宏基因组Binning策略对比：MetaBAT2/CONCOCT/MaxBin2/SemiBin2¶
一句话概述¶
Binning就是把宏基因组组装出来的contigs按"谁是一家人"分成一组一组，每组就是一个MAG（宏基因组组装基因组），就像把一堆打散的拼图碎片按图案重新归类。
核心知识点表格¶
| 知识点 | 说明 |
|---|---|
| Binning定义 | 将宏基因组组装的contigs按物种来源分组，恢复单个微生物基因组 |
| MAG | Metagenome-Assembled Genome，从宏基因组数据中恢复的基因组 |
| 传统方法 | MetaBAT2、CONCOCT、MaxBin2，基于组成特征+覆盖度 |
| 深度学习方法 | SemiBin2、COMEBin、VAMB，基于神经网络的特征学习 |
| Ensemble策略 | 用DAS Tool/MetaWRAP整合多个binner的结果，取最优集合 |
| 评估标准 | 完整度(completeness)、污染度(contamination)、NC bins数量 |
白话解释：什么是Binning？¶
想象你去一个二手书市场，地上堆着几万本不同出版社的书，但封面都撕掉了。你的任务是：把同一个出版社的书归到一堆。
你怎么做？可以看： 1. 纸张材质（= 序列组成特征，如GC含量、四核苷酸频率） 2. 字体大小（= 测序覆盖深度，同一个物种的基因覆盖度类似）
传统工具（MetaBAT2等）就是用这两个线索来分组的。而新一代工具（SemiBin2等）则用了深度学习，相当于请了一个AI来帮你识别书的风格特征。
四大工具详细对比¶
MetaBAT2¶
白话解释： 最经典的老将，速度最快，像是经验丰富的老工人，干活快但可能漏掉一些难分辨的东西。
技术细节： - 算法：基于距离度量的自适应binning - 输入：contigs的覆盖深度 + 序列组成 - 特点：自动确定参数，不需要手动调
# 安装MetaBAT2
conda install -c bioconda metabat2 # 用conda安装metabat2
# 第一步：用samtools对bam文件排序
samtools sort sample.bam -o sample_sorted.bam # 将比对文件按位置排序
# 第二步：生成覆盖深度文件
jgi_summarize_bam_contig_depths \
--outputDepth depth.txt \ # 输出深度文件
sample_sorted.bam # 输入排序后的bam文件
# 第三步：运行MetaBAT2
metabat2 \
-i contigs.fa \ # 输入组装的contigs文件
-a depth.txt \ # 输入覆盖深度文件
-o bins/bin \ # 输出目录和前缀
-m 1500 \ # 最小contig长度1500bp
-t 16 # 使用16个线程
CONCOCT¶
白话解释： 用高斯混合模型来聚类，理论上更严谨，但速度慢，遇到大数据集可能跑不动。
技术细节： - 算法：PCA降维 + 高斯混合模型(GMM)聚类 - 输入：序列组成 + 多样本覆盖度 - 特点：适合多样本联合分析
# 安装CONCOCT
conda install -c bioconda concoct # 用conda安装concoct
# 第一步：将contigs切成等长片段（默认10kb）
cut_up_fasta.py contigs.fa \
-c 10000 \ # 切割长度10000bp
-o 0 \ # 重叠长度0
--merge_last \ # 合并最后一个短片段
-b contigs_10K.bed \ # 输出bed文件
> contigs_10K.fa # 输出切割后的fasta
# 第二步：生成覆盖度表
concoct_coverage_table.py \
contigs_10K.bed \ # 输入bed文件
sample_sorted.bam \ # 输入bam文件
> coverage_table.tsv # 输出覆盖度表
# 第三步：运行CONCOCT
concoct \
--composition_file contigs_10K.fa \ # 输入序列文件
--coverage_file coverage_table.tsv \ # 输入覆盖度文件
-b concoct_output/ \ # 输出目录
-t 16 # 使用16个线程
# 第四步：合并切割结果
merge_cutup_clustering.py \
concoct_output/clustering_gt1000.csv \ # 输入聚类结果
> concoct_output/clustering_merged.csv # 输出合并后的结果
# 第五步：提取bins的fasta文件
extract_fasta_bins.py \
contigs.fa \ # 原始contigs
concoct_output/clustering_merged.csv \ # 合并后的聚类结果
--output_path concoct_bins/ # 输出bins目录
MaxBin2¶
白话解释： 用期望最大化(EM)算法来分组，中规中矩，但在大数据集上容易很慢。
技术细节： - 算法：EM算法迭代优化 - 输入：序列组成 + 覆盖度 + 标记基因 - 特点：用107个标记基因辅助判断
# 安装MaxBin2
conda install -c bioconda maxbin2 # 用conda安装maxbin2
# 运行MaxBin2
run_MaxBin.pl \
-contig contigs.fa \ # 输入contigs文件
-abund depth.txt \ # 输入覆盖度文件
-out maxbin_output \ # 输出前缀
-thread 16 # 使用16个线程
SemiBin2¶
白话解释： 新一代深度学习工具，用自监督学习的方法训练模型，效果比传统方法好很多，是目前的主流选择之一。
技术细节： - 算法：自监督对比学习 + 半监督深度学习 - 输入：序列组成 + 覆盖度 - 特点：支持多样本模式(multi-sample)，效果显著提升
# 安装SemiBin2
conda install -c bioconda semibin # 用conda安装semibin
# 单样本模式
SemiBin2 single_easy_bin \
-i contigs.fa \ # 输入contigs文件
-b sample_sorted.bam \ # 输入排序后的bam文件
-o semibin_output \ # 输出目录
--environment human_gut \ # 指定环境类型（human_gut/dog_gut/ocean等）
-t 16 # 使用16个线程
# 多样本模式（推荐，效果更好）
SemiBin2 multi_easy_bin \
-i contigs.fa \ # 输入co-assembly的contigs
-b sample1.bam sample2.bam sample3.bam \ # 输入所有样本的bam
-o semibin_multi_output \ # 输出目录
-t 16 # 使用16个线程
2025年最新Benchmark结果¶
根据2025年发表在Nature Communications上的综合评测研究：
| 工具 | 类型 | NC bins恢复量 | 速度 | 推荐度 |
|---|---|---|---|---|
| COMEBin | 神经网络 | 最高 | 较慢，需GPU | ★★★★★ |
| SemiBin2-multi | 神经网络 | 很高 | 较快 | ★★★★★ |
| VAMB-multi | 神经网络 | 高 | 中等 | ★★★★ |
| MetaBAT2 | 传统 | 低 | 最快 | ★★★ |
| MaxBin2 | 传统 | 低 | 慢 | ★★ |
| CONCOCT | 传统 | 低 | 最慢 | ★★ |
关键发现： 单独使用COMEBin或SemiBin2-multi，就已经比传统三件套(MetaWRAP整合CONCOCT+MaxBin2+MetaBAT2)恢复更多的MAG。
推荐的Ensemble策略¶
传统三件套（经典但已过时）¶
# 用MetaWRAP整合三个传统binner
metawrap bin_refinement \
-o refined_bins \ # 输出目录
-A metabat2_bins/ \ # MetaBAT2结果
-B maxbin2_bins/ \ # MaxBin2结果
-C concoct_bins/ \ # CONCOCT结果
-c 50 \ # 最低完整度50%
-x 10 \ # 最高污染度10%
-t 16 # 线程数
新一代三件套（2025年推荐）¶
# 推荐组合：COMEBin + SemiBin2-multi + VAMB-multi
# 然后用MetaWRAP或Binette整合
# 1. 运行COMEBin
COMEBin run \
-a contigs.fa \ # 输入contigs
-o comebin_output \ # 输出目录
-p sample_sorted.bam \ # 输入bam文件
-t 16 # 线程数
# 2. 运行SemiBin2 (multi模式)
SemiBin2 multi_easy_bin \
-i contigs.fa \
-b *.bam \
-o semibin_output \
-t 16
# 3. 用DAS Tool整合
DAS_Tool \
-i comebin.tsv,semibin.tsv \ # 输入多个binner的结果
-l COMEBin,SemiBin2 \ # 对应的标签
-c contigs.fa \ # 输入contigs
-o das_tool_output \ # 输出目录
--write_bins \ # 输出bin文件
-t 16 # 线程数
常见报错与解决¶
| 报错 | 原因 | 解决方案 |
|---|---|---|
jgi_summarize_bam_contig_depths: command not found | MetaBAT2没安装好 | conda install -c bioconda metabat2 |
| CONCOCT运行超过2周不出结果 | 数据集太大（>600万contigs） | 用SemiBin2替代CONCOCT |
CUDA out of memory | COMEBin需要GPU但显存不足 | 减小batch_size或使用CPU模式 |
SemiBin2报environment错误 | 环境类型拼写错误 | 检查可选项：human_gut, dog_gut, ocean, soil, cat_gut, human_oral, mouse_gut, pig_gut, built_environment, wastewater, chicken_caecum, global |
| MaxBin2输出0个bin | contig太短或覆盖度文件格式错误 | 检查最小contig长度，确保depth文件格式正确 |
DAS Tool报Fasta_to_Contig2Bin.sh找不到 | v1.1.3之前用Fasta_to_Scaffolds2Bin.sh | 检查DAS Tool版本，用正确的脚本名 |
速查表¶
# 快速选择指南
数据量小 + 赶时间 → MetaBAT2
多样本 + 追求质量 → SemiBin2 multi模式
有GPU + 追求最优 → COMEBin
需要ensemble → DAS Tool / MetaWRAP / Binette 整合多个binner
# 各工具输入格式
所有binner都需要：
1. contigs.fa — 组装后的contig文件
2. *.bam — reads比对到contigs的比对文件
3. depth.txt — 覆盖度文件（部分工具自动计算）
# 版本信息（截至2025年）
MetaBAT2: v2.12.1+
CONCOCT: v1.1.0
MaxBin2: v2.2.7
SemiBin2: v2.1.0+
COMEBin: v1.0.4+
DAS Tool: v1.1.7
面试高频问题¶
Q1：什么是Binning？为什么需要做Binning？
A：Binning是把宏基因组组装出来的contigs按照物种来源分成一组一组（每组叫一个bin/MAG）。需要做是因为宏基因组测序测的是混合微生物群落，组装后得到的contigs来自不同物种，需要分开才能恢复单个物种的基因组。
Q2：Binning主要依据什么特征来分组？
A：主要两个特征：①序列组成特征（如GC含量、四核苷酸频率）——同一物种的序列组成相似；②覆盖深度——同一物种的不同contigs在相同样本中的覆盖深度接近。
Q3：传统Binner和深度学习Binner有什么区别？
A：传统方法（MetaBAT2/CONCOCT/MaxBin2）用手工设计的统计模型；深度学习方法（SemiBin2/COMEBin/VAMB）用神经网络自动学习特征。2025年benchmark表明深度学习方法恢复的MAG数量显著多于传统方法。
Q4：什么是Ensemble binning？为什么要用？
A：不同binner各有优劣，对同一数据产生的bins不同。Ensemble就是把多个binner的结果整合在一起，用DAS Tool或MetaWRAP选出最优的非冗余bin集合。这样比任何单个binner效果都好。
Q5：你会怎么设计一个Binning流程？
A：推荐使用SemiBin2 multi模式 + COMEBin作为主力binner，然后用DAS Tool整合结果，再用CheckM2评估质量。如果资源有限，至少用SemiBin2单样本模式。