1. 从宏基因组数据中“捞”病毒：为什么需要VirSorter2？

如果你正在处理宏基因组数据，尤其是来自环境样本（比如海水、土壤、人体肠道）的测序结果，你可能会遇到一个经典难题：如何从海量的细菌、古菌、真核生物DNA片段里，把那些“隐藏”的病毒基因组给找出来？这就像在一大锅海鲜粥里，精准地挑出所有的虾米和蟹肉，而不仅仅是喝汤。传统方法，比如基于已知病毒序列的比对（BLAST），在面对大量未知的、全新的病毒时，往往力不从心，漏检率很高。这就是VirSorter这类工具存在的核心价值：它不依赖已知数据库的完全匹配，而是通过机器学习模型，识别DNA序列中属于病毒的“特征信号”。

VirSorter2是初代VirSorter工具的全面升级版。如果说第一代工具是个经验丰富但工具单一的老渔夫，主要靠“看形状”（比如基因含量、末端特征）来识别病毒，那么VirSorter2就是一个装备了多种高科技探测器的现代化捕捞船。它整合了更丰富的特征集，包括基因共享网络、蛋白隐马尔可夫模型（pHMM）匹配等，并采用了集成学习的方法，使得预测的准确性、特别是对原核生物病毒（噬菌体）和真核生物大型病毒（如NCLDV）的识别能力得到了显著提升。对于从事病毒生态学、微生物组学、尤其是关注病毒-宿主互作的研究者来说，掌握VirSorter2的安装和使用，是进行深入数据分析的一项基础且关键的技能。

接下来的内容，我将以一个在Linux服务器（Ubuntu 20.04 LTS）上从零开始部署和运行VirSorter2的完整过程为例，带你走通全流程。我会重点解释每个步骤背后的原因，并分享我在实际操作中遇到的那些教程里通常不会写的“坑”和解决技巧。无论你是刚接触生信分析的研究生，还是需要快速搭建分析流程的工程师，这篇指南都能帮你节省大量摸索时间。

2. 环境准备：不仅仅是安装Python那么简单

在安装任何生物信息学软件之前，搭建一个稳定、隔离且易于管理的环境是重中之重。直接往系统Python里塞各种包，是后期灾难的根源。对于VirSorter2，官方推荐使用Conda进行环境管理，这是目前最稳妥的方案。

2.1 Conda环境创建与配置

首先，你需要安装Miniconda或Anaconda。这里我推荐Miniconda，因为它更轻量。假设你已经下载并安装了Miniconda3。

创建一个名为virsorter2的独立环境，并指定Python版本。VirSorter2官方文档推荐Python 3.7+，但经过实测，Python 3.8或3.9的兼容性更好，很多依赖包对新版本支持更及时。

# 创建新环境，使用python=3.9 conda create -n virsorter2 python=3.9 -y # 激活环境 conda activate virsorter2

注意：-y参数表示自动确认，避免交互式提问。在写脚本或确保流程自动化时很有用。

为什么用Conda而不是pip？因为VirSorter2的依赖项中，有些底层库（如hmmer、prodigal）是二进制工具或编译复杂的C/C++库。Conda作为一个跨平台的包管理器，能够很好地处理这些非Python依赖的安装和版本协调，这是纯pip难以做到的。激活环境后，你的命令行提示符前通常会显示(virsorter2)，这表明后续所有操作都在这个“沙箱”中进行，不会影响系统和其他项目。

2.2 关键依赖的手动检查与安装

虽然接下来会用pip安装VirSorter2，但它依赖的一些工具需要提前确保到位。特别是hmmer，这是用于序列谱搜索的核心工具，VirSorter2用它来比对病毒蛋白家族。

# 在conda环境中安装hmmer conda install -c bioconda hmmer -y

安装完成后，强烈建议手动检查一下关键工具是否在环境路径中，以及版本是否合适：

# 检查hmmer版本 hmmsearch -h | head -n 2 # 检查python版本 python --version # 检查pip版本 pip --version

这个简单的检查步骤能提前暴露很多环境问题。我曾经遇到过因为系统PATH设置问题，导致激活conda环境后，调用的仍然是系统老版本的hmmsearch，导致后续运行失败。确保你看到的hmmsearch路径是在你的conda环境目录下（例如~/miniconda3/envs/virsorter2/bin/hmmsearch）。

3. VirSorter2核心安装与数据库部署

环境准备好后，就可以安装VirSorter2本体了。安装本身很简单，但数据库的下载和配置才是真正的重头戏，也是耗时最久、最容易出错的环节。

3.1 使用pip安装VirSorter2

在激活的virsorter2环境中，直接使用pip从PyPI安装：

pip install virsorter

注意，包名是virsorter，但安装的是VirSorter2。安装完成后，可以通过以下命令验证安装是否成功：

virsorter --version # 或 virsorter --help

如果成功显示版本号和帮助信息，说明核心软件安装无误。这里有个小技巧：有时候网络问题可能导致pip安装的包不完整。如果后续运行报错提示缺少某个模块（比如virsorter.config），可以尝试先升级pip，然后重新安装：pip install --upgrade pip && pip install --force-reinstall virsorter。

3.2 数据库下载：耐心与技巧并存

VirSorter2需要三个核心数据库：viral、dsDNAphage、ssDNA和lavid。使用官方脚本virsorter setup可以自动下载。但这里有几个必须知道的坑：

首先，数据库很大。总大小可能超过20GB，所以请确保你的服务器或本地机器有足够的磁盘空间（建议预留50GB以上）。下载时间取决于你的网络速度，可能长达数小时。

其次，网络连接必须稳定。下载过程中如果中断，可能需要重头再来。强烈建议在稳定的网络环境下（如实验室内部服务器）进行，或者使用可以断点续传的工具预先下载。

最关键的技巧：使用国内镜像或手动下载。官方下载源在国外，对于国内用户可能速度极慢甚至无法连接。这里提供两种备选方案：

方案一：使用conda安装数据库（推荐尝试）Bioconda频道提供了VirSorter2的数据库包，可以通过conda直接安装，有时能利用国内镜像加速：

conda install -c bioconda virsorter2-db -y

安装后，数据库通常位于conda环境的share/virsorter目录下。你需要用virsorter config命令来设置数据库路径。

方案二：手动下载并配置（最可控）

1. 从可靠的镜像源（如一些大学或研究所提供的生物信息学资源镜像）找到数据库的压缩包。
2. 手动解压到一个目录，例如/path/to/your/db/virsorter2_db。
3. 使用以下命令设置数据库路径：

   virsorter config --set DB_DIR=/path/to/your/db/virsorter2_db

如果坚持使用官方脚本下载，命令如下：

# 这一步会非常漫长，建议在screen或tmux会话中执行，防止终端断开导致任务终止 virsorter setup -d /path/to/db -j 4

• -d /path/to/db：指定数据库存放目录。不要使用默认位置，最好指定一个空间充足、路径中不含空格或特殊字符的目录。
• -j 4：指定下载线程数，可以根据你的网络情况调整。

实操心得：我个人的经验是，直接运行virsorter setup失败率较高。我更倾向于先通过其他方式（如aspera、wget从镜像站）获取数据库文件，然后手动放置到正确位置，再用virsorter config进行链接。这虽然多了一步，但成功率几乎是100%。你可以先尝试用conda安装数据库，如果不行再寻求手动方案。

4. 运行你的第一个VirSorter2分析

数据库就位后，就可以开始分析了。我们以一个简单的测试为例，假设你有一个宏基因组组装的contig文件test_contigs.fasta。

4.1 最小化运行命令与参数解析

最基本的运行命令如下：

virsorter run \ -i test_contigs.fasta \ -o virsorter2_results \ --min-length 1500 \ --min-score 0.5 \ --hallmark-required \ -w virsorter2_workdir \ -j 4

我们来拆解每个参数的含义和设置理由：

• -i：输入文件路径。必须是FASTA格式的序列文件，通常是宏基因组组装得到的contigs或scaffolds。
• -o：最终结果输出目录。程序会自动创建这个目录。
• --min-length 1500：只对长度不小于1500 bp的序列进行预测。这是为了过滤掉太短的序列，这些序列包含的信息量少，预测可靠性极低，同时可以大幅减少计算时间。对于高质量组装，你可以提高到3000或5000。
• --min-score 0.5：置信度得分阈值。VirSorter2会对每个序列预测一个得分（0-1之间），得分越高，是病毒的可能性越大。0.5是一个比较宽松的阈值，用于初步筛选。在后续严谨分析中，你可能需要结合其他证据（如宿主去除、基因注释）来调整这个阈值，例如提高到0.7或0.8。
• --hallmark-required：这是一个非常重要的参数。它要求预测为病毒的序列必须至少包含一个“病毒标志性基因”。标志性基因是那些几乎只存在于病毒中、功能明确的基因（如主要衣壳蛋白、终止酶大亚基）。开启此选项可以显著降低假阳性率（即将细菌的基因岛误判为病毒），但可能会略微增加假阴性（漏掉一些没有典型标志基因的新病毒）。对于大多数严谨的分析，建议开启此选项。
• -w：工作目录。VirSorter2运行会产生大量中间文件，指定一个独立的工作目录便于管理和清理。它和输出目录-o是不同的。
• -j 4：使用的CPU线程数。根据你的服务器资源进行调整，可以显著加速计算。

4.2 理解输出结果：关键文件解读

运行结束后，在-o指定的输出目录（本例中是virsorter2_results）下，你会看到几个重要文件：

1. final-viral-score.tsv：这是最重要的结果文件。它是一个制表符分隔的表格，包含了每条被评估序列的详细信息。

让我们用head命令查看一下它的结构：

head -n 5 virsorter2_results/final-viral-score.tsv

输出通常包含以下列：

• seqname：输入序列的ID。
• length：序列长度。
• hallmark：检测到的病毒标志性基因数量。
• viral_score：VirSorter2计算出的病毒可能性得分（核心指标）。
• cellular_score：序列属于细胞生物（细菌/古菌）的可能性得分。
• max_de_novo_score、max_group_score等：内部不同模块的得分。
• prediction：最终预测标签，如dsDNAphage、ssDNA、NCLDV、lavid或cellular。

你需要根据viral_score和prediction列来筛选候选病毒序列。例如，想提取所有得分大于0.7且被预测为dsDNAphage的序列ID：

awk -F'\t' '$4 > 0.7 && $8 ~ /dsDNAphage/ {print $1}' virsorter2_results/final-viral-score.tsv > high_confidence_phage.list

2. final-viral-combined.fa：包含所有被预测为病毒的序列（包括部分和完整）。这个文件是上游预测结果的直接汇总。
3. final-viral-boundary.fa：这个文件更有价值。它包含了经过“边界精细化”的病毒序列。VirSorter2会尝试判断病毒序列在contig上的起始和终止位置，并截取出最可能是病毒基因组的部分，去除两端可能污染的宿主基因。对于后续的病毒基因组注释和分类，建议使用这个文件。

5. 进阶配置与实战避坑指南

掌握了基础运行后，我们来看看如何优化分析，并解决那些常见的错误。

5.1 针对大型数据集的分批与并行处理

如果你的contig文件很大（比如超过10万条序列），直接运行可能会消耗极大内存和时间。此时可以采用“分而治之”的策略：

策略一：序列拆分使用seqkit等工具将大FASTA文件拆分成多个小文件，然后并行运行多个VirSorter2任务。

# 安装seqkit conda install -c bioconda seqkit -y # 将输入文件拆分成每份10000条序列 seqkit split -s 10000 test_contigs.fasta # 对拆分后的文件（如 test_contigs.part_001.fa）分别提交作业

策略二：利用工作目录恢复功能VirSorter2的-w工作目录会保存中间状态。如果任务因意外中断（如超时），你可以通过重新执行相同的命令（指向同一个-w目录），程序会尝试从断点恢复，而不是重新开始。这在处理超大数据时非常有用。

5.2 常见报错与解决方案

错误1：ModuleNotFoundError: No module named 'virsorter'

• 原因：没有在正确的conda环境中运行，或者安装失败。
• 解决：确认已执行conda activate virsorter2。重新安装pip install virsorter。

错误2：[ERROR] Database directory ... does not exist or is empty

• 原因：数据库路径设置错误或数据库未成功下载。
• 解决：运行virsorter config --show查看当前数据库路径。使用virsorter config --set DB_DIR=/correct/path进行更正，或重新运行virsorter setup。

错误3：运行过程中内存不足（OOM, Out Of Memory）

• 原因：默认设置可能对超大contig或高线程数消耗内存过多。
• 解决：
  1. 增加--min-length参数，过滤掉更多短序列。
  2. 减少-j参数指定的线程数。虽然计算会变慢，但内存峰值会降低。
  3. 最根本的方法是增加服务器物理内存，或使用分批处理策略。

错误4：KeyError: 'pfam'或类似数据库相关错误

• 原因：数据库文件损坏或不完整。
• 解决：这是最棘手的问题。首先检查数据库目录下文件是否完整。最彻底的方法是删除整个数据库目录，然后换用上文提到的手动下载方式重新获取并配置数据库。确保下载的数据库版本与VirSorter2软件版本兼容。

5.3 结果解读的注意事项：假阳性与假阴性

VirSorter2是一个强大的工具，但并非金标准。它的预测结果需要谨慎解读和后续验证。

• 假阳性来源：

  1. 细菌基因岛：一些细菌的毒力岛、代谢岛在基因组成和特征上与噬菌体相似，容易被误判。开启--hallmark-required是降低此类假阳性的有效手段。
  2. 质粒：某些大质粒也可能携带类似病毒的特征。
  3. 宿主基因污染：如果病毒序列的边界预测不准，截取出的片段可能包含宿主基因。

• 假阴性来源：

  1. 短序列：--min-length过滤掉的短病毒基因组。
  2. 缺乏标志基因的新病毒：如果开启了--hallmark-required，一些非常规的、缺乏已知标志基因的病毒会被漏掉。
  3. 低得分病毒：一些基因组成高度模仿宿主的病毒（如某些温和噬菌体）可能得分很低。

因此，最佳实践是将VirSorter2的输出作为“候选病毒集”，而不是最终结论。后续应该结合：

1. CheckV：用于评估病毒基因组的完整性和宿主污染。
2. 基因注释（如DRAM-v, VIBRANT）：通过功能注释进一步确认病毒特征。
3. 宿主预测（如 CRISPR spacer匹配, tRNA匹配）：寻找病毒与潜在宿主的关联证据。
4. 手动审查：对高分候选序列进行基因组可视化（例如用Geneious或UGENE），查看基因排列、末端重复序列等典型病毒特征。

6. 整合到自动化流程与性能调优

对于需要频繁运行VirSorter2的项目，将其脚本化并集成到分析流程中是提高效率的关键。

6.1 编写可复用的运行脚本

创建一个Shell脚本，例如run_virsorter2.sh：

#!/bin/bash # 定义变量，方便修改 INPUT_FASTA=$1 SAMPLE_NAME=$(basename ${INPUT_FASTA%.*}) OUTPUT_DIR="./results/${SAMPLE_NAME}_virsorter2" WORK_DIR="./workdir/${SAMPLE_NAME}_vs_work" THREADS=8 MIN_LEN=5000 MIN_SCORE=0.7 # 创建输出目录 mkdir -p ${OUTPUT_DIR} ${WORK_DIR} # 运行VirSorter2 virsorter run \ -i ${INPUT_FASTA} \ -o ${OUTPUT_DIR} \ --min-length ${MIN_LEN} \ --min-score ${MIN_SCORE} \ --hallmark-required \ -w ${WORK_DIR} \ -j ${THREADS} 2>&1 | tee ${OUTPUT_DIR}/virsorter2.log # 检查运行是否成功 if [ $? -eq 0 ]; then echo "[INFO] VirSorter2 analysis for ${SAMPLE_NAME} completed successfully." # 可以在这里添加后续处理步骤，比如提取高置信度序列 awk -F'\t' -v score=${MIN_SCORE} '$4 > score && $8 != "cellular" {print $1}' \ ${OUTPUT_DIR}/final-viral-score.tsv > ${OUTPUT_DIR}/high_confidence_viral.list else echo "[ERROR] VirSorter2 analysis for ${SAMPLE_NAME} failed. Check the log: ${OUTPUT_DIR}/virsorter2.log" exit 1 fi

然后给脚本执行权限并运行：

chmod +x run_virsorter2.sh ./run_virsorter2.sh /path/to/your/contigs.fasta

这个脚本实现了参数集中管理、日志记录、自动创建目录和基础的结果后处理，大大提升了可重复性和效率。

6.2 性能调优建议

VirSorter2的运行速度主要受限于序列数量、长度以及线程数。以下是一些调优思路：

• -j参数：设置为可用物理CPU核心数的70%-80%通常能获得较好的效率。不要设置为满核，留出一些资源给系统和其他任务。
• --min-length参数：这是最有效的提速和降内存手段。根据你的研究目标合理设置。如果只关心完整的病毒基因组，可以设到10000甚至15000。
• 工作目录（-w）放在高速存储上：如果服务器有SSD或NVMe硬盘，将工作目录指向那里，可以加速中间文件的读写。
• 关闭详细日志：默认输出信息较多。如果不需要，可以重定向标准输出，但建议至少保留错误日志（2>）用于排错。

最后，再分享一个我踩过的坑：在一次分析中，我发现结果中“病毒”序列异常地多，甚至包含了很多核糖体RNA基因。排查后发现，是因为输入文件中的序列ID包含特殊字符（如管道符|和空格），导致VirSorter2内部解析出错。因此，一个良好的习惯是在运行VirSorter2之前，先用seqkit seq等工具清洗FASTA文件，确保序列ID只包含字母、数字和下划线，并且是唯一的。例如：seqkit seq -i your_contigs.fasta > cleaned_contigs.fasta。这个预处理步骤能避免许多难以追溯的奇怪错误。