ 功能注释数据库¶
| 数据库 | 类型 | 用途 |
|---|---|---|
| KEGG | 代谢通路 | 通路富集(如糖酵解、脂肪酸合成) |
| GO | 本体论 | 分子功能/生物过程/细胞组分三级 |
| COG | 直系同源簇 | 原核功能分类(信息/代谢/细胞过程) |
| eggNOG | 综合直系同源 | 跨物种功能注释 + 通路映射 |
| CAZy | 碳水化合物活性酶 | 肠道菌群解糖酶注释(GH/GT 家族) |
宏基因组功能注释流程:组装(metagenome assembly)→ 基因预测 → 与参考蛋白库比对(DIAMOND/BLAST)→ 丰度统计 → 差异/富集。
Copied!
print('宏基因组功能注释五步(记忆大纲):')
for i, step in enumerate([
'1. 质控:去接头、去低质量、去宿主(人类)序列',
'2. 组装:MEGAHIT / metaSPAdes → contigs',
'3. 基因预测:Prodigal / metaProdigal → ORF/蛋白序列',
'4. 功能注释:DIAMOND 比到 KEGG/eggNOG/CAZy → COG/通路',
'5. 丰度定量:read 映射回基因 → TPM/相对丰度 → 差异与富集',
], 1):
print(step)
print()
print('→ 与 16S 扩增子(只需要看物种)不同,宏基因组 WGS 能直接关联"功能"')
print('✅ 功能注释流程大纲完成')
print('宏基因组功能注释五步(记忆大纲):')
for i, step in enumerate([
'1. 质控:去接头、去低质量、去宿主(人类)序列',
'2. 组装:MEGAHIT / metaSPAdes → contigs',
'3. 基因预测:Prodigal / metaProdigal → ORF/蛋白序列',
'4. 功能注释:DIAMOND 比到 KEGG/eggNOG/CAZy → COG/通路',
'5. 丰度定量:read 映射回基因 → TPM/相对丰度 → 差异与富集',
], 1):
print(step)
print()
print('→ 与 16S 扩增子(只需要看物种)不同,宏基因组 WGS 能直接关联"功能"')
print('✅ 功能注释流程大纲完成')
宏基因组功能注释五步(记忆大纲): 1. 质控:去接头、去低质量、去宿主(人类)序列 2. 组装:MEGAHIT / metaSPAdes → contigs 3. 基因预测:Prodigal / metaProdigal → ORF/蛋白序列 4. 功能注释:DIAMOND 比到 KEGG/eggNOG/CAZy → COG/通路 5. 丰度定量:read 映射回基因 → TPM/相对丰度 → 差异与富集 → 与 16S 扩增子(只需要看物种)不同,宏基因组 WGS 能直接关联"功能" ✅ 功能注释流程大纲完成
3️⃣ 手算示例:KEGG 通路富集(超几何思想)¶
背景 1000 个基因,其中注释到"糖酵解"通路的有 50 个; 实验组显著上调的基因 100 个,其中 20 个属于糖酵解。
富集倍数(Fold enrichment): $$\frac{20/100}{50/1000} = \frac{0.2}{0.05} = 4 \text{ 倍}$$
显著性与否要用超几何检验(类似"从 1000 个球中摸 100 个, 摸到该通路 50 个球中 ≥20 个"的概率);p<0.05 且 FDR 校正后仍显著 → 该通路在与功能相关的组分中富集。
Copied!
from scipy import stats as st
# 超几何检验: 背景1000, 通路50; 取100个, 通路命中>=20
p_hyper = 1 - st.hypergeom.cdf(19, 1000, 50, 100)
print('超几何 p(≥20 命中) =', round(p_hyper, 4))
fe = (20/100) / (50/1000)
print('富集倍数(手算 4) =', fe)
assert fe == 4 and p_hyper < 0.05
print('✅ 通路富集手算验证通过(4 倍富集,显著)')
from scipy import stats as st
# 超几何检验: 背景1000, 通路50; 取100个, 通路命中>=20
p_hyper = 1 - st.hypergeom.cdf(19, 1000, 50, 100)
print('超几何 p(≥20 命中) =', round(p_hyper, 4))
fe = (20/100) / (50/1000)
print('富集倍数(手算 4) =', fe)
assert fe == 4 and p_hyper < 0.05
print('✅ 通路富集手算验证通过(4 倍富集,显著)')
超几何 p(≥20 命中) = 0.0 富集倍数(手算 4) = 4.0 ✅ 通路富集手算验证通过(4 倍富集,显著)
4️⃣ 相对丰度与堆叠图¶
相对丰度 = 该物种/功能 reads ÷ 总 reads(×100%)。
用相对丰度做堆叠图可直观比较样本间组成;注意:相对丰度是组成型数据, 一个组分上升必然伴随其他组分下降(不去"绝对定量"时解读要小心)。
Copied!
import numpy as np
# 两个样本的属级相对丰度
taxa = ['Bacteroides', 'Faecalibacterium', 'Prevotella', '其他']
s1 = np.array([40., 25, 15, 20]); s2 = np.array([10., 55, 5, 30])
s1 = s1 / s1.sum() * 100; s2 = s2 / s2.sum() * 100
print('样本1 相对丰度(%):', s1.round(1))
print('样本2 相对丰度(%):', s2.round(1))
print('样本1 和 =', round(s1.sum(), 2), ' 样本2 和 =', round(s2.sum(), 2), '(各 100%)')
assert abs(s1.sum() - 100) < 1e-9 and abs(s2.sum() - 100) < 1e-9
print('✅ 相对丰度归一化完成')
import numpy as np
# 两个样本的属级相对丰度
taxa = ['Bacteroides', 'Faecalibacterium', 'Prevotella', '其他']
s1 = np.array([40., 25, 15, 20]); s2 = np.array([10., 55, 5, 30])
s1 = s1 / s1.sum() * 100; s2 = s2 / s2.sum() * 100
print('样本1 相对丰度(%):', s1.round(1))
print('样本2 相对丰度(%):', s2.round(1))
print('样本1 和 =', round(s1.sum(), 2), ' 样本2 和 =', round(s2.sum(), 2), '(各 100%)')
assert abs(s1.sum() - 100) < 1e-9 and abs(s2.sum() - 100) < 1e-9
print('✅ 相对丰度归一化完成')
样本1 相对丰度(%): [40. 25. 15. 20.] 样本2 相对丰度(%): [10. 55. 5. 30.] 样本1 和 = 100.0 样本2 和 = 100.0 (各 100%) ✅ 相对丰度归一化完成
Copied!
# 堆叠图可视化
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False
fig, ax = plt.subplots(figsize=(7, 4))
X = np.vstack([s1, s2])
bottom = np.zeros(2)
colors = ['#C44E52', '#55A868', '#4C72B0', '#DDD8CE']
for i, (t, c) in enumerate(zip(taxa, colors)):
ax.bar(['样本1', '样本2'], X[:, i], bottom=bottom, label=t, color=c, width=.5)
bottom += X[:, i]
ax.set_ylabel('相对丰度 (%)')
ax.set_title('属级相对丰度堆叠图(两样本组成对比)')
ax.legend(loc='upper right', fontsize=9)
plt.tight_layout()
plt.show()
print('→ 样本1 以 Bacteroides 为主,样本2 以 Faecalibacterium 为主 → 组成差异明显')
# 堆叠图可视化
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False
fig, ax = plt.subplots(figsize=(7, 4))
X = np.vstack([s1, s2])
bottom = np.zeros(2)
colors = ['#C44E52', '#55A868', '#4C72B0', '#DDD8CE']
for i, (t, c) in enumerate(zip(taxa, colors)):
ax.bar(['样本1', '样本2'], X[:, i], bottom=bottom, label=t, color=c, width=.5)
bottom += X[:, i]
ax.set_ylabel('相对丰度 (%)')
ax.set_title('属级相对丰度堆叠图(两样本组成对比)')
ax.legend(loc='upper right', fontsize=9)
plt.tight_layout()
plt.show()
print('→ 样本1 以 Bacteroides 为主,样本2 以 Faecalibacterium 为主 → 组成差异明显')
→ 样本1 以 Bacteroides 为主,样本2 以 Faecalibacterium 为主 → 组成差异明显
✅ 自测清单¶
- 能背出七级分类层级与常见门
- 能说出 KEGG/GO/COG 的用途区别
- 能手算富集倍数并理解超几何检验
- 能解释相对丰度的"组成型"陷阱