保姆级教程：用geNomad识别病毒和质粒后，如何看懂那一堆.tsv和.faa文件？

保姆级教程用geNomad识别病毒和质粒后如何看懂那一堆.tsv和.faa文件当你第一次打开geNomad的输出文件夹看到那些以_virus_summary.tsv、_virus_genes.tsv结尾的文件时是不是感觉像在解读外星密码别担心这篇指南会像拆解乐高积木一样带你逐个理解这些文件的秘密。1. 核心输出文件概览geNomad运行后会生成两大类文件序列文件和注释文件。前者是FASTA格式的核酸或蛋白序列后者是TSV格式的表格数据。我们先从最常用的几个开始*_virus.fna被识别为病毒的核酸序列*_virus_proteins.faa病毒编码的蛋白质序列*_virus_summary.tsv病毒序列的统计摘要*_virus_genes.tsv病毒基因的详细注释小技巧质粒相关文件的命名规则完全相同只是把virus替换为plasmid2. 病毒摘要文件深度解析打开_virus_summary.tsv文件你会看到类似这样的列列名示例值生物学意义可靠性判断seq_namecontig_001序列标识符-length48231序列长度(bp)通常10kbp更可靠topologyDTR末端重复类型DTR/ITR更可能是真病毒virus_score0.97病毒可能性评分0.9为高置信度n_hallmarks3标志基因数量≥1个即显著提高可信度关键列解读topology这个字段藏着病毒复制的秘密DTR直接末端重复 - 典型见于腺病毒ITR反向末端重复 - 疱疹病毒的特征Provirus已整合的病毒 - 可能处于休眠状态virus_score这是geNomad的信心指数我通常这样划分if score 0.9: return 高置信度 elif score 0.7: return 中等置信度 else: return 需谨慎验证n_hallmarks标志基因就像病毒的身份证常见的有衣壳蛋白基因整合酶基因末端酶大亚基3. 基因注释文件实战指南_virus_genes.tsv文件包含每个基因的详细注释这些是你需要特别关注的列# 快速查看前10行关键列 cut -f 1,8,9,12,15,16 *_virus_genes.tsv | head核心字段精讲marker匹配情况如果看到NA别慌 - geNomad的标记主要服务于分类建议用Pfam或COG数据库进行二次注释Virus_hallmark值为1时这个基因极可能是病毒特有的多个hallmark基因聚集是强证据annotation_description这里可能藏着功能线索例如terminase large subunit提示这是噬菌体避坑提醒不要过度解读taxname列它反映的是标记来源而非实际分类4. 质粒文件的特殊之处质粒文件与病毒文件结构相似但有三个独特列Conjugation_genes列出可能参与接合的基因但单独出现不能证明质粒可移动Amr_genes抗性基因列表需要对照AMRFinderPlus数据库验证缺少taxonomy列质粒分类不如病毒明确需要依赖其他特征判断5. 高效筛选策略面对数百条预测结果时这套筛选流程很实用第一轮初筛# 提取高置信度病毒(virus_score 0.9) awk -F\t NR1 || $8 0.9 *_virus_summary.tsv high_confidence_viruses.tsv第二轮验证检查topology是否为DTR/ITR确认至少1个hallmark基因查看基因注释中是否有典型病毒功能最终检查用BLAST验证可疑序列检查GC含量是否异常查看基因密度(通常病毒90%)6. 常见问题解决方案Q1为什么fdr列全是NA默认关闭分数校准功能需要运行时添加--enable-score-calibration参数Q2如何区分真病毒和宿主污染看GC含量是否与宿主差异显著检查是否有宿主特异的USCG基因验证基因密度(病毒通常更紧凑)Q3provirus坐标怎么看格式为宿主序列|provirus_起始_终止例如chr1|provirus_10000_15000表示整合在chr1的10k-15k位置7. 进阶分析技巧想让你的分析更上一层楼试试这些方法标记基因可视化import pandas as pd df pd.read_csv(*_virus_genes.tsv, sep\t) hallmark_genes df[df[Virus_hallmark] 1] print(hallmark_genes[annotation_description].value_counts())拓扑类型统计cut -f 4 *_virus_summary.tsv | tail -n 2 | sort | uniq -c序列长度分布cut -f 2 *_virus_summary.tsv | tail -n 2 | \ awk {if($110000) print short; else print long} | sort | uniq -c在实际项目中我发现最有效的策略是先关注virus_score和hallmark基因然后再深入检查基因功能注释。有一次在分析海洋微生物组数据时正是通过坚持这个流程才从数百个预测中准确识别出了几个新颖的巨型病毒序列。