尧图网页设计 
1. 先搞清楚MitoZ 到底是干什么的做动物系统发育、种群遗传学或者 DNA 条形码研究的人对线粒体基因组应该都不陌生。动物线粒体基因组一般只有 14~18 kb包含 13 个蛋白质编码基因PCG、22 个 tRNA 基因、2 个 rRNA 基因12S、16S和一段控制区也叫 AT 富集区因为拷贝数高、母系遗传、演化速率适中成了系统发育重建和物种鉴定里最常见的分子标记。可测序拿到 reads和得到一条注释好的环状线粒体基因组序列之间还隔着一整套组装和注释流程这一步往往比想象中麻烦得多。我自己最早做线粒体基因组时用的还是先 BLAST 参考序列、手动拼接、再逐个基因预测的老办法一个样品少说折腾三四天。稍微碰上重复区域或者 NUMT核基因组里整合的线粒体片段干扰一周都下不来。所以当 MitoZ 这类一体化工具出来后我很快就切换过来了——它的核心定位就是一条命令完成动物线粒体基因组的组装与注释你只需要提供原始测序数据指定物种所属的大类和线粒体遗传密码子表剩下的 reads 清洗、锚定、过滤、组装、环化判断、基因注释它全给你串起来最终输出可以直接提交 GenBank 的注释结果。这套软件最适合三类人一是做系统发育但不想在组装注释上耗太多时间的生信用户二是刚入门、需要稳定可复现流程的初学者三是样品量大、需要批量处理线粒体基因组的课题组。当然它也不是万能的低覆盖度样品照样会失败注释结果也必须人工核查这些坑我会在后面的实操和问题排查部分详细展开。2. 核心原理拆解MitoZ 是怎么把 reads 变成完整基因组图的2.1 组装阶段的分步逻辑MitoZ 的组装思路和传统的全基因组 de novo 组装不太一样它没有一上来就把所有 reads 扔给组装器而是采用一种锚定-过滤-延伸的策略。这个设计我觉得是它又快又稳的关键尤其是对线粒体这种只占全基因组很小比例的细胞器基因组来说先把疑似线粒体来源的 reads 挑出来能大幅降低后续组装的搜索空间和干扰。第一步是数据清洗。这一步会去掉低质量碱基、接头序列和重复序列属于所有组装流程里的常规操作。实际操作中我建议在跑 MitoZ 前自己也先看一眼 FastQC 报告如果碱基质量整体很差后面什么工具都救不回来。MitoZ 内部会完成清洗但自己对数据心里有数排错时会省很多时间。第二步是找锚定序列。MitoZ 会从你指定的分类单元比如节肢动物 Arthropoda、脊索动物 Chordata对应的内置参考数据里挑出合适的线粒体基因默认以 COI/COX1 为主作为锚。锚的作用就像拼图时先找到一块确定属于线粒体的碎片然后用它去勾住周围所有相关的 reads。如果这一步因为 clade 选错而失败整个流程就会空转。第三步是 reads 过滤和延伸组装。把能比对到锚定序列的 reads 及其配对 reads 全部抽出来再用这些线粒体候选 reads进行局部 de novo 组装。MitoZ 内部会尝试多个 k-mer 大小选择一致性最好、延伸最完整的组装结果。多 k-mer 的好处是能兼顾重复区域两侧的连接能力和对测序错误的容忍度这是单一 k-mer 不好做到的。第四步是环化判断。线粒体基因组是环状分子组装完成后如果 contig 首尾出现足够长度的重叠MitoZ 就会把线性 contig 拼成环并输出完整的环状序列。这一步直接决定了你拿到的是完整线粒体基因组还是一堆碎片。我见过很多别的工具组装出的结果contig 长度加起来是 16 kb但根本没有环化证据这种结果在投稿时基本都会被审稿人打回来。2.2 注释阶段的基因预测策略组装拿到环状序列后MitoZ 进入注释环节。动物线粒体基因组的基因内容高度保守所以注释策略也比较成熟蛋白质编码基因PCG通过比对线粒体蛋白数据库和 HMM 模型来预测MitoZ 会根据 clade 参数选择合适的参考蛋白集合再结合遗传密码子表完成翻译。tRNA 基因调用 tRNAscan-SE 来预测动物线粒体的 22 个 tRNA 都有比较保守的二级结构正常情况下召回率还是不错的。rRNA 基因12S、16S则通过 rRNA 的 HMM 模型来定位。所有预测结果最后会综合成一条完整的基因排列图输出为 GenBank、GFF3 等格式同时生成一个统计文件列出每个基因的长度、位置、链方向等信息。这里我要特别提醒一句MitoZ 的注释是自动化预测不是审稿人认证。自动化的特点就是稳定高效但代价是偶尔会出错。基因边界偏移、起始密码子识别错误、个别 tRNA 漏注释这三种情况我都遇到过。所以拿到结果后拿近缘物种的注释做一遍对照、逐基因核查是绝对不能跳过的步骤。2.3 关键参数背后的生物学逻辑MitoZ 最容易被忽视但最影响结果的两个参数是 --clade 和 --genetic_code。前者决定了锚定参考和注释模型的物种范围后者决定了密码子翻译的规则表。如果物种大类选错了锚定的时候可能根本找不到同源 reads整个流程直接空转遗传密码子表对应不上注释出来的蛋白序列会出现大片提前终止或错误翻译长度一看就不正常。我自己常用的组合是节肢动物用 --clade Arthropoda --genetic_code 5鱼类、两栖爬行、鸟类哺乳类用 --clade Chordata --genetic_code 2棘皮动物用 --genetic_code 9扁形动物用 --genetic_code 14。这些细节在 NCBI 的遗传密码子表Genetic Code页面里都有明确说明花两分钟查清楚比注释完再返工要划算得多。提示线粒体遗传密码子表和核基因组的标准密码子表不一样。比如无脊椎动物线粒体里ATA 编码甲硫氨酸而不是异亮氨酸AGA/AGG 编码丝氨酸而不是精氨酸。这就是为什么组装完成后--genetic_code 直接决定了注释的准确性。3. 完整实操从零开始跑通 MitoZ3.1 环境准备与安装MitoZ 对硬件的要求不算高普通的 8 核 16G 内存服务器就能跑。安装方式我最推荐官方 Docker 镜像一键拉取、依赖不用操心docker pull malab/mitoz:latest跑的时候用 docker run 挂载数据目录即可。没有 Docker 环境的话也可以直接从 GitHub仓库名 liuyang105/MitoZ下载发行包按 README 配置好 Python 3 环境后运行。需要注意的是MitoZ 依赖一些 Perl 写的辅助工具比如 tRNAscan-SE官方发行包里一般会带,自己从源码编译时容易踩环境变量的坑建议优先用官方打包好的版本。很多人在安装这一步就被劝退了其实换个思路生物信息学软件的生命力在于能用不在于从源码编译成功。能用 Docker 就别折腾源码把时间留给后面的数据质控和结果核查这才是正确优先级。3.2 输入数据的准备MitoZ 最常用的输入是 Illumina 双端测序数据PE150、插入片段 300~500 bp 的文库都可以。关键指标是线粒体基因组的覆盖度建议至少 50× 以上保守一点做到 100× 更稳。如果是全基因组测序数据线粒体 reads 占比通常只有 0.1%~1%覆盖度不够的话组装会非常碎这种情况建议做线粒体富集或者多跑几个样品用同源参考互相补充。输入文件就是标准的 fastq.gz 格式不需要额外预处理成特殊格式。但如果你的数据里已经明显混入了接头和低质量碱基也可以先用 fastp 或 Trimmomatic 预处理一下再喂给 MitoZ这样可以减轻它内部清洗步骤的压力。我自己的习惯是无论数据新老都先过一遍 fastp得到一个干净的 fastq 副本再进 MitoZ后续如果结果异常至少能排除原始数据太脏这个变量。3.3 一键运行从原始 reads 到注释结果MitoZ 最吸引人的就是 all 模式一条命令从头跑到尾mitoz all \ --outprefix my_mitoz \ --thread_number 8 \ --clade Arthropoda \ --genetic_code 5 \ --species_name Drosophila melanogaster \ --reads_raw R1.fq.gz R2.fq.gz \ --insert_size 300--reads_raw 后面可以接多个文件也可以接不同文库的数据MitoZ 会合并使用。--outprefix 是输出前缀所有结果都会写在这个前缀对应的目录和文件名里。--thread_number 建议按服务器核数设置8~16 是多数人常用的区间。all 模式会自动先跑组装再跑注释。一个中等覆盖度的节肢动物样品8 线程一般几十分钟到两三个小时就能跑完。跑完以后在输出目录里你会看到类似这些文件my_mitoz.genome.fas组装并环化后的线粒体基因组序列my_mitoz.genome.gbGenBank 格式含完整注释可以直接用 Geneious 或 NCBI 工具打开my_mitoz.genome.gff3GFF3 格式适合后续在比较基因组流程里解析其他中间文件、统计文件和日志文件在这些文件里我永远最先看的是统计文件和日志它会直接告诉你组装出几条 contig、有没有成功环化、注释出多少个基因。如果显示没有闭环后面所有注释都是白搭必须回到组装环节重新处理。3.4 分步运行适合调试和批量处理的模式all 模式省事但调试的时候不友好。MitoZ 也支持把组装和注释拆开跑# 先跑组装 mitoz assemble \ --outprefix my_mitoz \ --thread_number 8 \ --clade Arthropoda \ --genetic_code 5 \ --species_name Drosophila melanogaster \ --reads_raw R1.fq.gz R2.fq.gz \ --insert_size 300 # 确认组装结果没问题后再跑注释 mitoz annotate \ --outprefix my_mitoz \ --thread_number 8 \ --clade Arthropoda \ --genetic_code 5 \ --species_name Drosophila melanogaster分步跑的好处是如果组装环节环化失败你不需要带着错误结果跑注释如果换了参数重新组装注释也能基于新结果单独再跑。批量处理多批次样品时我更推荐分步跑——先把所有样品的组装跑完统一检查环化和完整性再统一注释。这样资源和时间的利用率都更高出问题也容易定位到底卡在哪一步。3.5 输出文件解读与质量判断拿到输出后第一件事不是急着画图而是先做一次快速体检。我会按这个顺序检查序列长度是否符合预期动物线粒体基因组大多在 14~18 kb短太多或长太多都要警惕长太多可能混入了核基因组片段。是否环化看日志里的 circular 标记没有环化就得返回去调整参数。注释基因数量13 个 PCG 22 个 tRNA 2 个 rRNA 是动物线粒体基因组的标准配置。数量不对就说明注释阶段有问题。检查每个 PCG 翻译出来的蛋白长度如果明显偏短大概率是起始密码子识别错误或遗传密码子表选错。这一套体检下来90% 的问题都能在早期暴露出来不用等到画完基因图才发现某个基因缺失那就太晚了。4. 常见问题与排查技巧实录4.1 报错速查表MitoZ 的报错信息不算特别友好很多是 Python 堆栈看多了就有经验了。我把自己实际踩过和帮人排查过的典型问题整理成了下面的表现象常见原因处理办法找不到锚定序列、锚定步骤空跑clade 选错或数据里线粒体 reads 太少换更宽泛的 clade 再试确认数据来源无误提高覆盖度内存溢出、进程被杀reads 量太大或 --memory 设置太小调大内存上限或减少线程数先做 fastp 预处理降低数据量组装结果多条 contig 且都不环化覆盖度不均匀或存在重复区域干扰检查控制区覆盖度换近缘参考辅助组装注释出的基因数偏少组装质量差或遗传密码子表设置错误先检查组装核对 NCBI 遗传密码子表输入文件格式报错fastq 文件名后缀或编码不符合预期统一为 .fq.gz/.fastq.gz检查文件是否为有效 gzip锚定失败值得单独说一下。MitoZ 的锚定依赖 clade 对应的参考数据如果你的物种比较冷门库里缺少近缘序列锚定就可能失败。我的经验是先用近缘物种的 COI 序列 BLAST 一下自己的测序数据确认里面确实有线粒体信号再考虑换用更宽泛的 clade比如从具体科改成门或者手动提供参考序列辅助锚定。盲改参数不如先确认数据本身没问题。4.2 组装不闭环的排查思路组装出来差一口气是线粒体基因组组装里最让人崩溃的场景。序列长度接近完整大小但就是环不上或者环化后两端重复区域里有奇怪的结构。我的排查顺序是这样的第一步看覆盖度。把 reads 比对回组装出来的 contig检查有没有局部深度骤降。控制区因为碱基组成特殊、AT 含量极高经常是覆盖度低谷也是组装断裂高发区。如果就是这一块断了可以试试加大该区域的 reads 权重或者补测数据。第二步看重复序列。线粒体基因组里有一些短串联重复容易导致组装器把环摊平成线性时对不齐两端。这种情况如果只是差几个碱基可以直接用近缘物种做参考手动对齐修复不必重跑整个组装。第三步检查 NUMT 污染。核基因组里存在线粒体片段如果线粒体 reads 占比太低组装器很容易把 NUMT 的序列混进来导致候选 contig 里有两条相似但不一致的序列。解决思路是提高线粒体 reads 的富集效率或者在组装后把候选 contig 逐一比对回参考物种验证。这里的核心观点是闭环不是终点闭环的正确性才是。我有个样品当时组装结果看起来完美闭环了但用 PCR 扩增验证时引物跨接处对不上最后发现是装配时把一段重复区域错误折叠了。所以重要样品一定要用实验手段验证一下环化接点这一步省不得。4.3 注释结果的人工核查与修正注释结果的人工核查是新手最容易跳过的一步。MitoZ 给出的 GenBank 文件看着很规范但里面可能存在三类典型错误第一类是基因边界偏移。线粒体基因之间经常有重叠区域比如 ATP8 和 ATP6 之间有几十个碱基的重叠预测工具在边界判定上容易出现几个到几十个碱基的偏差。核查方法是用近缘物种的注释做比对看看基因的起始和终止位置是否合理。第二类是起始密码子识别错误。动物线粒体基因的起始密码子不只是 ATG还可能是 ATT、ATA、ATC、GTG、TTG 等自动化工具经常识别不准。我的处理方法是把预测的蛋白序列比对到同源蛋白上看 N 端是否对齐如果短了一截就手动往前找起始密码子并调整注释位置。第三类是 tRNA 漏注释或错注释。tRNAscan-SE 对某些结构特殊的 tRNA比如缺少 D 环或 T 环的 tRNA-Ser(AGY)召回率确实不高需要手动检查。把 22 个 tRNA 的标准列表拿出来一个一个核对宁可慢一点也不要放过。我个人的建议是把 MitoZ 的结果导入 Geneious 或 SnapGene加载近缘物种的注释作参考逐条检查每个基因。这个阶段虽然费时间但也是你真正读懂自己样品基因组的好机会——基因排列顺序、链的方向、重叠关系都会在你手动核对的过程中刻进脑子里。5. 结果验证、工具搭配和我的固定流程5.1 从组装到文章发表还需要做什么很多朋友以为拿到 MitoZ 的注释结果就能直接投文章了实际还差几步。第一步是加实验验证常见做法是在环化接点两侧设计引物做 PCR 扩增和 Sanger 测序验证序列的准确性。对于新种、模式物种或者要作为科级代表节点的样品这个验证基本是硬性要求。第二步是把注释结果提交到 NCBI 的 GenBank 数据库用 tbl2asn 或 BankIt 提交时可以直接导入 MitoZ 输出的 GenBank 文件主要字段都齐了能省不少事。第三步是在系统发育分析时使用正确的数据划分策略。13 个 PCG 通常按密码子位点分成三个 partition或者用 PartitionFinder2 选择最优方案两个 rRNA 和 tRNA 一般单独分区。这些虽然不是 MitoZ 的内容但没有一个高质量注释结果后面全都是空中楼阁。前期在注释上认真一点后面每一步分析都会顺利很多。5.2 我踩过的几个坑和现在的固定流程作为一个每年要处理几十个线粒体基因组的从业者我现在跑新样品已经形成了固定流程分享出来供参考收到测序数据后先跑 FastQC再用 fastp 做预处理自己心里有数再进 MitoZ跑之前先查 NCBI 确认物种正确的 clade 和遗传密码子表不凭记忆组装完成后先看长度和环化状态再进入注释注释完成后用近缘物种注释做参照人工核查所有基因边界重要样品设计跨接点验证引物PCR 加 Sanger 确认最后把注释结果提交 GenBank并保留原始参数记录和日志方便论文方法部分撰写和审稿人问询时提供。这套流程看起来啰嗦但能避免大量返工。有一次我为了赶进度跳过了人工核查结果一个 ND2 基因的边界差了 15 bp下游的 Ka/Ks 分析全部受影响最后只能全部重跑真是得不偿失。从那以后我就再也不敢省这一步了。5.3 MitoZ 和其他工具怎么搭配MitoZ 不是万能的我实际项目中经常把它和其他工具配合使用。如果 MitoZ 组装不出来我会用 NOVOPlasty 再试一把——它只需要一段近缘物种的种子序列在某些低覆盖度数据下反而更稳。注释环节如果对特殊类群不放心我会用 MITOS 在线服务器的结果做交叉验证。最后的可视化推荐用 MitoDraw 或 Geneious 里的线粒体基因图工具能直接读取 GenBank 文件生成漂亮的环形基因图。工具链的搭配原则就一句话不要迷信单一软件交叉验证才是生物信息学的基本素养。每个软件都有自己的偏向和盲区多个独立证据指向同一个结论时这个结论才真正站得住脚。最后再分享一个小经验MitoZ 跑出来的结果目录不要随手删里面除了最终文件还有很多中间产物。当审稿人问起你当时用的什么参数、组装基于哪些 reads时能快速翻出日志和统计文件会显得特别专业。保存好原始记录是这个领域里最容易被忽视却最值钱的好习惯。 MitoZ实战：一条命令完成动物线粒体基因组组装与注释
1. 先搞清楚MitoZ 到底是干什么的做动物系统发育、种群遗传学或者 DNA 条形码研究的人对线粒体基因组应该都不陌生。动物线粒体基因组一般只有 14~18 kb包含 13 个蛋白质编码基因PCG、22 个 tRNA 基因、2 个 rRNA 基因12S、16S和一段控制区也叫 AT 富集区因为拷贝数高、母系遗传、演化速率适中成了系统发育重建和物种鉴定里最常见的分子标记。可测序拿到 reads和得到一条注释好的环状线粒体基因组序列之间还隔着一整套组装和注释流程这一步往往比想象中麻烦得多。我自己最早做线粒体基因组时用的还是先 BLAST 参考序列、手动拼接、再逐个基因预测的老办法一个样品少说折腾三四天。稍微碰上重复区域或者 NUMT核基因组里整合的线粒体片段干扰一周都下不来。所以当 MitoZ 这类一体化工具出来后我很快就切换过来了——它的核心定位就是一条命令完成动物线粒体基因组的组装与注释你只需要提供原始测序数据指定物种所属的大类和线粒体遗传密码子表剩下的 reads 清洗、锚定、过滤、组装、环化判断、基因注释它全给你串起来最终输出可以直接提交 GenBank 的注释结果。这套软件最适合三类人一是做系统发育但不想在组装注释上耗太多时间的生信用户二是刚入门、需要稳定可复现流程的初学者三是样品量大、需要批量处理线粒体基因组的课题组。当然它也不是万能的低覆盖度样品照样会失败注释结果也必须人工核查这些坑我会在后面的实操和问题排查部分详细展开。2. 核心原理拆解MitoZ 是怎么把 reads 变成完整基因组图的2.1 组装阶段的分步逻辑MitoZ 的组装思路和传统的全基因组 de novo 组装不太一样它没有一上来就把所有 reads 扔给组装器而是采用一种锚定-过滤-延伸的策略。这个设计我觉得是它又快又稳的关键尤其是对线粒体这种只占全基因组很小比例的细胞器基因组来说先把疑似线粒体来源的 reads 挑出来能大幅降低后续组装的搜索空间和干扰。第一步是数据清洗。这一步会去掉低质量碱基、接头序列和重复序列属于所有组装流程里的常规操作。实际操作中我建议在跑 MitoZ 前自己也先看一眼 FastQC 报告如果碱基质量整体很差后面什么工具都救不回来。MitoZ 内部会完成清洗但自己对数据心里有数排错时会省很多时间。第二步是找锚定序列。MitoZ 会从你指定的分类单元比如节肢动物 Arthropoda、脊索动物 Chordata对应的内置参考数据里挑出合适的线粒体基因默认以 COI/COX1 为主作为锚。锚的作用就像拼图时先找到一块确定属于线粒体的碎片然后用它去勾住周围所有相关的 reads。如果这一步因为 clade 选错而失败整个流程就会空转。第三步是 reads 过滤和延伸组装。把能比对到锚定序列的 reads 及其配对 reads 全部抽出来再用这些线粒体候选 reads进行局部 de novo 组装。MitoZ 内部会尝试多个 k-mer 大小选择一致性最好、延伸最完整的组装结果。多 k-mer 的好处是能兼顾重复区域两侧的连接能力和对测序错误的容忍度这是单一 k-mer 不好做到的。第四步是环化判断。线粒体基因组是环状分子组装完成后如果 contig 首尾出现足够长度的重叠MitoZ 就会把线性 contig 拼成环并输出完整的环状序列。这一步直接决定了你拿到的是完整线粒体基因组还是一堆碎片。我见过很多别的工具组装出的结果contig 长度加起来是 16 kb但根本没有环化证据这种结果在投稿时基本都会被审稿人打回来。2.2 注释阶段的基因预测策略组装拿到环状序列后MitoZ 进入注释环节。动物线粒体基因组的基因内容高度保守所以注释策略也比较成熟蛋白质编码基因PCG通过比对线粒体蛋白数据库和 HMM 模型来预测MitoZ 会根据 clade 参数选择合适的参考蛋白集合再结合遗传密码子表完成翻译。tRNA 基因调用 tRNAscan-SE 来预测动物线粒体的 22 个 tRNA 都有比较保守的二级结构正常情况下召回率还是不错的。rRNA 基因12S、16S则通过 rRNA 的 HMM 模型来定位。所有预测结果最后会综合成一条完整的基因排列图输出为 GenBank、GFF3 等格式同时生成一个统计文件列出每个基因的长度、位置、链方向等信息。这里我要特别提醒一句MitoZ 的注释是自动化预测不是审稿人认证。自动化的特点就是稳定高效但代价是偶尔会出错。基因边界偏移、起始密码子识别错误、个别 tRNA 漏注释这三种情况我都遇到过。所以拿到结果后拿近缘物种的注释做一遍对照、逐基因核查是绝对不能跳过的步骤。2.3 关键参数背后的生物学逻辑MitoZ 最容易被忽视但最影响结果的两个参数是 --clade 和 --genetic_code。前者决定了锚定参考和注释模型的物种范围后者决定了密码子翻译的规则表。如果物种大类选错了锚定的时候可能根本找不到同源 reads整个流程直接空转遗传密码子表对应不上注释出来的蛋白序列会出现大片提前终止或错误翻译长度一看就不正常。我自己常用的组合是节肢动物用 --clade Arthropoda --genetic_code 5鱼类、两栖爬行、鸟类哺乳类用 --clade Chordata --genetic_code 2棘皮动物用 --genetic_code 9扁形动物用 --genetic_code 14。这些细节在 NCBI 的遗传密码子表Genetic Code页面里都有明确说明花两分钟查清楚比注释完再返工要划算得多。提示线粒体遗传密码子表和核基因组的标准密码子表不一样。比如无脊椎动物线粒体里ATA 编码甲硫氨酸而不是异亮氨酸AGA/AGG 编码丝氨酸而不是精氨酸。这就是为什么组装完成后--genetic_code 直接决定了注释的准确性。3. 完整实操从零开始跑通 MitoZ3.1 环境准备与安装MitoZ 对硬件的要求不算高普通的 8 核 16G 内存服务器就能跑。安装方式我最推荐官方 Docker 镜像一键拉取、依赖不用操心docker pull malab/mitoz:latest跑的时候用 docker run 挂载数据目录即可。没有 Docker 环境的话也可以直接从 GitHub仓库名 liuyang105/MitoZ下载发行包按 README 配置好 Python 3 环境后运行。需要注意的是MitoZ 依赖一些 Perl 写的辅助工具比如 tRNAscan-SE官方发行包里一般会带,自己从源码编译时容易踩环境变量的坑建议优先用官方打包好的版本。很多人在安装这一步就被劝退了其实换个思路生物信息学软件的生命力在于能用不在于从源码编译成功。能用 Docker 就别折腾源码把时间留给后面的数据质控和结果核查这才是正确优先级。3.2 输入数据的准备MitoZ 最常用的输入是 Illumina 双端测序数据PE150、插入片段 300~500 bp 的文库都可以。关键指标是线粒体基因组的覆盖度建议至少 50× 以上保守一点做到 100× 更稳。如果是全基因组测序数据线粒体 reads 占比通常只有 0.1%~1%覆盖度不够的话组装会非常碎这种情况建议做线粒体富集或者多跑几个样品用同源参考互相补充。输入文件就是标准的 fastq.gz 格式不需要额外预处理成特殊格式。但如果你的数据里已经明显混入了接头和低质量碱基也可以先用 fastp 或 Trimmomatic 预处理一下再喂给 MitoZ这样可以减轻它内部清洗步骤的压力。我自己的习惯是无论数据新老都先过一遍 fastp得到一个干净的 fastq 副本再进 MitoZ后续如果结果异常至少能排除原始数据太脏这个变量。3.3 一键运行从原始 reads 到注释结果MitoZ 最吸引人的就是 all 模式一条命令从头跑到尾mitoz all \ --outprefix my_mitoz \ --thread_number 8 \ --clade Arthropoda \ --genetic_code 5 \ --species_name Drosophila melanogaster \ --reads_raw R1.fq.gz R2.fq.gz \ --insert_size 300--reads_raw 后面可以接多个文件也可以接不同文库的数据MitoZ 会合并使用。--outprefix 是输出前缀所有结果都会写在这个前缀对应的目录和文件名里。--thread_number 建议按服务器核数设置8~16 是多数人常用的区间。all 模式会自动先跑组装再跑注释。一个中等覆盖度的节肢动物样品8 线程一般几十分钟到两三个小时就能跑完。跑完以后在输出目录里你会看到类似这些文件my_mitoz.genome.fas组装并环化后的线粒体基因组序列my_mitoz.genome.gbGenBank 格式含完整注释可以直接用 Geneious 或 NCBI 工具打开my_mitoz.genome.gff3GFF3 格式适合后续在比较基因组流程里解析其他中间文件、统计文件和日志文件在这些文件里我永远最先看的是统计文件和日志它会直接告诉你组装出几条 contig、有没有成功环化、注释出多少个基因。如果显示没有闭环后面所有注释都是白搭必须回到组装环节重新处理。3.4 分步运行适合调试和批量处理的模式all 模式省事但调试的时候不友好。MitoZ 也支持把组装和注释拆开跑# 先跑组装 mitoz assemble \ --outprefix my_mitoz \ --thread_number 8 \ --clade Arthropoda \ --genetic_code 5 \ --species_name Drosophila melanogaster \ --reads_raw R1.fq.gz R2.fq.gz \ --insert_size 300 # 确认组装结果没问题后再跑注释 mitoz annotate \ --outprefix my_mitoz \ --thread_number 8 \ --clade Arthropoda \ --genetic_code 5 \ --species_name Drosophila melanogaster分步跑的好处是如果组装环节环化失败你不需要带着错误结果跑注释如果换了参数重新组装注释也能基于新结果单独再跑。批量处理多批次样品时我更推荐分步跑——先把所有样品的组装跑完统一检查环化和完整性再统一注释。这样资源和时间的利用率都更高出问题也容易定位到底卡在哪一步。3.5 输出文件解读与质量判断拿到输出后第一件事不是急着画图而是先做一次快速体检。我会按这个顺序检查序列长度是否符合预期动物线粒体基因组大多在 14~18 kb短太多或长太多都要警惕长太多可能混入了核基因组片段。是否环化看日志里的 circular 标记没有环化就得返回去调整参数。注释基因数量13 个 PCG 22 个 tRNA 2 个 rRNA 是动物线粒体基因组的标准配置。数量不对就说明注释阶段有问题。检查每个 PCG 翻译出来的蛋白长度如果明显偏短大概率是起始密码子识别错误或遗传密码子表选错。这一套体检下来90% 的问题都能在早期暴露出来不用等到画完基因图才发现某个基因缺失那就太晚了。4. 常见问题与排查技巧实录4.1 报错速查表MitoZ 的报错信息不算特别友好很多是 Python 堆栈看多了就有经验了。我把自己实际踩过和帮人排查过的典型问题整理成了下面的表现象常见原因处理办法找不到锚定序列、锚定步骤空跑clade 选错或数据里线粒体 reads 太少换更宽泛的 clade 再试确认数据来源无误提高覆盖度内存溢出、进程被杀reads 量太大或 --memory 设置太小调大内存上限或减少线程数先做 fastp 预处理降低数据量组装结果多条 contig 且都不环化覆盖度不均匀或存在重复区域干扰检查控制区覆盖度换近缘参考辅助组装注释出的基因数偏少组装质量差或遗传密码子表设置错误先检查组装核对 NCBI 遗传密码子表输入文件格式报错fastq 文件名后缀或编码不符合预期统一为 .fq.gz/.fastq.gz检查文件是否为有效 gzip锚定失败值得单独说一下。MitoZ 的锚定依赖 clade 对应的参考数据如果你的物种比较冷门库里缺少近缘序列锚定就可能失败。我的经验是先用近缘物种的 COI 序列 BLAST 一下自己的测序数据确认里面确实有线粒体信号再考虑换用更宽泛的 clade比如从具体科改成门或者手动提供参考序列辅助锚定。盲改参数不如先确认数据本身没问题。4.2 组装不闭环的排查思路组装出来差一口气是线粒体基因组组装里最让人崩溃的场景。序列长度接近完整大小但就是环不上或者环化后两端重复区域里有奇怪的结构。我的排查顺序是这样的第一步看覆盖度。把 reads 比对回组装出来的 contig检查有没有局部深度骤降。控制区因为碱基组成特殊、AT 含量极高经常是覆盖度低谷也是组装断裂高发区。如果就是这一块断了可以试试加大该区域的 reads 权重或者补测数据。第二步看重复序列。线粒体基因组里有一些短串联重复容易导致组装器把环摊平成线性时对不齐两端。这种情况如果只是差几个碱基可以直接用近缘物种做参考手动对齐修复不必重跑整个组装。第三步检查 NUMT 污染。核基因组里存在线粒体片段如果线粒体 reads 占比太低组装器很容易把 NUMT 的序列混进来导致候选 contig 里有两条相似但不一致的序列。解决思路是提高线粒体 reads 的富集效率或者在组装后把候选 contig 逐一比对回参考物种验证。这里的核心观点是闭环不是终点闭环的正确性才是。我有个样品当时组装结果看起来完美闭环了但用 PCR 扩增验证时引物跨接处对不上最后发现是装配时把一段重复区域错误折叠了。所以重要样品一定要用实验手段验证一下环化接点这一步省不得。4.3 注释结果的人工核查与修正注释结果的人工核查是新手最容易跳过的一步。MitoZ 给出的 GenBank 文件看着很规范但里面可能存在三类典型错误第一类是基因边界偏移。线粒体基因之间经常有重叠区域比如 ATP8 和 ATP6 之间有几十个碱基的重叠预测工具在边界判定上容易出现几个到几十个碱基的偏差。核查方法是用近缘物种的注释做比对看看基因的起始和终止位置是否合理。第二类是起始密码子识别错误。动物线粒体基因的起始密码子不只是 ATG还可能是 ATT、ATA、ATC、GTG、TTG 等自动化工具经常识别不准。我的处理方法是把预测的蛋白序列比对到同源蛋白上看 N 端是否对齐如果短了一截就手动往前找起始密码子并调整注释位置。第三类是 tRNA 漏注释或错注释。tRNAscan-SE 对某些结构特殊的 tRNA比如缺少 D 环或 T 环的 tRNA-Ser(AGY)召回率确实不高需要手动检查。把 22 个 tRNA 的标准列表拿出来一个一个核对宁可慢一点也不要放过。我个人的建议是把 MitoZ 的结果导入 Geneious 或 SnapGene加载近缘物种的注释作参考逐条检查每个基因。这个阶段虽然费时间但也是你真正读懂自己样品基因组的好机会——基因排列顺序、链的方向、重叠关系都会在你手动核对的过程中刻进脑子里。5. 结果验证、工具搭配和我的固定流程5.1 从组装到文章发表还需要做什么很多朋友以为拿到 MitoZ 的注释结果就能直接投文章了实际还差几步。第一步是加实验验证常见做法是在环化接点两侧设计引物做 PCR 扩增和 Sanger 测序验证序列的准确性。对于新种、模式物种或者要作为科级代表节点的样品这个验证基本是硬性要求。第二步是把注释结果提交到 NCBI 的 GenBank 数据库用 tbl2asn 或 BankIt 提交时可以直接导入 MitoZ 输出的 GenBank 文件主要字段都齐了能省不少事。第三步是在系统发育分析时使用正确的数据划分策略。13 个 PCG 通常按密码子位点分成三个 partition或者用 PartitionFinder2 选择最优方案两个 rRNA 和 tRNA 一般单独分区。这些虽然不是 MitoZ 的内容但没有一个高质量注释结果后面全都是空中楼阁。前期在注释上认真一点后面每一步分析都会顺利很多。5.2 我踩过的几个坑和现在的固定流程作为一个每年要处理几十个线粒体基因组的从业者我现在跑新样品已经形成了固定流程分享出来供参考收到测序数据后先跑 FastQC再用 fastp 做预处理自己心里有数再进 MitoZ跑之前先查 NCBI 确认物种正确的 clade 和遗传密码子表不凭记忆组装完成后先看长度和环化状态再进入注释注释完成后用近缘物种注释做参照人工核查所有基因边界重要样品设计跨接点验证引物PCR 加 Sanger 确认最后把注释结果提交 GenBank并保留原始参数记录和日志方便论文方法部分撰写和审稿人问询时提供。这套流程看起来啰嗦但能避免大量返工。有一次我为了赶进度跳过了人工核查结果一个 ND2 基因的边界差了 15 bp下游的 Ka/Ks 分析全部受影响最后只能全部重跑真是得不偿失。从那以后我就再也不敢省这一步了。5.3 MitoZ 和其他工具怎么搭配MitoZ 不是万能的我实际项目中经常把它和其他工具配合使用。如果 MitoZ 组装不出来我会用 NOVOPlasty 再试一把——它只需要一段近缘物种的种子序列在某些低覆盖度数据下反而更稳。注释环节如果对特殊类群不放心我会用 MITOS 在线服务器的结果做交叉验证。最后的可视化推荐用 MitoDraw 或 Geneious 里的线粒体基因图工具能直接读取 GenBank 文件生成漂亮的环形基因图。工具链的搭配原则就一句话不要迷信单一软件交叉验证才是生物信息学的基本素养。每个软件都有自己的偏向和盲区多个独立证据指向同一个结论时这个结论才真正站得住脚。最后再分享一个小经验MitoZ 跑出来的结果目录不要随手删里面除了最终文件还有很多中间产物。当审稿人问起你当时用的什么参数、组装基于哪些 reads时能快速翻出日志和统计文件会显得特别专业。保存好原始记录是这个领域里最容易被忽视却最值钱的好习惯。