2025.06.25【微生物】|Emu工具安装与使用详解：全长16S扩增子微生物丰度分析

一、Emu简介

Emu采用贝叶斯方法，针对高错误率的全长16S/18S扩增子数据优化，能够输出物种丰度表和详细分类注释，适用于微生物多样性和群落结构研究。

二、安装Emu

1. 环境准备

建议使用conda创建独立环境，避免依赖冲突：

conda create -n emu_env python=3.8
conda activate emu_env

2. 安装Emu

直接通过pip安装最新版Emu：

pip install emu

如需复现官方环境，可下载environment.yml文件并用conda安装：

conda env create -f environment.yml
conda activate emu

三、数据库准备

Emu支持多种数据库，包括官方预构建的SILVA、RDP、UNITE等。推荐使用SILVA全长16S数据库。

1. 下载预构建数据库

以SILVA为例，先安装osfclient：

pip install osfclient

下载并解压数据库：

export EMU_DATABASE_DIR=/your/path/to/emu_db
mkdir -p ${EMU_DATABASE_DIR}
cd ${EMU_DATABASE_DIR}
export EMU_PREBUILT_DB='silva'
osf -p 56uf7 fetch osfstorage/emu-prebuilt/${EMU_PREBUILT_DB}.tar
tar -xvf ${EMU_PREBUILT_DB}.tar

2. 使用自定义数据库（可选）

如需自建数据库，参考官方命令：

emu build-database <db_name> --sequences <database.fasta> --seq2tax <seq2taxid.map> --ncbi-taxonomy <dir-to-names/nodes.dmp>

四、Emu基本用法

1. 单样本分析

假设你的ONT全长16S扩增子数据为sample1.fastq，数据库路径为${EMU_DATABASE_DIR}：

emu abundance --db ${EMU_DATABASE_DIR} --threads 8 --fastq sample1.fastq --output-dir emu_output/

• --db：数据库目录
• --threads：并行线程数
• --fastq：输入fastq文件
• --output-dir：输出目录

2. 多样本分析

export EMU_DATABASE_DIR=/your/path/to/emu_db
OUTPUT_DIR=/path/to/emu_output
FASTQ_DIR=/path/to/fastq

mkdir -p ${OUTPUT_DIR}

for fq in ${FASTQ_DIR}/*.fastq
do
  sample=$(basename $fq .fastq)
  emu abundance --db ${EMU_DATABASE_DIR} --threads 8 --fastq $fq --output-dir ${OUTPUT_DIR}/${sample}
done

emu combine-outputs ${OUTPUT_DIR} species。

3. 结果文件说明

• abundance.tsv：物种丰度表（相对丰度）
• abundance.tax.tsv：带详细分类注释的丰度表
• abundance.reads.tsv：每条reads的物种分配结果

五、常用功能扩展

1. 按分类等级合并丰度（如属、科等）

emu collapse-taxonomy <file_path> <rank>
# 例如：emu collapse-taxonomy emu_output/abundance.tax.tsv genus

2. 合并多个样本的丰度表

emu combine-outputs <directory_path> <rank>
# 例如：emu combine-outputs emu_output/ genus

六、下游分析建议

• 可用R、Excel等工具对abundance.tsv进行多样性分析、可视化（如柱状图、PCA等）。
• 丰度表可直接用于群落结构比较、统计分析等。

七、参考文献与资源

• Emu官方GitHub
• SILVA数据库
• Emu原始论文

🌟 非常感谢您抽出宝贵的时间阅读我的文章。如果您觉得这篇文章对您有所帮助，或者激发了您对生物信息学的兴趣，我诚挚地邀请您：

👍 点赞这篇文章，让更多人看到我们共同的热爱和追求。

🔔 关注我的账号，不错过每一次知识的分享和探索的旅程。

📢 您的每一个点赞和关注都是对我最大的支持和鼓励，也是推动我继续创作优质内容的动力。

📚 我承诺，将持续为您带来深度与广度兼具的生物信息学内容，让我们一起在知识的海洋中遨游，发现更多未知的奇迹。

💌 如果您有任何问题或想要进一步交流，欢迎在评论区留言，我会尽快回复您。