企业官网建设流程全解析

简介：这份资源面向缺乏生物信息学背景的微生物组研究者与初学者，提供使用QIIME 2流程分析16S rRNA基因扩增子测序数据的完整学习材料，帮助读者快速掌握从数据导入到可视化呈现的标准分析路径。资源包为单个docx文档，约578KB，内容涵盖软件安装环境选择、特征表生成、α与β多样性分析、物种组成与差异物种分析等核心环节，并附有配套视频、分析代码、测序数据与预期结果，便于对照复现。文档还系统总结了安装与使用中的常见问题及解决策略，对参数优化和硬件配置给出具体建议，例如推荐4核CPU、16GB内存及大于原始数据三倍的硬盘空间。目前已有2792人学习下载，适合希望系统入门微生物组扩增子分析、需要可复现操作指引的研究人员参考。

1. 从一份能跑通的 QIIME 2 流程说起：16S 扩增子分析到底难在哪

如果你刚拿到一摞 Illumina 双端 fastq，样本表还没整理，导师又催着要 α 多样性箱线图和门水平堆叠柱状图，那 QIIME 2 大概率是你绕不开的一站。它用 Python 3 重写，插件化、可交互、结果可复现，是目前 16S rRNA 基因扩增子分析里引用量最高的流程之一。但真上手你会发现两个现实问题：一是它压根不支持 Windows 直接装，二是官方文档十万字起步，新手光看安装就能劝退。这份资源的价值就在这——它把从 Miniconda 装环境、GreenGenes 建分类器，到 DADA2 降噪、Alpha/Beta 多样性、ANCOM 差异分析整条链路串成了一份可复现的脚本，还配了示例数据和视频。适合谁？做微生物组、植物根系、肠道菌群这类课题，手里有双端测序数据、想自己跑一遍完整流程的人。下面我按实际拆包顺序讲，重点放在参数怎么定、哪一步最容易翻车。

2. 环境部署与数据库准备：Miniconda、QIIME 2 与 GreenGenes 分类器

2.1 为什么优先选 Linux 服务器或 WSL，而不是虚拟机

QIIME 2 官方只发 Linux 和 Mac 的 conda 包，Windows 用户只有两条路：WSL（Windows Subsystem for Linux）或 VirtualBox 虚拟机。资源里明确推荐 WSL 的 Ubuntu 20.04 LTS，虚拟机标了“不推荐，效率低”。原因很直接：DADA2 降噪和分类器训练都是吃 CPU 和内存的活，虚拟机多一层硬件抽象，同样的数据可能多花一倍时间。我一般建议：数据量小于 20G、样本几十个，WSL 足够；上百样本或要反复训练 V 区分类器，直接上 4 核 16G 起的 Linux 服务器，硬盘留原始数据 3 倍以上，因为中间 qza 文件会膨胀。

WSL 安装本身在微软商店搜 Ubuntu 20.04 LTS 即可，装完在开始菜单启动就是命令行。Mac 用户系统自带终端能直接 ssh 远程服务器，但资源里对 Mac 本地安装标了“兼容性问题较多”，我的经验是 Mac 本地跑小数据可以，大数据还是连服务器稳。

2.2 Miniconda 与 QIIME 2 2020.6 的安装命令逐行拆解

整个安装的核心是 conda 环境隔离。先装 Miniconda3，再下载 QIIME 2 的 yml 环境文件，最后 create 环境。命令如下：

# 下载并安装 Miniconda3（已装 conda 可跳过） wget -c https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh ~/miniconda3/bin/conda init # 下载 QIIME 2 2020.6 的环境依赖列表 wget -c https://data.qiime2.org/distro/core/qiime2-2020.6-py36-linux-conda.yml # 新建名为 qiime2-2020.6 的环境并安装 conda env create -n qiime2-2020.6 --file qiime2-2020.6-py36-linux-conda.yml # 每次分析前激活环境 conda activate qiime2-2020.6

逻辑说明：conda init把 conda 写进 shell 配置，之后新开终端才能直接用conda activate。conda env create会按 yml 里的版本号拉取所有依赖，这一步网络不稳容易断，断了重跑即可，conda 有缓存。参数上，环境名qiime2-2020.6建议和版本号一致，以后装新版本不会互相覆盖。注意：激活环境后命令行提示符前会出现(qiime2-2020.6)，没出现说明没激活成功，后面所有qiime命令都会报 command not found。

2.3 GreenGenes 数据库导入与全长/V 区分类器训练

分类器是物种注释的“字典”，训练一次可以反复用。资源里给了两条路：全长通用分类器和指定 V 区分类器。全长耗时约半小时，V 区（以 V5-V7 为例）约 9 分钟提取序列加 8 分钟训练。先导入参考序列和物种分类：

# 下载并解压 GreenGenes 13_8 wget -c ftp://greengenes.microbio.me/greengenes_release/gg_13_5/gg_13_8_otus.tar.gz tar -zxvf gg_13_8_otus.tar.gz # 导入 99% 聚类代表序列 qiime tools import \ --type 'FeatureData[Sequence]' \ --input-path gg_13_8_otus/rep_set/99_otus.fasta \ --output-path 99_otus.qza # 导入物种分类信息 qiime tools import \ --type 'FeatureData[Taxonomy]' \ --input-format HeaderlessTSVTaxonomyFormat \ --input-path gg_13_8_otus/taxonomy/99_otu_taxonomy.txt \ --output-path ref-taxonomy.qza

--type指定数据类型，FeatureData[Sequence]是序列，FeatureData[Taxonomy]是分类表。--input-format HeaderlessTSVTaxonomyFormat是因为 GreenGenes 的分类文件没有表头，不写这个参数导入会报格式错。导入完成后训练全长分类器：

time qiime feature-classifier fit-classifier-naive-bayes \ --i-reference-reads 99_otus.qza \ --i-reference-taxonomy ref-taxonomy.qza \ --o-classifier classifier_gg_13_8_99.qza

time是看耗时的，不是必须。fit-classifier-naive-bayes用的是朴素贝叶斯分类器，这是 QIIME 2 默认也是 16S 最常用的。如果你的引物是特定 V 区，强烈建议训练特异分类器，精度会明显提升。以 V5-V7 为例：

# 按引物提取对应区段序列 time qiime feature-classifier extract-reads \ --i-sequences 99_otus.qza \ --p-f-primer AACMGGATTAGATACCCKG \ --p-r-primer ACGTCATCCCCACCTTCC \ --o-reads ref-seqs.qza # 基于提取序列训练特异分类器 time qiime feature-classifier fit-classifier-naive-bayes \ --i-reference-reads ref-seqs.qza \ --i-reference-taxonomy ref-taxonomy.qza \ --o-classifier classifier_gg_13_8_99_V5-V7.qza

--p-f-primer和--p-r-primer必须和你实验用的引物完全一致，这里 V5-V7 用的是 799F/1193R。写错引物会导致提取不到序列或提取错区段，分类结果全乱。这一步的坑我后面单独讲。

3. 从原始 fastq 到特征表：数据导入与 DADA2 降噪

3.1 manifest 文件的生成与数据导入

QIIME 2 不直接吃一堆 fastq，它要一个 manifest 文件，里面三列：sample-id、forward-absolute-filepath、reverse-absolute-filepath。资源里用 awk 从 metadata 批量生成：

# 根据 metadata 生成 manifest，注意 $PWD 是当前绝对路径 awk 'NR==1{print "sample-id\tforward-absolute-filepath\treverse-absolute-filepath"} \ NR>1{print $1"\t$PWD/seq/"$1"_1.fq.gz\t$PWD/seq/"$1"_2.fq.gz"}' \ metadata.txt > manifest

NR==1处理表头，NR>1处理数据行。$PWD必须用绝对路径，QIIME 2 对相对路径支持不好，容易报找不到文件。生成后导入：

qiime tools import \ --type 'SampleData[PairedEndSequencesWithQuality]' \ --input-path manifest \ --output-path demux.qza \ --input-format PairedEndFastqManifestPhred33V2

--input-format选PairedEndFastqManifestPhred33V2，对应 Illumina 的 Phred33 质量值编码，这是目前最常见的。资源里提到 1G 的 fq 导入要 7 分钟，但 fq.gz 压缩格式只要 34 秒，所以原始数据别解压，直接导 gz。注意：如果你的数据是混池测序没拆样本，得先让测序公司拆分，或者用 QIIME 1 的脚本拆，QIIME 2 不负责拆分。

3.2 DADA2 降噪参数：trim 和 trunc 怎么定

DADA2 是 QIIME 2 里生成特征表（ASV 表）的核心，它不聚类，直接去噪。关键参数是--p-trim-left-f/r和--p-trunc-len-f/r。资源里给的示例是 trim-left-f 29、trim-left-r 18、trunc-len 都设 0：

time qiime dada2 denoise-paired \ --i-demultiplexed-seqs demux.qza \ --p-n-threads 8 \ --p-trim-left-f 29 --p-trim-left-r 18 \ --p-trunc-len-f 0 --p-trunc-len-r 0 \ --o-table dada2-table.qza \ --o-representative-sequences dada2-rep-seqs.qza \ --o-denoising-stats denoising-stats.qza

--p-trim-left-f 29是切掉正向引物及前面碱基，--p-trim-left-r 18切反向。这两个值取决于你引物长度，不是固定值。--p-trunc-len设 0 表示不截断，但实际项目中我一般会看质量分布图，在质量掉到 Q20 以下的位置截断，否则末端错误碱基会进 ASV。--p-n-threads是线程数，资源里给了实测：96 线程 34 分钟，24 线程 44 分钟，8 线程 77 分钟，1 线程 462 分钟。线程不是越多越快，超过物理核数反而有调度开销，一般设物理核数的 80% 左右。

跑完把 dada2 结果复制成主流程用的名字：

cp dada2-table.qza table.qza cp dada2-rep-seqs.qza rep-seqs.qza

3.3 特征表统计与抽平阈值的确定

feature-table summarize生成 table.qzv，用 view.qiime2.org 打开看每个样本的测序量分布：

qiime feature-table summarize \ --i-table table.qza \ --o-visualization table.qzv \ --m-sample-metadata-file metadata.txt

资源里示例数据最小值 27060，第一分位数 28581，中位数 30867，分布很均匀，所以抽平阈值直接取最小值 27060。但如果最小值是个别样本的异常低值，和第一分位数差很多，就得在最小值和第一分位数之间选，尽量保留更多样本和更多数据。注意：低于阈值的样本会被丢弃，不参与多样性分析，所以阈值定太高会丢样本，定太低会浪费数据。资源里特别提醒，抽平最小值 1000 是 454 时代的标准，现在 Illumina 通量高，最小值一般不低于 5000，推荐 1 万起。

4. 多样性与物种组成分析：Alpha、Beta、注释与差异

4.1 进化树构建与 core-metrics 多样性计算

Alpha 和 Beta 多样性里，Faith's PD 需要进化树，所以先建树：

qiime phylogeny align-to-tree-mafft-fasttree \ --i-sequences rep-seqs.qza \ --o-alignment aligned-rep-seqs.qza \ --o-masked-alignment masked-aligned-rep-seqs.qza \ --o-tree unrooted-tree.qza \ --o-rooted-tree rooted-tree.qza

align-to-tree-mafft-fasttree一步完成比对、屏蔽高变区、建树、生根。输出里rooted-tree.qza后面要用。然后跑核心多样性：

qiime diversity core-metrics-phylogenetic \ --i-phylogeny rooted-tree.qza \ --i-table table.qza \ --p-sampling-depth 27060 \ --m-metadata-file metadata.txt \ --output-dir core-metrics-results

--p-sampling-depth就是抽平阈值，这里用 27060。这一步会生成 4 种 Alpha 指数（faith_pd、shannon、observed_features、evenness）和 4 种 Beta 距离矩阵（unweighted_unifrac、bray_curtis、weighted_unifrac、jaccard），还有对应的 PCoA 结果。抽平是随机重采样，所以每次跑结果会有微小差异，但样本量够大时不影响结论。

4.2 Alpha 多样性组间显著性检验

以 observed_features 为例：

index=observed_features qiime diversity alpha-group-significance \ --i-alpha-diversity core-metrics-results/${index}_vector.qza \ --m-metadata-file metadata.txt \ --o-visualization core-metrics-results/${index}-group-significance.qzv

结果里有箱线图和 Kruskal-Wallis 两两比较的 p 值和 q 值。资源示例里 KO vs WT 的 p=0.010139，q=0.030417，显著；OE vs WT 的 p=0.054241，q=0.081362，不显著。这里要注意 q 值是 FDR 校正后的，比 p 值严格，报告时优先看 q 值。index变量可以换成 faith_pd、shannon、evenness，命令结构一样。

4.3 Beta 多样性 PCoA 与 PERMANOVA 检验

Beta 多样性先看 PCoA 图，再做成对 PERMANOVA：

distance=weighted_unifrac column=Group qiime diversity beta-group-significance \ --i-distance-matrix core-metrics-results/${distance}_distance_matrix.qza \ --m-metadata-file metadata.txt \ --m-metadata-column ${column} \ --o-visualization core-metrics-results/${distance}-${column}-significance.qzv \ --p-pairwise

--p-pairwise开启两两比较，不开启只做整体检验。资源示例里三组两两比较 p 值都小于 0.05，q 值也小于 0.05，说明组间群落结构差异显著。PCoA 图在weighted_unifrac_emperor.qzv里，可以调颜色、形状、透明度，导出 SVG 矢量图。注意：PERMANOVA 的置换检验很耗时，指定--m-metadata-column只比较关心的分组能省不少时间。

4.4 物种注释、堆叠柱状图与 ANCOM 差异分析

物种注释用之前训练的分类器：

qiime feature-classifier classify-sklearn \ --i-classifier classifier_gg_13_8_99_V5-V7.qza \ --i-reads rep-seqs.qza \ --o-classification taxonomy.qza qiime metadata tabulate \ --m-input-file taxonomy.qza \ --o-visualization taxonomy.qzv

classify-sklearn对每个代表序列做分类，输出特征 ID、分类结果和置信度。堆叠柱状图：

qiime taxa barplot \ --i-table table.qza \ --i-taxonomy taxonomy.qza \ --m-metadata-file metadata.txt \ --o-visualization taxa-bar-plots.qzv

在 qzv 里可以切分类级别、改配色、按分组和丰度排序，导出 SVG 和 CSV。差异分析用 ANCOM：

# 添加伪计数，ANCOM 要求无零值 qiime composition add-pseudocount \ --i-table table.qza \ --o-composition-table comp-table.qza # 在属水平合并后再做 ANCOM qiime taxa collapse \ --i-table table.qza \ --i-taxonomy taxonomy.qza \ --p-level 6 \ --o-collapsed-table table-l6.qza qiime composition add-pseudocount \ --i-table table-l6.qza \ --o-composition-table comp-table-l6.qza time qiime composition ancom \ --i-table comp-table-l6.qza \ --m-metadata-file metadata.txt \ --m-metadata-column Group \ --o-visualization ancom-Group-l6.qzv

--p-level 6是属水平（界门纲目科属，第 6 级）。ANCOM 输出火山图，显著 ASV 或属可以在 taxonomy.qzv 里查分类。资源示例里组间差异小，只有 1 个显著 ASV，属水平结果更适合结合生物学讨论。

5. 避坑与常见问题排查：从安装到分析的 5 个血泪教训

5.1 conda 环境创建卡在 solving environment

现象：conda env create跑很久不动，或者报Solving environment: failed。原因：conda 默认源在国外，网络不稳，或者 yml 里某个包版本冲突。解决：换国内镜像源，或者用mamba替代 conda 解依赖，mamba 快很多。实在不行，下载 yml 后手动删掉版本号太死的包，让 conda 自己解。

5.2 分类器训练报内存不足

现象：fit-classifier-naive-bayes跑到一半被 kill，日志显示 OOM。原因：全长 GreenGenes 99% 序列约 100 万条，朴素贝叶斯训练吃内存，16G 机器跑全长容易爆。解决：优先训练 V 区特异分类器，序列数少很多；或者加内存到 32G；或者用 97% 聚类而非 99%，序列数少一个量级，但分辨率会降。

5.3 DADA2 输出特征数异常少或异常多

现象：denoising-stats 里大部分 reads 没进 ASV，或者 ASV 数量几千上万。原因：trim/trunc 参数不对。trim-left 切多了切到保守区，切少了引物没去干净；trunc-len 设 0 不截断，末端错误碱基被当成真实变异，ASV 虚高。解决：先看 demux.qzv 里的质量分布图，正向在质量掉到 Q20 的位置截断，反向同理；trim-left 按引物长度加 1-2 个碱基设。资源里示例 trim-left-f 29、r 18 是匹配它引物的，别照抄。

5.4 抽平后样本丢失

现象：core-metrics 跑完发现样本数比原来少。原因：--p-sampling-depth设得比某些样本的测序量高，那些样本被丢弃。解决：在 table.qzv 的 Interactive Sample Detail 里看每个样本的测序量，阈值设在最小值和第一分位数之间，兼顾样本保留和数据利用。如果丢的样本是关键组，宁可降低阈值。

5.5 qzv 文件打不开或显示空白

现象：view.qiime2.org 上传 qzv 后一直转圈或空白。原因：qzv 本质是 zip，里面是网页和图表，浏览器兼容性或文件损坏。解决：先确认文件大小正常，没下完的重新生成；换 Chrome 或 Firefox；本地解压 qzv 看里面 index.html 能不能打开。注意：qzv 不要用文本编辑器改，会破坏结构。

6. 进阶技巧：用 V 区特异分类器把物种注释精度再提一档

如果你已经跑通全长分类器，下一步最值得投入的就是训练实验特异的 V 区分类器。原理不复杂：GreenGenes 全长序列里，不同 V 区的保守程度不一样，用全长训练时，分类器学到的特征有一部分来自你根本没扩增的区域，反而引入噪声。用extract-reads按你的引物把参考序列切成对应区段，再训练，分类器只学你测到的那段，精度通常能提升几个百分点，尤其是属水平。

具体操作上，引物序列必须和实验完全一致，正向反向都不能错。资源里 V5-V7 用的是 799F（AACMGGATTAGATACCCKG）和 1193R（ACGTCATCCCCACCTTCC）。提取时如果引物有简并碱基，QIIME 2 支持 IUPAC 简并符号，直接写就行。提取完先看ref-seqs.qza的序列长度分布，正常应该在目标区段长度附近，如果长度分布很散，说明引物匹配有问题，得检查引物方向或序列。

训练完的分类器，建议用一小批已知物种的序列做个 sanity check：拿几条代表序列跑classify-sklearn，看注释结果和预期是否一致。我一般会留一个全长分类器做对照，如果 V 区分类器结果反而更差，说明引物或提取参数有问题，别硬用。

还有一个容易被忽略的点：ANCOM 在属水平做差异分析时，taxa collapse的--p-level 6对应属，但 GreenGenes 的分类层级里界门纲目科属种是 7 级，第 6 级是属，第 7 级是种。如果你要种水平，设 7，但种水平注释置信度通常很低，不建议。ANCOM 的伪计数步骤不能省，表里有零值会直接报错。

最后说个习惯：每次跑完 DADA2，我都会把 denoising-stats.qzv 打开，看 input、filtered、denoised、merged、non-chimeric 五个数字的漏斗。如果 filtered 掉太多，说明 trim/trunc 太狠；如果 non-chimeric 掉太多，说明嵌合体比例高，可能是 PCR 循环数太多。这个漏斗比最终 ASV 数更能反映数据质量。从那以后我每次拿到新数据，都强制先跑一遍 denoising-stats 再决定后续参数，希望帮到你。

本文还有配套的精品资源，点击获取