宏病毒组分析：挖掘宏基因组中的病毒序列

天意生信云

发布于 2025-11-20 16:30:41

140

宏基因组学通过对环境样本中的全部遗传物质进行测序和分析，可以全面揭示微生物群落的组成、功能和相互作用。病毒携带遗传物质，在生态系统中扮演重要角色。宏病毒序列的鉴定与分析，往往需要基于宏基因组部分结果，本篇就主要介绍以组装好的Contigs作为输入，运行病毒识别工具，筛选出可信的病毒Contigs。

这一步是整个宏病毒组分析的基石，其准确性和全面性直接决定了下游所有分析的质量。本文将详细介绍当前该领域三款主流的病毒挖掘工具：VirSorter2、VIBRANT 和 DeepVirFinder，深入解析它们的核心作用、环境部署与使用方法，并提供在实际项目中如何选择和整合这些工具的策略。

核心挑战与鉴定策略

从宏基因组组装的数百万条Contigs中识别病毒序列，如同大海捞针。其主要挑战在于病毒基因组的多样性极高，许多病毒缺乏普适的、类似细菌16S rRNA的标记基因。因此，生物信息学工具开发了三大主流鉴定策略：

基于同源性的方法：将序列与已知病毒参考数据库进行比对。优点是准确性高，但缺点是难以发现新病毒。
基于基因组特征的方法：利用病毒特有的“标志性基因”（如衣壳蛋白、复制酶等）、基因密度、基因组结构等特征进行识别。
基于机器学习的方法：利用算法（如深度学习）学习已知病毒和宿主基因组在核苷酸组成（k-mer频率）上的差异，从而构建分类模型。

现代病毒挖掘工具通常会融合多种策略以达到最佳效果。

工具一：VirSorter2 (当前主流与黄金标准)

VirSorter2 是目前社区公认功能最强大、发表文章中最常用的病毒挖掘工具。它通过一个集成的多分类器系统，结合了病毒标志性蛋白、全蛋白域富集分析以及序列的k-mer特征，实现了极高的准确性和灵敏度。

核心作用与优势：

○ 综合性强：不依赖单一特征，而是综合多个维度的证据进行打分，结果非常可靠。

○ 发现新病毒能力强：由于其部分模型不依赖于已知病毒蛋白，因此在发现新型病毒方面表现出色。

○ 评分系统清晰：为每条Contig提供一个0到1的评分(max_score)，用户可以根据研究需求（要高精度还是高召回）灵活设定阈值。

环境部署：

VirSorter2 依赖复杂，强烈建议使用 Mamba 进行安装。

# 1. 创建并激活Conda环境
mamba create -n virsorter2 -c conda-forge -c bioconda virsorter2
conda activate virsorter2

# 2. 下载并设置数据库（首次使用需要，耗时较长，确保网络稳定）
# 将 /path/to/your/db/directory 替换为你的数据库存储路径
virsorter-data-update --db-dir /path/to/your/db/directory

软件核心用法：

virsorter2 run \
    -i your_assembly_contigs.fasta \  # 输入的宏基因组组装Contigs文件
    -w /path/to/output_directory \    # 输出目录
    --min-length 1500 \               # (推荐) 仅处理长度 > 1500 bp的Contigs
    -j 16 \                           # 使用的线程数
    all                               # 'all'模式会运行所有可用模型进行最全面的预测

参数实践建议：

○ --min-score: VirSorter2 默认不过滤分数，但会在 final-viral-score.tsv 文件中提供分数。通常，max_score >= 0.9 可认为是高可信度病毒，0.5 <= max_score < 0.9 为中等可信度。在探索性分析中，可以先提取所有 max_score >= 0.5 的序列，再用下游工具（如CheckV）进行质量评估。

工具二：VIBRANT (快速、功能注释全面的备选方案)

VIBRANT 是另一款非常受欢迎的病毒挖掘工具，它主要通过HMM模型扫描病毒蛋白家族（结合了NCBI RefSeq、PhagesDB和VOGs等数据库）来识别病毒序列，并以其自动化的流程和详尽的功能注释输出而著称。

核心作用与优势：

○ 速度快：相对于VirSorter2，VIBRANT的运行速度通常更快。 ○ 功能注释丰富：在识别病毒的同时，还能注释其辅助代谢基因(AMGs)、毒力因子和抗性基因，并评估其生活史（裂解性或溶源性）。 ○ 流程一体化：从病毒识别到初步功能分析一气呵成，输出结果非常友好。

环境部署：

# 1. 创建并激活环境
mamba create -n vibrant -c conda-forge -c bioconda vibrant
conda activate vibrant

# 2. 下载并设置数据库（首次使用）
# 将 /path/to/vibrant_db 替换为你的数据库存储路径
download-db.sh -d /path/to/vibrant_db

软件核心用法：

VIBRANT_run.py \
    -i your_assembly_contigs.fasta \  # 输入的Contigs文件
    -folder /path/to/vibrant_output \ # 输出目录
    -d /path/to/vibrant_db \          # VIBRANT数据库路径
    -t 16                             # 使用的线程数

工具三：DeepVirFinder (高效的无参考序列初筛工具)

DeepVirFinder (DVF) 采用了与前两者完全不同的策略。它是一个基于深度学习的工具，通过学习已知病毒和原核生物基因组的k-mer频率分布模式来区分病毒和非病毒序列。

核心作用与优势：

○ 极致的速度：由于不涉及蛋白比对，DVF的速度非常快，适合处理超大规模的数据集。

○ 完全不依赖参考数据库：其识别能力不依赖于同源性，因此在挖掘极其新颖的病毒方面有独特潜力。

○ 轻量化：无需下载庞大的蛋白质数据库。

环境部署：

# 1. 创建并激活环境
mamba create -n dvf -c conda-forge -c bioconda deepvirfinder
conda activate dvf

软件核心用法：

dvf.py \
    -i your_assembly_contigs.fasta \  # 输入的Contigs文件
    -o /path/to/dvf_output \          # 输出目录
    -l 1500                           # (推荐) 筛选最小长度

结果解读：

DVF会为每个Contig生成一个score（0-1）和一个p-value。通常，score > 0.9 且 p-value < 0.01 被认为是高可信度的病毒预测结果。

最佳实践策略

没有一个工具是完美的。它们各自的算法偏好会导致其结果集既有重叠，也各有独特发现。因此，为了最大化病毒序列的检出率（即提高召回率），推荐的策略是联合使用多个工具。

首选组合：同时运行 VirSorter2 和 VIBRANT。 ○ VirSorter2 作为主体，提供最可靠的核心病毒集。 ○ VIBRANT 作为补充，其不同的算法可能捕获VirSorter2遗漏的病毒，并且其丰富的注释可以为后续分析提供额外信息。
结果合并：将两个工具鉴定出的病毒Contigs（根据各自推荐的阈值）取并集，然后去除重复序列。这个合并后的集合将作为进入下一步质量评估的候选病毒池。
DVF的使用：DeepVirFinder 可作为大规模数据集的快速预处理步骤，或者当研究重点是寻找与已知病毒差异极大的“暗物质”病毒时，可将其结果与前两者进行比较。