findscripter BUSCO 组装完整度解读
何时使用
当需要正确理解并报告 BUSCO（Benchmarking Universal Single-Copy Orthologs）完整度结果时使用本条，典型场景：
- 解读 BUSCO 输出的
C:..%[S:..%,D:..%],F:..%,M:..%,n:..记号，搞清各类别含义与计数口径。 - 跨多个基因组/转录组/蛋白组比较完整度，做组装或注释质量基准。
- 为论文「方法」与「结果」撰写可复现、可发表的完整度报告。
- 排查异常结果：高 Duplicated、高 Fragmented、近零完整度的真实原因。
- 解析
short_summary.*.txt与full_table.tsv做按基因（per-ortholog）的细粒度分析。
不该用本条的边界：
- 跑变异检测/联合分型 → 用
gatk-variant-calling，本条不做变异。 - 仅读写 BAM/VCF、抓区域、统计覆盖度 → 用
genomic-file-toolkit。 - reads 级质控（接头去除、质量过滤）→ 用
fastp-fastq-preprocessing；BUSCO 评估的是组装/注释产物，不是原始 reads。 - 本条聚焦「解读与报告」，BUSCO 的具体安装与逐参数调用细节请查官方 user guide。
核心纠错点：最常见的错误是把 Duplicated 排除在完整度之外——这会人为压低多倍体物种与含合法基因重复的组装得分。完整度恒为 S + D。
步骤
- 选谱系数据集：定位物种分类位置，选「能涵盖该物种的最具体」OrthoDB 数据集（越具体 BUSCO 标记越多、分辨率越高）；不确定时先
busco --auto-lineage（细菌用--auto-lineage-prok）。 - 按输入类型选模式：基因组组装 → genome 模式；de novo 转录组 → transcriptome 模式（D% 通常偏高，正常）；预测蛋白组 → protein 模式。模式选错会得到误导性结果。
- 跑 BUSCO 并记录元信息：完整记录命令、BUSCO 版本、OrthoDB 数据集版本、非默认参数，供复现。
- 解析 short summary：从
short_summary.*.txt提取 C/S/D/F/M/n 六个值（见示例正则）。 - 正确计完整度：完整 = Complete(single-copy) + Duplicated。务必
Status.isin(['Complete','Duplicated'])，不要只数== 'Complete'。 - 必要时下钻 full_table.tsv：按 Status 计数，排查 Fragmented 是否聚集在特定区域/功能类。
- 跨样本比较：所有样本必须用同一谱系数据集 + 同一 BUSCO 大版本，否则结果不可比。
- 报告：四类别（S/D/F/M）全报 + 总数 n；方法段写明版本、数据集、模式；用
generate_plot.py生成标准堆叠柱图。
类别速查（C% = S + D）：
| 状态 | 缩写 | 含义 | 计入完整？ |
|---|---|---|---|
| Complete single-copy | S | 恰好命中一次 | 是 |
| Duplicated | D | 命中多次（多拷贝，基因仍完整） | 是 |
| Fragmented | F | 部分匹配，基因模型可能不完整 | 否 |
| Missing | M | 完全未检出 | 否 |
谱系选型（取最具体且涵盖该物种者）：
| 物种类型 | 推荐谱系 | 示例数据集 | 备注 |
|---|---|---|---|
| 广义真核初筛 | eukaryota | eukaryota_odb10（255 标记） |
分辨率低，仅初查 |
| 脊椎动物 | 纲级 | mammalia_odb10（9226）、actinopterygii_odb10 |
纲级分辨率更好 |
| 昆虫 | 目级 | diptera_odb10、hymenoptera_odb10 |
有目级优先用 |
| 植物 | viridiplantae 或更具体 | embryophyta_odb10、eudicots_odb10 |
多倍体常致高 D% |
| 真菌 | 门/纲级 | ascomycota_odb10、basidiomycota_odb10 |
匹配已知系统发育位置 |
| 细菌 | 门级 | proteobacteria_odb10 |
未知菌用 --auto-lineage-prok |
示例
short summary 记号格式：
C:95.0%[S:90.0%,D:5.0%],F:3.0%,M:2.0%,n:255
解析 short summary（正则提取六个值）：
import re
def parse_busco_summary(filepath):
"""解析 BUSCO short_summary 文件，返回 C/S/D/F/M/n。"""
with open(filepath) as f:
text = f.read()
m = re.search(
r'C:(\d+\.?\d*)%\[S:(\d+\.?\d*)%,D:(\d+\.?\d*)%\],'
r'F:(\d+\.?\d*)%,M:(\d+\.?\d*)%,n:(\d+)', text)
if not m:
return None
return {
'complete_pct': float(m.group(1)), # S + D
'single_copy_pct': float(m.group(2)),
'duplicated_pct': float(m.group(3)),
'fragmented_pct': float(m.group(4)),
'missing_pct': float(m.group(5)),
'total': int(m.group(6)),
}
正确计数 vs 错误计数（核心约束）：
import pandas as pd
df = pd.read_csv('full_table.tsv', sep='\t', comment='#',
names=['Busco_id','Status','Sequence','Score','Length'])
# 错误：只把单拷贝当完整，漏掉 Duplicated
n_wrong = (df['Status'] == 'Complete').sum()
# 正确：单拷贝 + 多拷贝都算完整
n_complete = df['Status'].isin(['Complete', 'Duplicated']).sum()
print(f"complete (S+D) = {n_complete}") # 应与 short summary 的 C% 对得上
完整度公式：
Completeness(%) = (Complete_single_copy + Duplicated) / Total_BUSCOs * 100
跨蛋白组统一口径比较：
def compare_completeness(results: dict):
"""results: {名称: full_table 的 DataFrame}。返回按完整度降序的汇总表。"""
rows = []
for name, d in results.items():
n_complete = d['Status'].isin(['Complete', 'Duplicated']).sum()
n_total = len(d)
rows.append({'name': name, 'complete': n_complete,
'total': n_total, 'pct': round(100*n_complete/n_total, 1)})
out = pd.DataFrame(rows).sort_values('pct', ascending=False)
print(out.to_string(index=False))
return out
注意事项
- Duplicated 必须计入完整：D 代表直系同源基因「存在且完整、只是多拷贝」，可源于全基因组复制（植物、硬骨鱼、两栖类常见）、串联/片段复制、近期多倍化、蛋白组含多转录本异构体。斑马鱼（古多倍化硬骨鱼）常见 15–25% D，属预期。
- 高 D% 不必然是错误：先核对物种已知倍性与复制史，并对照近缘已发表 BUSCO 结果；但单倍体细菌出现高 D% 可能提示未折叠单倍型或污染等组装假象。
- 谱系不可混用：
eukaryota_odb10（255）与insecta_odb10（1367）搜索的直系同源集合不同，得分天然不可比；同一比较内所有样本统一数据集与版本。 - 谱系必须涵盖物种：把真菌基因组跑
insecta_odb10会得近零完整度——是数据集选错，不是组装差。不确定先--auto-lineage或查 OrthoDB 分类。 - 别忽略 Fragmented：F% 高（如 >5–10%）常指向真实问题——基因模型截断、genic 区组装差、抛光不足，可考虑加抛光轮次。下钻
full_table.tsv看 F 是否聚集。 - 版本差异不可比：BUSCO v3/v4/v5 算法、数据集、阈值不同；比较时全样本重跑同一版本。
- 报告必带 n：「95% 完整」脱离 n 是模糊的——95% of 255（eukaryota）与 95% of 9226（mammalia）含义迥异。统一用
C:..%[S:..%,D:..%],F:..%,M:..%,n:..记号。
互见
- requires：
genomic-file-toolkit—— 组装/注释的 FASTA、序列与索引处理是 BUSCO 的输入基础。 - related：
fastp-fastq-preprocessing—— reads 级质控（上游）与 BUSCO 的产物级完整度（下游）互补；star-rnaseq-aligner—— 转录组组装常用 BUSCO transcriptome 模式评估完整度；gatk-variant-calling—— 同属基因组学分析家族，组装质量影响变异检出。 - combines_with：
nextflow-pipeline-builder、snakemake-workflow-engine—— 把「选谱系→跑 BUSCO→解析汇总」各步包成可复现、可批量并行的工作流。
本条采编自 jaechang-hits/SciAgent-Skills（CC-BY-4.0），适配重写而非逐字翻译。