宏基因组数据如何使用服务器

『壹』 宏基因组shotgun入门笔记

目录

根据分析对象和实验目的，宏基因组的研究基本上可以分为

1. Pre-processing

2. Sequence analysis

包括两种分析策略： read-based (mapping) 和 assembly-based

简单来说，assembly-based approach 受到覆盖度的制约，因为组装时低覆盖度的区域是不会进行组装的，而是被丢弃，这样低丰度的细菌的信息就被丢弃了，反映在reads利用率上，就是往往reads利用率极低，往往低于50%

而 read-based (mapping) approach 则受到reference databases的制约，因为细菌的遗传多样性很高，即便是同一个菌种，它的不同菌株，其基因组的组成也是有相对比较大的差异的，那么在mapping的时候就会出现mapping不上的问题，使得mapping效率不够高；而且只能分析reference databases中有的物种，对于reference databases未收录的新物种，是无法进行分析的。

不过可用的微生物参考基因组正在迅速地增加，包括那些原先难以培养的细菌由于培养方法的改进，使得对其进行测序成为可能，再加上单细胞测序的途径和 metagenomic assembly的途径得到的基因组序列。现在一些类型的环境样品（如人肠道）的参考基因组的多样性已经可以满足 assembly-free taxonomic profiling 的要求。

随着测序成本的下降和测序深度的增加，其分析难度将会越来越大，制约效应也将会越来越明显

预计的单位测序成本将会以指数关系下降,但其中计算成本下降的幅度会远慢于测序成

在数据存储和数据处理的层面上，rDNA和扩增序列的分析难度较小，基本可以在个人电脑或者小型服务器上完成，但宏基因组全测序的分析却主要受限于计算技术的发展

即使在同一个环境中获取的不同样本，其微生物组成也会存在比较大的差异，这使得在样本集之间，寻找具有统计学显著性和生物学意义的差异变得很困难。因此如何做到，在即使其影响因素的作用程度很小的情况下，也能有效地检测出差异就显得十分重要。

一种策略是，构造 pilot data，即将不同浓度的绝对定量 control (spike-in) 加入到样本中，来评估实验与分析方法的稳健性(robust)；

另一种策略：two-tiered approach，即挑取少部分样本，既做 16s rDNA 测序，又做 shotgun metagenomics 测序，对比这两个层次的结果来评估实验结果的稳健性。

两种研究策略：

由于在研究宏基因组过程中，比如研究人类的微生物群，影响其微生物群的因素众多，包括宿主基因型，年龄，饮食习惯等等，当进行两个环境微生物群横向比较时，很难做到控制变量，使得在进行比较分析时混入了许多干扰因素；此时如果进行单一环境微生物群多时间点采样的纵向比较，就可以从很大程度上消除这种影响。

1. 样本量与测序深度

当实验目的是检出显著性差异时，样本量与测序深度的选择取决于（1）不同样本间微生物组组成的一致性，（2）样本固有的微生物多样性，（3）影响因素的效应量(effect size)

建议：参考前人在类似环境中的研究。若没有可参照的类似研究，选择marker gene做预实验

2. Confounding variables and control groups

在进行宏基因组研究时，往往很难找到与目标样本集对应的没有其他干扰因素的对照组

建议：目前最佳的解决策略是，尽可能地搜集各个样本群体的元数据 (metadata)，然后在随后的比较分析中将它们考虑进去。比如临床样本，包括性别、年龄、是否使用抗生素/药物、取样位置、饮食习惯等等。比如环境样本，包括地理位置、季节、pH、温度等等。

元数据的搜集可以参照MIMARKS (Minimum information about a marker gene sequence) 和 MIxS (minimum information about any (x) gene sequence) 标准

3. Sample collection/preservation

样本的处理和保存过程的差异会带来系统偏差，比如when samples are provided from a number of locations by different research groups，或者在纵向研究中，不同取样时间点的样本的保存时间长短不一。有时这些处理步骤的效应量可能比你感兴趣的生物学变量还大。

建议：尽可能按照相同的标准来进行取样和保存

4. Biomass/Contamination

当前采用的基于测序的方法具有很高的灵敏度 (highly sensitive)，即使非常微量的DNA也能被检测出来。而实验室中使用到的常规仪器和试剂并不是无菌的，这样就很可能在实验操作过程中，人为地引入污染。由于检测方法的高灵敏度，当原样本的微生物量很少时，污染带来的信号很可能会盖过真实的信号。

建议：在上机测序前，做好微生物量的定量 (qPCR)。当样品中的微生物数量少于10 5 数量级时，其极有可能会受到背景污染的干扰。此时，可以参照以下的方法进行细胞/DNA的富集：

可以增设负对照实验 (Negative control)，对其进行与实际样本相同的操作，使用相同的试剂，以此来找出污染的细菌类型，这样就可以在后续的生物信息学分析过程中将其过滤掉。

5. 选择合适的DNA提取方法

DNA提取的效果会直接对后续的实验和分析产生巨大的影响。DNA提取方法的选择依赖于样品中细胞类型的组成，然而即使是相同类型的样品其微生物组成也具有较大的差异（当人粪便中革兰氏阴性菌主导时，细胞很容易裂解，而当由相对顽强的革兰氏阳性菌主导时，则相反）。

因此不存在适用于所有样品的最佳的DNA提取方案。

若方案选择不当，则获得的DNA主要来自于那些易裂解的细菌

建议：

Illumina测序仪通量大 (up to 1.5 Tb per run)，且准确率高 (with a typical error rate of 0.1–1%)，通过在不同样本的序列上添加两重barcode，可以一次测序多个samples。

然而，Illumina测序仪存在carryover (between runs) 和 carry-between (within runs)的问题。最新的测序仪由于使用了新的扩增方法 (ExAmp)，导致较高比例的‘index hopping’。

虽然没有一个明确的指导意见，告诉你在哪个特定的环境样品中应该测多大的覆盖度，但是一个基本的原则就是通量要尽可能地大，这样低丰度的细菌也能被测到。Illumina HiSeq 2500/4000， NextSeq 和 NovaSeq 的测序通量都很大，都适用于 metagenomics 的研究。

Metagenome de novo assembly 采用的策略与 whole-genome assembly 相同，均为 de Bruijn 图方法

用 de Bruijn 图方法进行宏基因组的从头组装时，面临着以下的挑战：

当进行单一基因组的组装时，其有一个前提假设：整个基因组的测序覆盖度是相对均匀的，这样就可以利用覆盖度信息来识别重复序列和鉴定测序错误和等位变异。

而metagenome中，各个组成基因组的覆盖度取决于它们的物种丰度，低丰度物种的基因组就会由于总体测序深度不够而使得最终组装出来的基因组是支离破碎的。使用更短的 k-mer 有助于低丰度基因组的组装，但是这会使得图中重复 k-mer 的频率大大增加，降低了组装的准确性。

这需要组装工具在考量低丰度物种与获得高丰度物种更长更准确的contig之间进行权衡，即选择合适的 k-mer ：

同种细菌的不同菌株，它们的基因组组成很相近，常常就是一个碱基的变异或者整个基因/操纵子的丢失，当进行 de Bruijn 图组装时，就会在这些差异的位置出现分叉，组装工具在遇到这些分叉时，常常会停在这些位置，从而导致一个个不连续组装片段的产生。

Meta-IDBA：将图依据其拓扑结构拆分成各个元件，每个元件代表各个亚种的共有区域

解决计算能力与内存不足的策略：

Metagenome 组装完成后，我们得到的是成千上万的 contigs，我们需要知道哪些 contigs 来自哪一个基因组，或者都有哪些微生物的基因组。所以需要将 contigs 按照物种水平进行分组归类，称为 "bining"

一个很容易想到的策略就是，将组装得到的片段与已知物种的参考基因组进行比对，根据同源性进行归类。然而目前大多数的微生物的基因组还没有测序出来，因此限制了这种方法的可行性。

目前主流的 bining 策略利用的是 contigs 的序列组成特点。

依据：来自同一菌株的序列，其核酸组成是相似的

例如根 据核酸使用频率 （oligonucleotide frequency variations），通常是四核苷酸频率（tetranucleotide frequency）， GC含量 和 必需的单拷贝基因 等

优势：即便只有一个样品的宏基因组数据也可以进行binning，这在原理上是可操作的

不足：由于很多微生物种内各基因型之间的基因组相似性很高，想利用1个样品的宏基因组数据通过核酸组成信息进行binning，效果往往并不理想或难度很大。利用核酸组成信息进行binning，基本上只适合那些群落中物种基因型有明显核酸组成差异的，例如低GC含量和一致的寡核苷酸使用频率

依据：来自同一个菌株的基因在不同的样品中 ( 不同时间或不同病理程度 ) 的丰度分布模式是相似的【PMID: 24997787】。

原因：比如，某一细菌中有两个基因，A和B，它们在该细菌基因组中的拷贝数比例为 A:B = 2:1，则不管在哪个样品中这种细菌的数量有多少，这两个基因的丰度比例总是为 2:1

优势：这种方法更有普适性，一般效果也比较好，能达到菌株的水平

不足：必须要大样本量，一般至少要50个样本以上，至少要有2个组能呈现丰度变化 ( 即不同的处理，不同的时间，疾病和健康，或者不同的采样地点等 ) ，每个组内的生物学重复也要尽量的多

对于像质粒这样的可移动遗传单元 (mobile genetic elements (MGEs))，由于其复制独立于细菌染色体，则同一种细菌的不同个体，该质粒的拷贝数可能存在差异，使得无法用丰度信息进行有效地bining

将核酸组成信息和丰度差异信息创建一个综合的距离矩阵，既能保证binning效果，也能相对节约计算资源，现在比较主流的binning软件多是同时依据核酸组成和丰度变化信息

依据：不同的细菌，其基因组甲基化模式不同，平均一种细菌有3种特意的甲基化 motif。MGEs (mobile genetic elements) 中含有 MTase 基因，其基因水平转移是细菌甲基化组多样性的驱动因素。虽然 MGEs 在不同个体的拷贝数不同，但是都存在，因此具有相同 MGEs 的细菌个体，其总遗传物质（包括染色体和 MGEs ）都会受到相同的MTase的作用而得到相同的甲基化模式。

Q1：从哪些序列下手进行binning呢？

从原始的clean reads，还是从组装成的contig，还是从预测到的gene，都可以。根据基于聚类的序列类型的不同，暂且分为reads binning， contig binning和 genes binning

比较这三种binning的优劣：

总体来说应用最广泛的就是基于genes binning 和 contig binning

Genes binning的一般流程

在宏基因组做完组装和基因预测之后，把所有样品中预测到的基因混合在一起，去冗余得到unique genes集合，对这个unique genes集合进行binning，主要是根据gene在各个样品中的丰度变化模式，计算gene之间的相关性，利用这种相关性进行聚类

该图中的聚类过程类似于 K-means聚类 ：随机选择几个seed genes作为诱饵，计算其他基因丰度分布模式与seed genes的相关性，按照固定的相关性值PCC>0.9，将它们归属于不同seed genes所代表的类，然后在聚好的类内重新选择seed genes，进行迭代，最终聚类得到一个个基因集合，较大的集合（超过700个基因）称为 metagenomic species (MGS)，较小的集合称为 co-abundance gene group (CAG)

基于 bining 结果进行单菌组装：

比如对核酸组成信息的利用，开发得就不够充分，四碱基使用频率因简单而被广泛使用和接受，但现在已有研究表明k-mer丰度信息也是很好的种系特征，同时越长的k-mer含有越多的信息，还有基因和参考基因组间的同源关系也是有价值的种系信号，但这些都还没有被自动化的binning软件整合

想要获得高质量的bins经常需要手动调整

Taxonomic profiling: identifies which microbial species are present in a metagenome and estimates their abundance

优点：

当然它也有局限性：

对于与人类密切相关的样品，比如人肠道，可以使用该策略，而且已经有相关的成功实践

By looking at co-abundant markers from preassembled environment-specific gene catalogs

即前人研究 (MetaHIT consortium) 已经得出特定环境下的微生物的组成，这些微生物中有某些 co-abundant markers（这些 marker genes 的丰度与其物种的丰度成正比），这样就可以基于对这些 markers 的定量得到对应的物种丰度

选择 markers 的不同策略：

当样本量巨大，都进行组装是明显不切实际的，此时采用 marker-based approaches 是一个不错的选择；而且，如果该环境来源的样本其组成微生物是研究比较充分时，marker-based approaches 能得到比较准确的物种定量结果。

Gene identification

Characterization of the functional potential of the microbiome

局限性 ： lack of annotations for accessory genes in most microbial species

因为在评估微生物群体的代谢潜能时，只对那些高度保守和 housekeeping 类型的功能进行了注释，这就解释了，为什么来自不同环境的不同样品，它们的功能特征常常是十分相似的，即使它们的物种组成有很大差异。

例如，鉴定出微生物群落中的抗生素抗性基因，该方法高度依赖特定功能相关基因集注释的质量。

参考资料：

(1) 魏子艳, 金德才, 邓晔. 环境微生物宏基因组学研究中的生物信息学方法[J]. 微生物学通报, 2015, 42(5):890-901.

(2) Quince C, Walker A W, Simpson J T, et al. Shotgun metagenomics, from sampling to analysis[J]. Nature Biotechnology, 2017, 35(9):833.

(3) 句句干货！一文读懂宏基因组binning

(4) Nielsen H B, Almeida M, Juncker A S, et al. Identification and assembly of genomes and genetic elements in complex metagenomic samples without using reference genomes[J]. Nature Biotechnology, 2014, 32(8):822-828.

(5) Sangwan N, Xia F, Gilbert J A. Recovering complete and draft population genomes from metagenome datasets[J]. Microbiome, 2016, 4(1):8.

(6) Abubucker, S. et al. Metabolic reconstruction for metagenomic data and its application to the human microbiome. PLoS Comput. Biol. 8, e1002358(2012).

(7) Beaulaurier J, Zhu S, Deikus G, et al. Metagenomic binning and association of plasmids with bacterial host genomes using DNA methylation.[J]. Nature Biotechnology, 2017, 36(1).

『贰』 如何用宏基因组测序

宏基因组学这一概念最早是在1998年由威斯康辛大学植物病理学部门的JoHandelsman等提出的，是源于将来自环境中基因集可以在某种程度上当成一个单个基因组研究分析的想法，而宏的英文是“meta-”，具有更高层组织结构和动态变化的含义。后来伯克利分校的研究人员KevinChen和LiorPachter将宏基因组定义为“应用现代基因组学的技术直接研究自然状态下的微生物的有机群落，而不需要在实验室中分离单一的菌株”的科学。

『叁』 宏基因组学研究—宏基因组数据的假设检验

1. 宏基因组数据假设检验介绍

1.1 假设检验在科研中的应用

随着人类微生物研究从技术发展和基础科学发现向转化医学和环境研究的转变，统计假设检验的应用将变得越来越重要。

假设检验：一种统计过程，用以确定所收集的数据是否提供了足够的证据来接受一个无效的假设。

1.2 多少样本才能达到特定效能水平支持组别的差异

明确四个问题： 

1）生成数据的分布是什么？ 

2）效应值（Effectsize）有多大？  

3）什么样的检验统计量将被用来拒绝或不拒绝无效假设？  

4）需要怎样的统计学性能水平？P<0.0580%检验功效；P<0.0190%检验功效。

1.3  P值、检验功效、效应值和样本量是相关的

如果P值和检验功效保持不变，则较大（较小）的效应值会导致较小（较大）的样本量。

假设P值和效应值大小保持不变，增大（减小）样本量将增大（减小）研究的检验功效。  

这说明了为什么在设计一个实验时必须指定这四个参数（P值、检验功效、效应值和样本量）。

2.宏基因组数据及假设检验分析

2.1 数据结构展示

数据结构展示示意图

数据的标准化或规范化问题：转换数据应该基于坚实的理论基础和特定的目的。

2.2 在不同分组中比较感兴趣的分类单元

问题：不同组间推断某一分类单元特殊性。  

重要的是分类单元不是研究人员通过查看数据得知哪些分类单元最不一样，而是应用检验来证明他们所观测到的不同是真实的。  

当想要比较不同类群的物种丰富度时，将数据标准化到一个共同的尺度是很重要的。（比如：百分比-如果很大一部分百分比介于0–20%和80–100%之间，则可能会出现问题，在这种情况下，应考虑使用逆正弦变换来稳定方差;对计数数据进行更复杂的建模，如负二项回归，也可以考虑看看分类单元计数是否受受试者表型[如年龄、性别和健康状况]）的影响）

问题：比较分类单元是否以不同的速率存在于不同的组别中。  

如果该分类单元缺失—0；如果该分类单元存在—1；常使用卡方检验。

如果预实验结果理想，正式实验时想确保检验功效的情况下，可以通过如下计算获取样本量信息。 

计算检验功效，首先需要评估效应值，效应值相当于平均值的差异。分类数据则需要其他度量方式（比如：Cramer’sPhi、oddsratio、relativerisk）。

样本量

多重检验的问题：在不同的组别中，分别独立比较每个分类单元时发生。  

P值含义：如果在检验情况下，零假设是真的（即，分类单元在组间的分布是相同的），P值告诉我们在数据中，观察到的组间差异发生的概率完全是由于偶然性。当我们接受P≤0.05的同时也就同样明确地接受，有5%的偶然性表示无差异组别存在差异性（即，被称为I类错误，当零假设为真时拒绝零假设，或假阳性）。

2.3  比较所有组别中分类单元频数分布

虽然可以通过每个分类单元的丰度，对多个组别的分类单元进行调整，完成多重比较。但该方法通常不如多变量分析方法有力，因为它没有考虑类群之间存在的相互作用。多元统计方法正是针对这类问题而发明的。  

分类单元数量的Dirichlet-Multinomial(DM) model是一种应用于宏基因组数据的多重分布方法。  

与非参数方法相比，参数模型改进了数据分析，并且通常简化了P值、样本量、功效、误差度量和置信区间的计算。往往通过参数自然度量效应值。

对数据使用错误的统计模型往往会导致错误的结果，因此，在设计研究时必须留意。对宏基因组计数数据的第一步，自然观察可能会导致统计学家考虑使用多项式模型进行假设检验，以及功效和样本量的计算。  

多项式模型是不正确的，因为它不能捕捉到宏基因组数据中存在的过度变异性（即，过度分散）。 

使用错误的分布模型将导致在判断组别是否存在差异时，显著增加差异组别的非差异性（II类型错误或假阴性）。

2.4  注意事项

使用多重检验并使用几种不同的多重检验来调整P值。这种分析方法的优点：允许针对单个类群进行检验，以了解它们如何影响表观现象。缺点：是忽略了类群之间的相互作用或相关性，并将它们视为独立的，这在分析宏基因组数据未必合适。  

基于置换检验的PERMANOVA和ANOSIM等其他方法也经常被使用，并且可以使用统计学工具来定义效应值、效能计算和样本量。对于喜欢使用非参数方法的研究者来说，有大量的文献来指导和使用。

『肆』 宏基因组测序流程

问题一：如何用宏基因组测序？ 10分 宏基因组即生境中全部微小生物遗传物质的总和。它以环境样品中的微生物群体基因组为研究对象, 以功能基因筛选和测序分析为研究手段, 以微生物多样性、种群结构、进化关系、功能活性、相互协作关系及与环境之间的关系为研究目的。宏基因组学技术第一次使人类得以研究占环境中99%的不可培养的微生物种群，从而成为微生物研究的最前沿领域
对环境样本进行DNA提取后进行16S或18S等区域扩增，再对扩增产物进行建库、测序，然后对所得的数据进行生物信息学分析。生物信息分析主要包括OTU的生成及rank-abundance分析、取样充足性分析、丰度和多样性分析、菌群间差异分析、假设验证分析、进化树分析等。

问题二：宏基因组测序需要dna浓度多少 宏基因组是指特定环境中全部生物（微生物）遗传物质的总和。宏基因组测序是利用高通量测序技术对环境样品中全部微生物的基因组进行测定，以获得单个样品的饱和数据量，可进行微生物群体的基因组成及功能注释，微生物群体的物种分类，多样性分析，群落结构分析，样品间的物种或基因差异以及物种间的代谢网络研究，探索微生物与环境及宿主之间的关系，发掘和研究新的具有特定功能的基因等。与传统方法相比，基于高通量测序的宏基因组研究无需构建克隆文库，这避免了文库构建过程中利用宿主菌对样品进行克隆而引起的系统偏差，简化了实验操作，提高了测序效率。此外，宏基因组测序研究摆脱了微生物分离纯培养的限制，扩展了微生物资源的利用空间，为环境微生物群落的研究提供了有效工具。通过宏基因组深度测序可以揭示或估计环境中真实的物种多样性和遗传多样性，挖掘具有应用价值的基因资源，应用于开发新的微生物活性物质，为研究和开发新的微生物活性物质提供有力支持。
技术流程
生物信息分析
1. 原始数据整理、过滤及质量评估
2. 基于物种丰度分析：
?物种丰度列表
?稀释曲线
3. 基于物种丰度分析：
?丰度分布曲线图
?生物多样性指数（α多样性）列表
?物种丰度差异性分析列表
?多样品物种分布柱图
?丰度差异物种聚类分析
?PCA图
?Krona图
4. 基因丰度列表：
?提取基因分级注释丰度列表（KO、NOG、subsystem）
?功能基因列表
?生成venn图
?基因丰度差异性分析列表
?丰度差异基因聚类分析
?富集分析（KO）
样品要求
1、样品采集：样品采集条件的一致是最为重要的环节，严格按照采样标准采样，采样后立即封存样品冷冻保存。
2、样品DNA：环境因素异常复杂，许多物质或抑制因子影响后续PCR、测序文库构建和序列测定，常规提取方法不一定适合，建议采用专用试剂盒提取。DNA浓度≥20 ng/μl，总量≥6 μg（荧光定量），并确保电泳检测无明显RNA条带，基因组条带清晰、完整；基因组DNA完全无降解；提供DNA电泳检测照片，用自封袋密封后随样品一起送样；组织样品1.5 g。
3、样品保存期间切忌反复冻融。
4、送样管务必标清样品编号，管口使用Parafilm膜密封。

问题三：如何用宏基因组测序 宏基因组学这一概念最早是在1998年由威斯康辛大学植物病理学部门的JoHandel *** an等提出的，是源于将来自环境中基因集可以在某种程度上当成一个单个基因组研究分析的想法，而宏的英文是“meta-”，具有更高层组织结构和动态变化的含义。后来伯克利分校的研究人员KevinChen和LiorPachter将宏基因组定义为“应用现代基因组学的技术直接研究自然状态下的微生物的有机群落，而不需要在实验室中分离单一的菌株”的科学。

问题四：宏基因组测序都能得到那些结果？可以用于什么研究？ 宏基因组测序，是对特定环境（或者特定生境）样品中的微生物群体基因组进行序列的测定，以分析微生物群体基因组成及功能，解读微生物群体的多样性与丰度，探求微生物与环境，微生物与宿主之间的关系，发掘和研究新的、具有特定功能的基因。宏基因组测序研究避开了微生物分离培养的过程，扩展了微生物资源的利用空间，为研究微生物相互作用提供了有效工具。阅微基因采用第二代高通量测序技术进行宏基因组学研究，无需构建克隆文库，可以直接对环境样品中的基因组片段进行测序，这避免了文库构建过程中利用宿主菌对样品进行克隆而引起的系统偏差，简化了宏基因组研究的基本操作，提高了测序效率，从而极大地促进了宏基因组学的发展。通过大量测序，可以获得样品的群落结构信息，如微生物物种在该环境下的分布情况及成员间协作关系等，通过还可以确定一些特殊的主要基于或者DNA片段。对于多个样品，还可做相应的比较分析，发掘样品间的相同点与不同点。
宏基因组测序，可以用于疾病研究，微生物种群分析，环境多样性分析，遗传多样性分析，只要有微生物的地方，就可以用到宏基因组测序

问题五：请问有谁做过微生物宏基因组测序，公司反馈回来的数据都包含哪些，通常一个样得多少钱？ 数据内容：
1，原始的fastq文件。
2，数据分析报告：1，数据的质控 2，序列的拼接及拼接效果评估 3，对拼接contig序列的注释
4，基因的丰度分析，门纲科目属种的丰度分析 5，样本之间差异gene的分析
6，差异基因的功能分析（GO，pathway等） 7，样本间差异显著的物种分析
8，如果样本比较多可以组微生物类群结构分析。
价格方面可以私信我留个邮箱，我可以发你一些资料和价格。

问题六：宏基因组分析和16srna的区别 功能基因芯和宏基因组测序的区别
基因组，Genome，一般的定义是单倍体细胞中的全套染色体为一个基因组，或是单倍体细胞中的全部基因为一个基因组。可是基因组测序的结果发现基因编码序列只占整个基因组序列的很小一部分。因此，基因组应该指单倍体细胞中包括编码序列和非编码序列在内的全部DNA分子。说的更确切些，核基因组是单倍体细胞核内的全部 DNA分子；线粒体基因组则是一个线粒体所包含的全部DNA分子；叶绿体基因组则是一个叶绿体所包含的全部DNA分子
转录组（transcriptome）广义上指某一生理条件下，细胞内所有转录产物的 *** ，包括信使RNA、核糖体RNA、转运RNA及非编码RNA；狭义上指所有mRNA的 *** 。
从定义上看，很明显，基因组一般指的是DNA（某些只含有RNA的生物除外），而转录组则指的是RNA。

『伍』 宏基因组学的应用

采用宏基因组技术及基因组测序等手段，来发现难培养或不可培养微生物中的天然产物以及处于“沉默”状态的天然产物。宏基因组不依赖于微生物的分离与培养，因而减少了由此带来的瓶颈问题。
随着新一代测序技术的迅猛发展，研究宏基因组的方法也已经发生了翻天覆地的变化：传统的方法是测定微生物基因组上的16S rRNA基因，这些基因的长度通常在1500个碱基左右，广泛分布于原核生物，既能提供足够的信息，而且具有相对缓慢的进化过程；其保守性与特异性并存，通过保守区和特异区来区别微生物的种属。基于这些特性，科学家们通过选择这些基因区域，方便地研究环境中物种的组成多样性，但是还不能全面分析环境中的基因功能。而现在，新一代高通量低成本测序技术的广泛应用，科学家们可以对环境中的全基因组进行测序，在获得海量的数据后，全面地分析微生物群落结构以及基因功能组成等。
短短几年来，宏基因组学的研究已经渗透到各个领域，从海洋到陆地，再到空气，从白蚁到小鼠，再到人体，从发酵工艺到生物能源，再到环境治理等。

『陆』 如何有效地对病毒宏基因组测序的数据进行分析

得出数据之后。
用dps 或者excel加载宏都可以进行分析
你们统计学的上机操作应该学过，再翻翻
那本教材