CheckM2
宏基因组分箱CheckM2 是一个基于机器学习的快速工具，用于评估宏基因组装配基因组 (MAGs) 的质量。它使用在基因组特征上训练的梯度提升模型来预测完整度和污染度，无需参考基因组。 [1]
如何获取输出模型文件
以下是团队运行的简要工作流，用于获取我们在工具页面上呈现的输出模型示例。
输入
FASTA 格式的基因组 bin 目录 (.fa, .fna, .fasta)
输出
TSV 文件，包含每个 bin 的质量指标：完整度、污染度、编码密度、GC 含量、基因组大小、N50、contig 数量
conda install -c bioconda checkm2
Docker 镜像： nanozoo/checkm2:latest
样本 1 来自 PRJNA795985 肠道微生物群共组装的 21 个宏基因组装配基因组，使用 数据库 通过 CheckM2 进行评估。
- 1
从 PRJNA795985 下载 3 个样本
for SRR in SRR17531757 SRR17531762 SRR17531772; do fastq-dump --split-files --gzip -X 1000000 --outdir reads/ $SRR; done
每个样本来自美国健康成人的饮食和抗菌素耐药性研究 (Shrestha 等人，mBio 2022) 的 1M read 对。
- 2
使用 MEGAHIT 进行共组装
megahit -1 reads/SRR17531757_1.fastq.gz,reads/SRR17531762_1.fastq.gz,reads/SRR17531772_1.fastq.gz -2 reads/SRR17531757_2.fastq.gz,reads/SRR17531762_2.fastq.gz,reads/SRR17531772_2.fastq.gz -o assembly --min-contig-len 1500 -t 8
共组装产生 14,934 个 contig（≥1,500 bp）。
- 3
将每个样本映射到 contig
for SRR in SRR17531757 SRR17531762 SRR17531772; do minimap2 -ax sr -t 8 assembly/final.contigs.fa reads/${SRR}_1.fastq.gz reads/${SRR}_2.fastq.gz | samtools sort -@ 4 -o bams/${SRR}.sorted.bam && samtools index bams/${SRR}.sorted.bam; done产生分箱所需的样本特异性 BAM 对齐。
- 4
分箱 contig
vamb bin default --outdir vamb_out --fasta assembly/final.contigs.fa --bamdir bams/ -m 1500 --minfasta 200000 -p 8
产生 21 个 bin FASTA 文件（≥200 Kbp）。
- 5
下载 CheckM2 数据库
checkm2 database --download --path checkm2_db/
下载 DIAMOND 数据库 (uniref100.KO.1.dmnd, ~1.74 GB)。
- 6
在所有 21 个 bin 上运行 CheckM2
checkm2 predict --input bins/ --output-directory checkm2_output/ -x fna --threads 8 --database_path checkm2_db/uniref100.KO.1.dmnd
产生 quality_report.tsv，包含所有 21 个 bin 的完整度、污染度、编码密度、GC 含量、N50 和基因组大小。
使用的材料
示例输出文件
下载工具页面演示中使用的输出文件。您可以直接上传到 IntMeta 来探索可视化。
单个和比较
分组分析
图表参考
IntMeta 中 CheckM2 生成的所有 32 个可视化的详细描述。
completeness-vs-contamination
散点图，显示每个 bin 的机器学习预测完整度 (%) 对污染度 (%)，按 MIMAG 质量等级着色。理想的 bin 位于左上角。虚线标记 MIMAG 阈值：高质量 (>90% 完整，<5% 污染) 和中等质量 (≥50% 完整，<10% 污染)。
quality-score-ranking
水平柱状图，按复合质量分数 = 完整度 − 5 × 污染度（标准 MIMAG 公式）对 bin 进行排名。完整度为 95%、污染度为 2% 的 bin 得分为 85。颜色反映 MIMAG 质量等级（高/中/低）。
quality-metrics-heatmap
热图，展示所有 bin 中完整度、污染度、编码密度和 GC_含量的最小-最大归一化值。每个指标在其列内按 0–1 进行缩放；颜色越深表示相对值越高。适合一眼识别异常 bin。
genome-size-distribution
柱状图，按大小排序并按 MIMAG 质量等级着色，显示每个 bin 的基因组大小 (Mbp)。虚线参考线表示典型的细菌基因组大小范围（大多数为 1–8 Mbp）。异常小或大的 bin 可能需要手动检查。
gc-content-vs-genome-size
散点图，显示 GC_含量 (%) 对基因组大小。不同的分类群在特征性的 GC/大小组合处聚集——例如，厚壁菌往往偏向 30–40% GC，而放线菌通常超过 60%。异常位置可能表示由来自无关生物体的 contig 组成的嵌合 bin。
n50-vs-genome-size
气泡图，其中 X = 基因组大小，Y = Contig_N50（总装配长度的一半位于 ≥ 此大小的 contig 中），气泡直径 = 完整度 (%)。右上角的大气泡代表装配良好、完整的基因组。
coding-density-vs-completeness
散点图，显示编码密度（编码序列中的碱基比例）对完整度，按质量等级着色。大多数原核生物基因组的编码密度为 85–95%。低编码密度结合高完整度可能表示受非编码 DNA 污染。
assembly-fragmentation
散点图，显示总 contig 数（contig 计数）对基因组大小。高度碎片化的组装体出现在左上角（许多 contig，小基因组）。装配良好的基因组聚集在右下角（少数 contig，大基因组）。碎片化影响基因预测等下游分析。
quality-tier-distribution
柱状图，计算每个 MIMAG 质量等级中的 bin 数：高 (>90% 完整，<5% 污染)、中 (≥50% 完整，<10% 污染)、低 (两个阈值以下)。MAG 发表中最常见的汇总图表。
completeness-threshold-recovery
分组柱状图，显示有多少 bin 在 <5% 和 <10% 污染限制下通过 ≥50% / ≥70% / ≥90% 完整度。来自 CAMI 挑战、DAS Tool、SemiBin2 和 VAMB 论文的标准基准可视化。
gc-content-histogram
GC 含量直方图，以 5% 为间隔。双峰或多峰分布提示恢复了来自不同分类群的 MAG，因为不同分类群往往在特征性的 GC 范围处聚集。
cumulative-genome-recovery
累积阶梯面积图，按质量分数（完整度 − 5×污染度，降序）排序的 bin。Y 轴显示基因组大小的运行总数（bp）。陡峭的初始上升表示大多数装配序列来自高质量的 bin。
metric-correlation-heatmap
所有数值质量指标的对称 Pearson 相关矩阵。红色 = 正相关，蓝色 = 负相关。揭示哪些指标共变（例如完整度对基因组大小），哪些是独立的，对理解 MAG 质量驱动因素很有用。
comp-quality-tiers
分组柱状图，比较 MIMAG 质量等级（高/中/低）在各样本间的分布。每个分组显示一个样本的柱子，能够快速评估哪个样本整体产生了更高质量的 bin。
comp-genome-size
箱线图或分组柱状图，比较各样本间 bin 的基因组大小分布。显示某些样本是否产生系统性较大或较小的 MAG，这可能反映群落组成的差异。
comp-completeness
箱线图，比较各样本间机器学习预测完整度 (%) 的分布。更高的中位数和更紧的四分位距表示该样本中 bin 更加一致地完整。
comp-contamination
箱线图，比较各样本间污染度 (%) 分布。更低的值更好——污染度升高的样本可能需要更严格的分箱参数或额外的优化。
comp-summary-table
汇总表，显示每个样本的关键指标：bin 总数、平均完整度、平均污染度、平均基因组大小和高质量 bin 的数量。为跨样本比较提供快速数值概览。
comp-quality-pct
100% 堆叠柱状图，显示每个样本中高/中/低质量 bin 的比例。对不同的 bin 计数进行归一化，实现直接比较 MAG 恢复质量。标准出现在 CAMI 挑战基准中。
comp-cdf
每个样本的 bin 大小经验累积分布函数 (CDF) 叠加。揭示超出箱线图摘要的完整分布形状——尾部、双峰性以及超过大小阈值的 bin 比例。标准出现在 CAMI 基准中。
comp-gc-content
每个样本 GC 含量 (%) 分布的箱线图。GC 分布因环境（土壤对肠道对海洋）和提取方案而异，作为群落组成差异的代理。
comp-contig-n50
各样本间每个 bin 的 contig N50 的箱线图。N50 是主要的装配连续性指标——更高的值表示碎片化程度更低的 bin。在几乎每项 MAG 质量评估中都有报告。
comp-coding-density
每个样本编码密度（基因组中编码蛋白质部分的比例）的箱线图。更低的编码密度可能表示受非编码 DNA 或真核序列的污染。由 CheckM2 机器学习模型评估。
binning-group-quality-tiers
MIMAG 质量等级计数（高/中/低）的分组柱状图，按实验组划分，带有独立性卡方检验。等级遵循 Bowers 等人的标准：高 (>90% 完整，<5% 污染)、中 (≥50%，<10%)。显著的卡方 p 值表示 MAG 质量分布在组间存在差异。
binning-group-metric-boxplots
比较跨组选定质量指标（完整度、污染度、基因组大小、GC 含量、N50 或编码密度）的箱线图。所有单个 bin 值按组汇总。Kruskal-Wallis 检验（≥3 个组）或 Mann-Whitney U 检验（2 个组）评估显著性；成对比较使用 Benjamini-Hochberg FDR 校正。
binning-group-recovery-rate
分组柱状图，显示各组中每个质量等级（高、中、低、总计）的平均 bin 计数，误差条显示 ±1 标准差。检验各组在 MAG 恢复数量上是否存在差异——CAMI 挑战框架中的关键基准。
binning-group-pca
每样本质量配置文件（平均完整度、污染度、基因组大小、GC、N50、编码密度、%HQ、%MQ）的 PCA 排序。分解前对特征进行 z 分数标准化。Euclidean 距离矩阵上的 PERMANOVA 检验组中心是否显著不同。为样本数 ≥3 的组绘制 95% 置信椭圆。
binning-group-cdf
跨组选定指标的经验累积分布函数 (CDF) 叠加。两样本 Kolmogorov-Smirnov 检验量化曲线之间的最大垂直距离——显著的 D 统计量表示组的指标分布在位置、离散程度或形状上存在差异。
binning-group-scatter
质量指标的跨组散点图叠加，按组着色。背景区域标记质量等级。显示实验组是否产生系统性不同的 MAG 质量配置文件。基于 MIMAG 标准。
binning-group-total-recovery
堆叠柱状图，显示每组恢复的平均总碱基对，按质量等级分割。误差条显示 ±1 标准差。测量每组装配的实际数据量，补充 bin 计数和恢复率图表。