简介QIIME 2中文文档QIIME 2 Chinese Manual是一份面向微生物组研究人员的官方教程中文翻译资源内容涵盖16S rRNA基因扩增子测序分析的完整流程从原始数据导入、质控、特征表构建到多样性分析均有说明无论是对QIIME 2完全陌生还是有一定基础都能从中获得清晰指引。压缩包大小约269.9MB文件总数在源数据中暂未标注主要文件类型为HTML可在浏览器中直接阅读页面结构清晰便于快速检索和复制命令。据资源描述中文简明教程每季度与英文原版同步更新完整文档每季或半年更新一次当前版本基于2021.2英文版可帮助使用者持续获得与官方一致的最新分析内容。除基础操作外资源还融入沙漠土壤分析、帕金森小鼠教程等科研案例展示干旱环境土壤微生物组与疾病小鼠模型中的菌群研究思路并附有流程代码脚本便于在真实场景中理解并实践QIIME 2工作流。目前已有2476人浏览学习适合需要中文参考、系统掌握扩增子数据分析流程的研究者与学员作为课堂教学或自学实战的辅助材料也很合适。1. 为什么QIIME 2需要一份真正的中文手册我在微生物组分析这条路上摸爬滚打了快十年从最早用QIIME 1跑16S扩增子到后来切换到QIIME 2最深刻的感受不是软件本身难学而是文档这道坎特别折磨人。官方文档写得确实详尽plugins、artifacts、visualizers这些概念一整套体系但全是英文而且术语密度极高。对于刚入门的学生、临床检验科的同事、或者做环境样本监测的工程师来说光是把q2-feature-tableq2-diversityq2-taxa这几个插件的名字记住就已经劝退了一半人。QIIME 2中文文档这个项目最初的动机就是这么来的——不是想做翻译而是想做一套能让人跟着操作、能跑通、能理解为什么这么跑的中文参考资料。2021年我刚接触QIIME 2的时候中文社区的资料还是以零散博客为主有人写安装教程有人写某个插件的用法但很少有人把整个分析流程串起来更少有人把为什么用q2-diversity计算beta多样性为什么先做rarefaction再做alpha多样性这些底层逻辑讲清楚。不少初学者很容易陷入一个误区以为拿到测序数据装上QIIME 2跟着一篇英文教程敲一遍命令就能得到可以写进论文的结果。但实际上QIIME 2的每一步操作背后都有严格的统计学假设和数据格式要求。比如你导入原始数据的时候如果不清楚Casava 1.8和Casava 1.9的格式差异导入就会报错比如你跑完DADA2之后如果不理解feature table和representative sequences之间的关系后续的多样性分析很容易选错输入文件。中文文档项目想解决的就是这些实际问题。它不是官方文档的逐句翻译而是基于QIIME 2官方文档、论坛常见问题、以及实际分析中的经验教训整理出来的一套从零到一的操作手册。项目以Markdown文件维护通过GitHub托管任何人可以直接在线阅读也可以克隆到本地离线查阅遇到版本更新时还能通过git diff快速看出哪里变了。这套文档的定位很明确给想用QIIME 2做分析但英文阅读有负担的人给已经能跑通流程但想知道为什么这么做的人也给那些需要在组会、课堂上用中文讲解微生物组分析流程的老师和师兄师姐。它不替代官方文档而是官方文档的中文补充是一个降低入门门槛的阶梯。2. QIIME 2的核心概念从Artifact到Plugin的完整认知很多人一上来就急着敲命令结果被QIIME 2的对象体系搞懵了。这确实跟过去QIIME 1那种输入一个文件路径就能跑的模式完全不同。QIIME 2引入了一套严格的类型系统数据和分析结果都被封装成叫做Artifact工件的对象文件格式是.qzaQIIME 2 Artifact可视化结果则是.qzvQIIME 2 Visualization。2.1 Artifact到底是个什么东西可以把Artifact理解成一个带身份证的压缩包。它里面不只是原始数据还记录了数据的类型比如FeatureTable[Frequency]、Taxa[RelativeFrequency]、Phylogeny[Rooted]、数据的格式BIOM、FASTA、Newick等、以及产生这个Artifact的管道信息。这份元数据metadata是QIIME 2能够做数据追溯和流程复现的基础。我在文档里反复强调过一个类比Artifact就像你去银行存钱拿到的那张银行卡卡里面记录的不仅仅是余额还有每一笔交易的时间、渠道、备注。你拿这张卡去ATM机取款机器知道你是谁、有没有钱、能不能取。QIIME 2里的每一步分析本质上是把一个Artifact输入到某个插件的方法中经过计算后输出一个新的Artifact整个过程有严格的类型校验。举个例子你导入原始序列后得到一个Artifact类型是SampleData[SequencesWithQuality]。这个Artifact包含了每个样本的序列和测序质量信息。如果你接下来想跑DADA2去噪需要输入的就是这个类型。但如果你不小心把demultiplex后的sequences和某个只接受FeatureTable的插件对接QIIME 2会直接报错告诉你类型不匹配。这在很多新手看来是怎么这么麻烦但恰恰是这个机制保证了分析流程的可靠性。2.2 Plugin、Method、Visualizer和ActionQIIME 2的插件化架构是它区别于QIIME 1的最大亮点。每个插件plugin负责一类或几类相关的分析任务例如q2-demux拆分样本序列导入和查看序列质量q2-dada2质量过滤、去噪、嵌合体去除生成ASV表q2-feature-table特征表过滤、合并、重命名等操作q2-diversityAlpha多样性、Beta多样性、主坐标分析等q2-taxa物种注释结果的可视化和过滤q2-phylogeny构建系统发育树插件内部又有两类可执行对象Method方法和Visualizer可视化器。Method接收一个或多个Artifact作为输入生成一个新的Artifact。例如q2-diversity中的core-metrics-phylogenetic方法输入是feature table、tree、metadata和sampling depth输出是一大堆Artifact包括alpha多样性向量、beta多样性距离矩阵、主坐标结果等。Visualizer则不同它不产生新的Artifact而是生成一个.qzv可视化文件比如alpha rarefaction曲线、taxa bar plot等。实际分析的时候很多人分不清哪些操作应该用Method哪些应该用Visualizer其实有个简单的判断标准如果这一步的结果还要作为下一步的输入那它通常是一个Method如果只是画个图、生成个表格看看结果那通常是Visualizer。qzv文件可以用浏览器打开官方还提供一个在线查看器把.qzv拖进去就能交互式查看。2.3 QIIME 2的视图层qzv可视化与统计解读QIIME 2的可视化不仅仅是出图它的很多可视化组件本身内嵌了统计检验。比如alpha多样性组间差异分析alpha-group-significance会同时输出箱线图和Kruskal-Wallis检验的p值beta多样性组间差异分析beta-group-significance会输出PERMANOVA检验结果。这意味着你不需要把数据导出来再单独用R或SPSS跑统计直接在.qzv页面里就能看到组间差异是否显著。这一点在写论文的时候特别有用。审稿人经常要求提供多样性统计检验的具体数值而QIIME 2的qzv文件里直接就有。中文文档里我特意整理了一个如何从qzv中提取所需的统计数值的章节包括怎么从alpha多样性箱线图里读取P值、怎么从beta多样性距离矩阵里导出样本间距离这些细节点在官方文档里也有但中文表达可以更直接。3. 环境准备与安装部署CentOS和WSL两条实操路径QIIME 2的安装历来是个劝退重灾区尤其是国内网络环境下conda创建环境时下载依赖包的速度能让人绝望。中文文档里我写了两种主流部署方式Linux物理机/服务器安装和Windows子系统WSL安装。macOS用户相对省心一点但思路是一样的。3.1 Miniconda准备与conda环境创建QIIME 2官方推荐通过Miniconda安装而不是直接pip安装。原因在于QIIME 2的依赖库非常庞大包括numpy、scipy、pandas、biom-format、scikit-learn、q2-types等pip在解析依赖关系时很容易版本冲突而conda可以很好地处理二进制依赖。安装流程大致如下# 下载并安装Miniconda以Linux x86_64为例 wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh # 安装完成后激活conda source ~/.bashrc接着创建QIIME 2专属的conda环境。我强烈建议不要装到base环境里因为QIIME 2的依赖会跟其他Python包冲突单独建环境可以隔离风险。以QIIME 2 2024.5版本为例wget https://data.qiime2.org/distro/core/qiime2-2024.5-py38-linux-conda.yml conda env create -n qiime2-2024.5 --file qiime2-2024.5-py38-linux-conda.yml conda activate qiime2-2024.5环境创建时间取决于网络和CPU。国内服务器建议换conda镜像源否则下载软件包的过程会非常煎熬。清华、中科大、上海交大等镜像站都有anaconda的镜像配置方案文档里我贴了完整的channel配置。3.2 国内镜像源配置与conda加速这一步是实际部署中最容易被卡住的环节。QIIME 2的conda环境yml文件会从conda官方源和bioconda源拉取大量软件包国内如果不配镜像常常下载到一半就超时。配置方法是在用户目录下的.condarc文件里修改channel优先级channels: - conda-forge - bioconda - qiime2 - defaults show_channel_urls: true同时把default_channels替换为国内镜像地址。这里有个容易踩的坑不要简单地把所有channel都替换成镜像因为QIIME 2官方提供的yml文件里已经指定了channel的具体URL如果全局替换成清华源部分包可能找不到。正确做法是先按官方yml创建环境如果下载速度实在太慢再考虑用第三方镜像。文档里我提供了完整的清华源配置示例。3.3 常见安装错误和排查思路安装阶段的报错大部分集中在依赖包冲突、conda版本过旧、磁盘空间不足三方面。我遇到过最典型的一个问题是conda在解析环境时卡在solving environment步骤一卡就是半小时甚至更久。后来发现很多情况下是conda版本太低对依赖解析算法优化不够。解决办法是先把conda升级到最新版conda update conda conda update --all另一个高频报错是ResolvePackageNotFound说明yml文件里的某个包在配置的channel中不存在。这通常是因为QIIME 2版本和Python版本不匹配例如QIIME 2 2023.2之后的版本要求Python 3.9或3.10如果你下载的是旧版yml但conda默认环境是3.11就很容易出现类似问题。4. 数据准备与导入从原始测序数据到QIIME 2对象拿到测序公司返回的数据后很多人会直接开始跑流程但QIIME 2的第一步其实是从数据导入开始。这一步直接决定了后续所有分析能否正确执行。4.1 导入格式从Fastq到QIIME 2QIIME 2导入原始序列时需要明确数据的格式。最常见的是Fastq格式但Casava 1.8 split libraries和Casava 1.9 demultiplexed的格式并不一样。简单来说Casava 1.8格式的fastq文件名里不含样本信息而Casava 1.9及之后的格式是每个样本一个fastq文件或者使用manifest文件记录样本与文件路径的对应关系。文档里我提供了两种导入方式一种是用manifest文件导入适用于多样本混合的fastq目录另一种是直接导入已拆分好的fastq目录。前者更推荐因为manifest可以同时处理单端和双端数据而且能附带更多样本元信息。manifest文件是TSV格式至少要有sample-id、absolute-filepath、direction三列direction可填forward或reverse。导入命令示例qiime tools import \ --type SampleData[SequencesWithQuality] \ --input-path manifest.tsv \ --output-path demux.qza \ --input-format SingleEndFastqManifestPhred33这里有个细节Phred33和Phred64的编码差异。早期的Illumina数据用的是Phred64现在绝大多数是Phred33但导入前还是得确认一下。如果编码选错导入不会报错但后续的质量曲线会剧烈异常导致过滤后序列数急剧下降。4.2 Demultiplex的检查与可视化导入完成后可以通过qiime demux summarize命令查看每个样本的序列数和质量分布qiime demux summarize \ --i-data demux.qza \ --o-visualization demux.qzv生成的demux.qzv会展示每个样本在不同质量阈值下保留的序列比例这是决定后续DADA2截断长度的最重要依据。不少初学者忽略这一步直接使用默认参数跑DADA2结果发现很多样本的序列数呈现断崖式下降。其实截断长度应该根据质量曲线来定而不是照抄教程里的某个固定值。我在文档里用一个实际案例说明某批双端150bp的数据forward读段在140bp处质量开始下滑reverse读段在120bp处明显衰减那么DADA2的--p-trunc-len-f可以设为140--p-trunc-len-r设为120。如果两条序列长度相差过大甚至可以考虑只保留forward端。4.3 Metadata格式容易忽略却决定成败QIIME 2的metadata格式要求非常严格必须是TSV格式第一列是sample-id第二列开始是各样本的属性信息表头不能有特殊字符分类变量的取值不能有空格。很多人在alpha多样性分组的group-significance阶段报错回溯下来往往是metadata文件格式错误。最容易被忽略的是:冒号和#井号等字符不能出现在样本名或分组名中因为QIIME 2会将其识别为特殊语法。还有一个坑是Excel另存为TSV时编码默认可能是GBK而不是UTF-8这会导致metadata导入时报错或者中文乱码。正确做法是在Excel中另存为UTF-8逗号分隔后用文本编辑器替换为制表符或者直接用VS Code等编辑器维护metadata。5. DADA2去噪与特征表构建参数背后的逻辑DADA2是目前QIIME 2中最主流的扩增子去噪方法它取代了早期QIIME 1的OTU聚类如UCLUST。在QIIME 2中DADA2被整合为q2-dada2插件核心作用是把测序错误校正为真实的生物学序列从而获得单核苷酸分辨率ASVAmplicon Sequence Variant。5.1 DADA2去噪的核心原理DADA2的模型基于这样一个认识测序仪产生的错误不是随机的而是具有特定的错误模式比如某种碱基替换更常发生在序列末端。DADA2通过机器学习方法学习这些错误模式然后以此为依据对每个序列进行校正。这意味着即使两条序列只差一个碱基只要它通过了错误模型校验就仍然会被保留为独立的ASV这比传统OTU聚类的97%相似度阈值灵敏得多。在实际运行中DADA2的计算资源消耗远高于OTU聚类。我记得有一组96个样本、每个样本约10万条序列的数据在32核服务器上跑DADA2用了将近两小时。因此文档里专门写了参数调优的建议--p-n-threads直接设为CPU核心数--p-trunc-len-f和--p-trunc-len-r由质量曲线决定--p-max-ee设为2forward和2reverse这两个值控制序列的错误容忍度太严格会丢序列太宽松会保留嵌合体。5.2 DADA2输出结果的含义DADA2的tabular输出包括FeatureTable[Frequency]每个ASV在样本中的丰度表FeatureData[Sequence]每个ASV对应的代表性序列这两个产物是后续所有分析的基础。FeatureTable可以用q2-feature-table插件做进一步过滤比如去掉所有样本中总丰度低于某个阈值的ASV或者只保留在某个分组中出现的ASV。代表性序列则用于物种注释和系统发育树构建。5.3 特征表过滤的实用技巧我在文档中格外强调特征表过滤的价值。很多初学者跑完DADA2就直接去做alpha多样性但实际数据中总是存在一些极低丰度的ASV它们可能只是测序噪声。合理过滤可以显著降低后续分析的干扰但也不能过滤太狠。常用的过滤参数是--p-min-frequencyASV在所有样本中的总丰度和--p-min-samplesASV至少在多少个样本中出现。有一个经验值可以分享先绘制特征表的序列数分布把那些在绝大多数样本中都是0的ASV去掉通常会把特征表的大小从几千行降到几百行而对整体多样性的影响极小。过滤后的FeatureTable依然是.qza格式后续所有分析都基于它。6. 多样性分析框架Alpha多样性、Beta多样性与系统发育多样性分析是微生物组研究中最常被问到的模块也是QIIME 2中文文档里篇幅最大的一部分。这里我不打算重复官方文档的命令列表而是把分析思路说透。6.1 Alpha多样性如何选择指标并正确解读Alpha多样性描述的是一个样本内部的物种丰富度和均匀度。QIIME 2中的核心指标包括Observed Features观测到的ASV数、Shannon指数、Chao1指数、Faiths Phylogenetic Diversity系统发育多样性等。不同指标的侧重点不同Observed Features只看物种数量不考虑相对丰度。Shannon指数兼顾丰富度和均匀度数值越大表示多样性越高。Chao1基于稀有物种的估计值常用于评估测序深度是否足够。Faiths PD结合系统发育树的进化距离反映样本内物种在进化树上的总分支长度。选哪个指标取决于研究问题。如果只是简单比较不同组间的物种丰富度差异Observed Features和Shannon就够了。如果关心样本中是否包含稀有物种或者进化上独特的物种Faiths PD更有价值。文档里我建议同时报告多个指标审稿人对这种稳健性呈现方式通常比较认可。6.2 Beta多样性从距离矩阵到PERMANOVA检验Beta多样性描述的是样本与样本之间的物种组成差异。QIIME 2中最常用的Beta多样性距离包括Bray-Curtis距离基于丰度、Jaccard距离基于有无、Unweighted UniFrac基于系统发育的有无和Weighted UniFrac基于系统发育的丰度。哪个距离矩阵最适合取决于数据特点和分析目标。Bray-Curtis对丰度变化敏感适合大多数扩增子数据UniFrac则结合了系统发育信息如果样本间微生物群落差异主要体现在进化较远的谱系上UniFrac能更灵敏地捕捉到这种差异。实操中通常同时跑Unweighted和Weighted UniFrac并分别做PCoA图。beta-group-significance中使用的PERMANOVA置换多元方差分析是检验组间差异是否显著的标准方法。它的零假设是不同组的样本在多维空间中的中心位置没有差异通过999次或更多次置换计算p值。文档里特别提醒PERMANOVA对样本间离散度dispersion的差异敏感如果两组样本的组内离散度差异很大PERMANOVA的p值可能不可靠此时需要结合betadisper来检验方差齐性。6.3 系统发育树构建q2-phylogeny在多样性分析中的角色要计算Faiths PD和UniFrac距离必须输入一棵带根的系统发育树。QIIME 2的q2-phylogeny插件提供了两种建树方式一种是用FastTree构建快速最大似然树另一种是使用RAxML如果安装了单独的q2-phylogeny-insertion等扩展插件。默认推荐是alignment和tree构建流程包括MAFFT对齐、mask过滤高变区、FastTree建树。很多人会问系统发育树这一步能不能跳过答案是不能因为你一旦需要计算Faiths PD或者UniFrac就必须有树。有时候样本量很大建树非常耗时这时候可以先用--p-n-threads参数并行加速。还有一个小技巧如果在特征表过滤后ASV数量仍然过多可以先对代表性序列做聚类或者筛选后再建树树的分支关系对UniFrac的影响主要体现在相对距离上不必强行用全部ASV建树。7. 物种注释与分类学分析q2-feature-classifier的配置与优化物种注释是把ASV序列与参考数据库比对推测它们属于哪个门、纲、目、科、属甚至种。QIIME 2中通过q2-feature-classifier插件完成它支持多种分类方法最常用的是基于Naive Bayes分类器的sklearn方法。7.1 参考数据库与分类器训练QIIME 2官方提供了预训练的分类器比如针对Greengenes 13_8、SILVA 138、GTDB等数据库的Naive Bayes分类器。但一个关键问题是预训练分类器只适用于与训练数据长度相似的序列。如果你的目标区段是V3-V4但预训练分类器是基于V4区段训练的那么注释效果会严重下降。因此文档里专门写了如何用q2-feature-classifier的fit-classifier-naive-bayes方法训练自定义分类器。步骤是先下载参考序列和分类学文件然后用qiime feature-classifier extract-reads按引物区域提取对应片段再训练分类器。这一步非常耗时尤其是SILVA数据库整个训练过程可能需要几十GB内存和数小时。7.2 物种注释结果的过滤与可视化注释完成后得到的结果是一个FeatureData[Taxonomy]的Artifact包含每个ASV的注释结果和置信度。在实际应用中建议结合置信度进行过滤去掉置信度低于0.7的注释结果因为它们可能是不可靠的。但要注意物种注释的置信度只是分类器给出的预测概率不代表生物学上的真实性。q2-taxa插件提供了多种可视化方式最常用的是taxa bar plot以堆叠柱状图展示每个样本中不同分类水平的相对丰度。还有一个好用的功能是q2-taxa的filter-taxa可以去掉在某个分类水平上未注释的ASV或者只保留目标门类比如只保留Bacteroidetes和Firmicutes用于肠道菌群分析。这对于后续差异物种分析很有帮助。8. 差异丰度分析与标识物种筛选从入门到进阶做完多样性分析后大多数研究会进一步问哪些物种在两组之间显著差异这就进入差异丰度分析Differential Abundance Testing的范畴。QIIME 2自带的方法相对基础通常用q2-gneiss一种基于层级聚类的组分平衡分析或者通过QIIME 2导出feature table后在R里用DESeq2、edgeR、LEfSe等工具分析。8.1 组间显著差异物种分析的基本逻辑传统方法会把每个ASV当成独立变量逐一做统计检验比如Wilcoxon秩和检验然后进行多重检验校正。这种做法简单但没有考虑ASV之间的相关性。更符合微生物组数据特点的方法是ANCOM-BC目前QIIME 2有q2-composition插件支持ANCOM和ANCOM-BC它考虑了微生物组数据的组成效应在分析时把总读数纳入模型避免相对丰度变化带来的伪差异。ANCOM-BC的结果并不直接以qzv形式呈现而是以表格形式输出每个ASV在两组间的效应量(log-fold change)和p值。p值默认已经做过BH校正可以直接使用。文档里建议先用ANCOM-BC得到候选差异ASV列表然后对这些ASV做物种注释结合丰度趋势判断生物学意义不要只看p值。8.2 指示物种分析(LEfSe)与QIIME 2的衔接LEfSeLinear discriminant analysis Effect Size是扩增子分析中另一种高频使用的差异标志物发现工具。LEfSe并非QIIME 2官方插件但QIIME 2生成的feature table和taxonomy可以直接导出为LEfSe所需的格式。操作是用qiime tools export导出feature table为BIOM格式再用biom convert转换成TSV最后配合taxonomy文件整理成LEfSe输入格式。在中文文档中我把这个转换流程写成了一个可复用的脚本用Python的biom-format库完成BIOM到TSV的转换然后直接整理LEfSe要求的输入表。使用LEfSe时有个常见误区LEfSe的默认阈值LDA score是2.0但这个值只是相对指标并不是说LDA score大于2就有意义。建议在结果中观察LDA score的分布再决定阈值。9. 常见错误排查与实际项目实战心得最后这部分是我个人在大量项目中使用QIIME 2总结出来的排错经验也是很多中文文档不会写的细节。9.1 QIIME 2环境问题的终极排查思路运行QIIME 2时遇到莫名其妙的报错首先考虑的是conda环境是否被污染。比如在激活的qiime2环境中又手动安装了一些Python包就可能覆盖掉QIIME 2依赖的某个版本导致类似ImportError这样的错误。如果确认是环境问题最简单的办法是删除重建环境而不是试图去修复依赖。另一个高频问题是版本兼容性。QIIME 2每年发布两次大版本不同版本之间的.qza格式基本可以通用但插件和数据库文件的兼容性可能不同。比如用QIIME 2 2024.2创建的feature table在QIIME 2 2022.11中也能导入但某些新插件的qza格式在旧版本中可能无法识别。文档里我一直建议在服务器上固定一个长期使用的QIIME 2版本而不是频繁升级。9.2 内存与计算资源优化QIIME 2中DADA2和q2-feature-classifier是最吃资源的两个步骤。DADA2的--p-n-threads参数设成CPU核心数即可但内存方面如果每个样本的序列数超过20万建议至少分配64GB内存。分类器训练则更夸张SILVA数据库训练分类器时32GB内存是底线64GB才比较从容。如果服务器内存不够可以考虑把数据拆成多个批次分别跑DADA2然后再用q2-feature-table merge合并特征表。但要注意不同批次跑DADA2时由于错误模式可能略有差异ASV的命名和序列可能会不一致合并时需要谨慎处理。9.3 与R语言、Python生态的衔接QIIME 2并不是一个封闭的分析平台它的结果可以通过qiime tools export导出为通用格式然后与R生态phyloseq、vegan、DESeq2等无缝衔接。例如导出feature table后可以用R的phyloseq包读取BIOM格式并做更复杂的可视化导出beta diversity距离矩阵后可以用vegan的adonis函数做更灵活的PERMANOVA分析。中文文档里我专门整理了一份QIIME 2导出R格式的速查表把feature table、taxonomy、tree、distance matrix的导出命令和R读取代码对应起来。这在写论文补充材料时非常实用。我个人在实际项目中最喜欢的一条建议是不要试图在QIIME 2里完成所有分析。QIIME 2擅长的是从原始数据到特征表、多样性分析的标准化流程而差异物种筛选、随机森林分类、网络分析等更灵活的分析导出到R或者Python里会更顺手。QIIME 2中文文档的目标也不是替代R而是帮你把最基础、最繁琐的步骤用一套可复现的方式完成让你有更多精力花在生物学的解读上。如果你正在被QIIME 2的英文文档折磨或者想把这套流程讲给身边不懂英文的师弟师妹听那么这份中文文档是一个不错的起点。按照文档里的顺序从环境搭建、数据导入、DADA2去噪、特征表过滤到多样性分析和物种注释你会发现QIIME 2并不是那么高不可攀。它只是一套逻辑严密的工具链而你要做的就是沿着它设计的轨道往前走。本文还有配套的精品资源点击获取