宏基因组中的病毒组分析（3）CD-HIT聚类vOTU

宏基因组中的病毒组分析：

第一步：宏基因组中的病毒组分析（1）病毒序列的鉴定geNomad-博客

第二步：宏基因组中的病毒组分析（2）checkV评估病毒基因组的质量-博客

第三步：采用CD-HIT进行聚类得到vOTU

CD-HIT（Cluster Database at High Identity with Tolerance）是一个广泛使用的生物信息学工具，主要用于对蛋白质或核酸序列进行聚类。它能够快速有效地找出相似的序列，并将其归为同一簇，极大地减少了数据的复杂性，帮助研究人员在大规模基因组和转录组数据中找到重复和模式。CD-HIT的核心特性在于其优化的算法，能够在保持高精度的同时实现高速度。

1、工作原理

CD-HIT基于增量聚类算法，通过用户定义的相似性阈值来进行序列聚集。在默认模式下，序列仅和每个聚类中的代表性序列（通常是这类中的最长序列）进行比较，而不和聚类中的其他序列进行比对。代表性序列的选择是算法的关键步骤，因为后续的序列都将与这些代表序列进行比对。

1. 序列预处理 ：输入序列首先进行长度排序，去除低质量的序列（默认阈值为50%），并删除冗余序列。
2. 代表序列选择 ：算法从输入序列中选取较长的序列作为初始的代表序列。
3. 序列比对 ：对于每个输入序列，算法将其与已选定的代表序列进行比对，如果相似性高于设定的阈值（默认为90%），则将该序列归入相应的聚类中。
4. 聚类更新 ：对于每个聚类，算法选择具有最长序列的代表作为该聚类的标记性序列，并更新聚类信息。
5. 输出结果 ：最终输出每个聚类的代表性序列、聚类成员序列数量以及各聚类之间的相似度等信息。

2、 安装

CD-HIT可以直接使用conda/mamba安装：

    mamba install cd-hit
    

3、

CD-HIT的输入形式可以是蛋白质序列，也可以是核酸序列。用法不同

蛋白质序列：

    cd-hit -i XX.fa -o XX.fa.cdhit -c 0.9 -n 5 -M 16000 - d 0 -T 10
    

##参数说明
-i 输入文件，fasta格式的序列 注意这里是蛋白序列/核酸序列
-o 输出文件路径和名字
-c 相似性（clustering threshold），0.9表示相似性大于等于90%的为一类
-n 两两序列进行序列比对时选择的 word size
-d 0表示使用 fasta 标题中第一个空格前的字段作为序列名字
-M 16000，16GB RAM 内存，这里怎么都够
-T 使用的线程数

-n和-c的修改是相对应的，蛋白质序列需符合以下规则：

  ##Choose of word size:

    
 -n 5 for thresholds 0.7 ~ 1.0
    
 -n 4 for thresholds 0.6 ~ 0.7
    
 -n 3 for thresholds 0.5 ~ 0.6
    
 -n 2 for thresholds 0.4 ~ 0.5
    
    
    
    

核酸序列：

    cd-hit-est -i XX.fa -o XX.cdhit.fa -c 0.95 -n 10 -d 0 -M 16000 - T 8
    

##参数说明与蛋白质序列相同

 ##Choose of word size:

    
 -n 10, 11 for thresholds 0.95 ~ 1.0
    
 -n 8,9 for thresholds 0.90 ~ 0.95
    
 -n 7 for thresholds 0.88 ~ 0.9
    
 -n 6 for thresholds 0.85 ~ 0.88
    
 -n 5 for thresholds 0.80 ~ 0.85
    
 -n 4 for thresholds 0.75 ~ 0.8
    
    
    
    

4、可能出现的错误

    cd-hit-est -i choosed_contigs2.fna -o vOTUs_cdhit.fna -c 0.95 -n 10 -M 20000 -d 0 -T 20 
    

注意输出文件的后缀，把cdhit挪进去，不然会报错

同时，这一步的时间会比较长，大概有几个小时，也可能和我电脑的算力有关

5、优缺点

5.1.优点

1. 高效性 ：CD-HIT采用了一种名为“word counting”的快速算法来比较序列相似性，能够处理大规模序列数据。
2. 可扩展性 ：支持多线程并行处理，可以在分布式计算机集群上，易于扩展到云计算平台上进行更大规模的分析。
3. 精度高 ：通过设置聚类阈值和去冗余策略，控制聚类大小和精度，保证结果的可靠性。
4. 支持多种文件格式 ：如FASTA、GenBank、EMBL等，方便用户导入自己的序列数据。
5. 丰富的输出信息 ：生成包括聚类数量、序列数量、簇大小等在内的多种统计信息，以及每个聚类簇的代表序列，便于后续分析。

5.2.缺点

1. 比对方式限制 ：CD-HIT首先选择长的代表序列，剩下的序列只与这些代表序列比对，而剩下的序列之间不进行互相比对。这可能导致某些相似性较高的序列因为未进行直接比对而被遗漏，从而影响聚类结果的全面性。
2. 结果可能不够细致 ：由于比对方式的限制，CD-HIT可能无法捕捉到所有细微的相似性差异，导致聚类结果在某些情况下不够细致。
3. 对低相似性要求的限制 ：CD-HIT本身对相似性的要求较高（默认为90%），对于需要更低相似性阈值的应用场景，可能需要使用其他工具或方法进行补充。

6、总结

CD-HIT作为一种高效的生物信息学工具，在基因组和转录组研究中发挥着重要作用。其优点在于高效、可扩展、精度高，并支持多种文件格式和丰富的输出信息。然而，其比对方式的限制可能导致结果在某些情况下不够全面或细致。因此，在实际应用中，需要根据具体需求选择合适的工具和方法，以获得最佳的分析效果。

参考来源： weizhongli/cdhit: Automatically exported from code.google.com/p/cdhit (github.com)