前言:

利用聚类 (Clustering) 得到OTU的方法近些年已经广泛应用于扩增子高通量测序数据的分析过程中。经典的Uparse就是通过序列之间的相似度为阈值(一般选择97%)将序列划分为OTUs。利用Semantic Scholar进行查询，Uparse目前总引用次数为6301，2015-2017年平均引用次数2125次。

一. DADA

DADA全称Divisive Amplicon Denoising Algorithm，旨在通过降噪得到不含扩增与测序错误、不含嵌合体的生物学序列。DADA使用454测序数据进行了测试，结果表明可得到更少的假阳性。2016年在DADA基础上推出的DADA2可用于分析Illumina平台数据。其分辨率达到单核苷酸精度[2]。

DADA2算法是基于Illumina扩增序列的错误的模型。其核心算法是：所有不同的序列都作为一个partition,先指定丰度最高的序列为中心。所有的partition都和中心序列进行比较，计算丰度的p-value。p-value定量了一条序列被判定为扩增错误的可能性。如果最小的p-value低于设定的阈值，就会得到一个新的partition。所有的序列再与新的partition比较，重新计算P-value。如此不断进行迭代，直到每条序列都被划分为最可能的partition中。

二. Unoise

针对DADA2的文章指出自己的精确度比Uparse好，Edgar,R.C.大神马上推出了进的降噪方法Unoise2，旨在提升Illumina平台16S与ITS扩增子测序的错误校正能力，并在文章中证明了Unoise2的准确度要优于DADA2 [3]。

Unoise2只针对Illumina产生的数据，不支持处理454, Ion Torrent 或者 PacBio 产生的数据。Unosie2主要有两个作用：去除嵌合体；去除测序和PCR过程的点错误。

Unoise2算法简介：

序列按照丰度多少进行降序排列，最高丰度的序列先定义为中心序列(centroid)。假设C是一个cluster的中心序列，丰度为aC。M是这个cluster中的一条序列，丰度为aM。d是Levenshtein distance，表示M与C之间由于碱基的替换与gap综合起来的距离 (图2)。定义skew(M,C)=aM/aC。若d和skew(M, C)足够小，则可认为M是cluster C中伴有d个点错误的不正确读长。 

Unoise2默认保留丰度在4以上的序列（Unoise3中为8），低丰度的序列由于包含错误的可能性更高而被丢弃。

安装地址：（32位免费）

X为一条高丰度序列，周围存在很多低丰度序列。d为序列的差异程度。周围的点为不同的序列，点的大小代表其丰度。绿色的点为正确的生物学序列，红的点代表含有一个至多个错误点的序列。右图表示降噪后的序列。E代表高丰度的错误序列，被错误的保留下来，f表示错误序列被准确的丢弃，g表示丰度较低的正确序列被错误的删除。b,e,f丰度相近而降噪结果不同，表明了降噪过程普遍存在的一个问题：如何设定阈值，准确的区分正确与错误序列。

Unoise目前已经升级到Unoise3版本整合在Usearch10中，使用起来相当方便：

usearch -unoise3 uniques.fa-zotus zotus.fa -tabbedout unoise3.txt -minsize 8

到底应该用Uparse还是Unoise3？ Edgar,R.C.给出了他的建议 [4]： 
Uparse算法采用97%相似度聚类得到OTUs，Unoise算法通过降噪得到zOTUs。

a. Uparse得到的是所有正确的生物学序列的子集，每两条序列之间的相似程度在97%以上(对应USEARCH中的cluster_otuscommand)。
b. Unoise得到的是所有的正确生物学序列(对应USEARCH中的unoise3 command）。
当然每一种算法都不是完美的，因此总是存在一些错误。如Uparse会丢失一些具有意义的生物学序列，而Unoise在降噪过程中由于种内差异，对结果亦会造成影响，可能得到2个或多个OTU。但是如果要检测菌株不同的表型，这反倒又成为了优势。如果只能选择一个，Edgar,R.C.推荐Unoise。目前32位的Usearch是免费的，若数据量小可直接下载32位的使用。大数据需要购买64位的Usearch10进行分析。

三. Deblur

另一种新颖的不通过clustering而得到OTU的方法是2016年发表的Deblur[5]。此方法已经被用于处理地球微生物组计划得到的全球数据，今年11月刚刚发表在Nature上 [6]。DADA2和Unoise2只能对混合样本进行操作，Deblur的优势是不仅可以对混合样本进行操作，还能对单个样本进行操作。Deblur分辨率也能够达到单核苷酸精度。

文章结果表明，Deblur得到的结果稳定性优于DADA2。另外Unoise结果受到测序批次和测序中心的影响较大，基于此文章指出不推荐Unoise2 。

运行速度上Unoise2最快，Deblur低一个数量级，DADA2再低一个数量级 。

算法简介：

1.序列丰度从高到底排序；

2.基于Hamming distances预测的错误读长被删除。碱基的插入缺失最大概率设定为0.01，平均读长错误率为0.5%；

3.不断删除错误读长，当一条序列丰度降为0，整条序列被删除；

总结

不同的方法虽然结果存在差异，但是核心的降噪思想是一致的。具体选择哪种方法还需要研究者谨慎考虑。我刚进实验室的时候还是Uclust和Uparse两强相争的时代。但是改变总是好事，新的方法层出不穷，让我们不断地认识新概念、发现新问题、挖掘新信息，更好的探索微生物的神奇世界。

课程推荐：微生物扩增子分析课程实操     微生物16S/ITS/18S分析原理及结果解读

一个小问题

不同方法对丰度阈值的选择存在差异。DADA2和Uparse都推荐去掉singletons。Deblur默认去掉singletons。Unoise2默认去掉丰度小于4的序列，Unoise3默认为8。不同方法的阈值存在差异，而这一问题目前好像还没有统一的结论。去掉低丰度的序列会去掉一些错误，但同时一些稀有物种也会被丢弃。这就需要依据研究目的在准确性和灵敏性上进行权衡，合理的选择阈值。

参考文献：

[1] Edgar, R.C. Updating the 97% identity threshold for 16S‌ ribosomal RNA OTUs. (2017). doi:https://doi.org/10.1101/192211

[2] Callahan,B. J., P. J. McMurdie, M. J. Rosen, A. W. Han, A. J. A. Johnson and S. P.Holmes (2016). "DADA2: High-resolution sample inference from Illuminaamplicon data." Nature Methods 13(7):581-+.

[3] Edgar,R.C.(2016) UNOISE2: improved error-correction for Illumina 16S and ITS ampliconsequencing.doi: http://dx.doi.org/10.1101/081257

[4] http://www.drive5.com/usearch/manual/faq_uparse_or_unoise.html

[5] Amir,A., D. McDonald, J. A. Navas-Molina, E. Kopylova, J. T. Morton, Z. Z. Xu, E. P.Kightley, L. R. Thompson, E. R. Hyde, A. Gonzalez and R. Knight (2017)."Deblur Rapidly Resolves Single-Nucleotide Community Sequence Patterns."Msystems 2(2).

[6] Thompson LR, Sanders JG, McDonald D,Amir A, Ladau J,Locey KJ et al (2017). A communal cataloguereveals Earth’s multiscalemicrobialdiversity. Nature.

中国科学院生态环境研究中心

环境生物技术重点实验室

邓晔 研究员课题组发布