CoverM中相对丰度和RPKM计算的关键考量

背景介绍

CoverM是一款用于计算宏基因组数据中基因组覆盖度和相对丰度的工具。在使用过程中，研究人员发现了一个值得深入探讨的现象：当包含未分箱(unbinned)的contigs时，计算得到的相对丰度(rel_abund)和RPKM值会发生变化。本文将详细解析这一现象背后的原理。

现象描述

在实际分析中，当使用DasTool进行分箱时，是否启用--write-unbinned选项会导致CoverM计算结果出现显著差异：

1. 不包含未分箱contigs时：

   • 两个分箱A和B的相对丰度分别为3%和4%
   • 未比对(unmapped)reads占比高达93%

2. 包含未分箱contigs时：

   • 结果中新增"unbinned"行
   • 分箱A和B的相对丰度显著升高至27%和39%
   • 未比对reads比例降至13%

计算原理分析

CoverM的相对丰度计算遵循以下公式(Aroney et al., 2025)：

rel_abund = (mean_coverage_of_genome / sum_of_mean_coverages) × (aligned_reads / total_reads)

理论上，当包含未分箱contigs时：

1. 分母(sum_of_mean_coverages)会增加
2. 比对率(aligned_reads/total_reads)也会变化(因为更多reads可以比对到未分箱contigs)

深入解析

1. 比对率变化：未分箱contigs的加入使得原本未比对的reads现在可以比对到这些contigs上，导致比对率提高。

2. 相对丰度计算：

   • 未分箱contigs被CoverM视为一个"基因组"，但这不符合实际情况
   • 公式假设所有基因组的平均大小相似，但未分箱contigs的集合通常远大于单个分箱
   • 这种假设的违反导致计算结果出现偏差

3. RPKM变化：

   • 原本比对到分箱的reads可能被重新分配到未分箱contigs
   • 导致分箱的RPKM值下降
   • 这与观察到的现象一致

最佳实践建议

1. 不建议在相对丰度计算中包含未分箱contigs，因为：

   • 会违反计算方法的基本假设
   • 导致结果解释困难

2. 对于RPKM计算：

   • 包含未分箱contigs会导致reads重新分配
   • 应根据具体分析目标决定是否包含

3. 结果解释：

   • 高比例的未比对reads可能表明：
     • 分箱质量不高
     • 样本中存在未被分箱代表的微生物
     • 测序数据质量问题

结论

CoverM计算结果的差异反映了宏基因组数据分析中的复杂性。理解这些计算背后的假设和原理对于正确解释结果至关重要。在实际分析中，研究人员应根据具体科学问题和数据特点，谨慎选择分析方法，并合理解释计算结果。