CD-HIT完全指南：从安装到精通的6个关键步骤

问题引入

在生物信息学研究中，处理海量序列数据时，冗余序列会显著增加计算资源消耗并干扰分析结果准确性。CD-HIT作为一款高效的序列聚类工具，能够通过快速聚类和去冗余操作，有效解决这一行业痛点，提升数据分析效率。本文将详细介绍CD-HIT的安装、使用及进阶技巧，帮助新手快速掌握该工具。

核心价值

CD-HIT具有三大独特应用场景：

1. 宏基因组OTU聚类：对16S rRNA测序数据进行聚类，生成操作分类单元，助力微生物群落分析。
2. 蛋白质数据库构建：去除蛋白质序列中的冗余信息，构建非冗余数据库，减少后续分析计算量。
3. 转录组异构体识别：对转录组数据中的可变剪切异构体进行聚类，辅助基因表达分析。

[!NOTE] OTU（操作分类单元）：在微生物生态学中，为了便于分析，将序列相似度达到一定阈值的微生物视为一个分类单元。

场景化操作

准备工作

1. 获取源代码

git clone https://gitcode.com/gh_mirrors/cd/cdhit

2. 编译安装

cd cdhit && make

3. 验证安装 编译成功后，会生成cdhit、cdhit-est等可执行文件。

基础命令

单文件聚类基础命令：

./cdhit -i input.fasta -o output -c 0.95

参数说明：

参数	用途	推荐值
-i	指定输入序列文件（FASTA格式）	无
-o	指定输出文件前缀	无
-c	设置序列相似度阈值	蛋白质0.9，核酸0.95

高级参数

多线程加速及内存优化命令：

./cdhit -i large_input.fasta -o fast_output -c 0.9 -T 8 -M 8000

参数说明：

参数	用途	推荐值
-T	设置使用的CPU核心数	根据计算机配置，一般4-8
-M	限制内存使用（MB）	8000（8GB）

结果解读

聚类结果会生成两个文件：

• .clstr文件：包含聚类信息，记录每个簇中的序列及相似度等。
• .fasta文件：包含每个簇的代表序列。

实战案例

案例一：宏基因组16S rRNA序列OTU聚类

数据处理前：海量原始16S rRNA序列，包含大量冗余和相似序列。

操作命令：

./cdhit-est -i 16s_sequences.fasta -o otu_clusters -c 0.97

数据处理后：得到OTU聚类结果，每个OTU代表一个微生物分类单元，减少了数据量，便于后续群落结构分析。

alt: CD-HIT在16S rRNA测序中的OTU聚类应用流程图

案例二：蛋白质序列去冗余

数据处理前：包含大量相似蛋白质序列的数据库，冗余度高。

操作命令：

./cdhit -i protein_db.fasta -o non_redundant_db -c 0.9

数据处理后：去除了冗余蛋白质序列，构建了非冗余数据库，提高后续功能注释和结构预测的效率。

避坑指南

相似度阈值设置不当

⚠️ 盲目使用默认参数可能导致聚类效果不佳。蛋白质序列推荐使用0.9的相似度阈值，核酸序列推荐0.95-0.97，具体需根据研究需求调整。

内存不足问题

⚠️ 直接处理超大文件易导致内存不足，可使用-M参数限制内存使用量，或分批次处理数据。

序列质量问题

⚠️ 原始数据中可能存在短序列和低质量序列，应先进行过滤处理，避免影响聚类结果。

进阶技巧

分阶段聚类

先使用宽松阈值（如0.9）进行粗聚类，再用严格阈值（如0.98）进行精细聚类，提高聚类准确性。

结果可视化

使用clstr2tree.pl脚本将聚类结果转换为进化树，便于直观展示序列间的进化关系。

批量处理

结合shell脚本，实现对多个序列文件的批量聚类处理，提高工作效率。

实用附录

常见问题速查表

问题	解决方案
编译失败	检查是否安装g++编译器，Linux用户运行sudo apt install g++
运行时内存溢出	使用-M参数限制内存使用，或分批次处理数据
聚类结果不理想	调整相似度阈值，或对序列进行预处理过滤

命令行参数速查卡片

参数	用途	示例
-i	输入文件	-i input.fasta
-o	输出文件前缀	-o output
-c	相似度阈值	-c 0.95
-T	CPU核心数	-T 8
-M	内存限制（MB）	-M 8000

官方文档与社区资源

官方文档：doc/cdhit-user-guide.pdf