BUSCO — 基因组组装完整性评估工具¶

# 方法1：conda 安装（推荐）
conda install -c bioconda -c conda-forge busco  # 从 bioconda 安装

# 方法2：pip 安装
pip install busco

# 验证安装
busco --version  # 当前最新 6.0.0（2025年，使用 OrthoDBv12 数据集）

# 查看可用的 lineage 数据库
busco --list-datasets

# 评估基因组组装完整性
busco \
  -i assembly.fasta \            # 输入组装文件
  -o busco_result \              # 输出目录名
  -m genome \                    # 模式：genome（基因组）
  -l bacteria_odb12 \            # 谱系数据库（细菌）
  -c 16                          # 16 线程

# 评估转录组完整性
busco \
  -i transcriptome.fasta \
  -o busco_transcriptome \
  -m transcriptome \             # 模式：transcriptome
  -l eukaryota_odb12 \           # 真核生物谱系
  -c 16

# 评估蛋白组完整性
busco \
  -i proteins.faa \
  -o busco_proteins \
  -m proteins \                  # 模式：proteins
  -l mammalia_odb12 \            # 哺乳动物谱系
  -c 16

# 自动谱系选择（BUSCO 自动判断最合适的数据库）
busco \
  -i assembly.fasta \
  -o auto_busco \
  -m genome \
  --auto-lineage \               # 自动选择谱系（较慢）
  -c 16

# 只在原核生物范围内自动选择
busco \
  -i assembly.fasta \
  -o auto_prok \
  -m genome \
  --auto-lineage-prok \          # 只搜索原核谱系（快）
  -c 16

# 只在真核生物范围内自动选择
busco \
  -i assembly.fasta \
  -o auto_euk \
  -m genome \
  --auto-lineage-euk \           # 只搜索真核谱系
  -c 16

# 批量评估多个组装
for asm in assembly1.fa assembly2.fa assembly3.fa; do
  name=$(basename "$asm" .fa)
  busco -i "$asm" -o "busco_${name}" -m genome -l bacteria_odb12 -c 8
done

# 生成比较图（多个 BUSCO 结果对比）
# 先把多个结果的 short_summary 文件复制到一个目录
mkdir busco_summaries
cp busco_result/short_summary.*.txt busco_summaries/

# 生成对比图
generate_plot.py -wd busco_summaries  # 输出 busco_figure.png

# 离线模式（提前下载数据库）
busco --download bacteria_odb12         # 下载细菌数据库
busco --download_path /path/to/busco_downloads  # 指定下载路径
busco -i assembly.fa -o result -m genome \
  -l bacteria_odb12 \
  --offline \                            # 离线模式
  --download_path /path/to/busco_downloads

# 结果示例（short_summary.txt）：
# C:98.5%[S:97.8%,D:0.7%],F:0.8%,M:0.7%,n:124
#
# C = Complete（完整找到的基因比例）→ 越高越好，通常 >95% 算好
#   S = Single-copy（单拷贝）→ 正常应该占大多数
#   D = Duplicated（重复的）→ 高的话说明有冗余（杂合区域未 purge）
# F = Fragmented（片段化的）→ 基因不完整
# M = Missing（缺失的）→ 没找到
# n = 该谱系的总基因数