soedinglab/mmseqs2

MMseqs2：超快速且高灵敏度的序列搜索与聚类套件

镜像概述和主要用途

MMseqs2（Many-against-Many sequence searching）是一款用于搜索和聚类大型蛋白质与核苷酸序列集的软件套件。该软件采用C++实现，开源且基于GPL许可，支持Linux、MacOS及（测试版，通过cygwin）Windows系统。其设计支持多核心和服务器运行，具有出色的可扩展性。MMseqs2速度可达BLAST的***倍，在100倍速度下仍能保持接近的灵敏度；进行轮廓搜索时，灵敏度与PSI-BLAST相当，但速度快400多倍。

核心功能和特性

• 超高速序列搜索：比BLAST快***倍，100倍速度下灵敏度接近BLAST，PSI-BLAST模式速度快400多倍
• 线性时间聚类：针对超大数据集，聚类运行时间随输入大小线性增长
• 多模式搜索：支持迭代序列-轮廓搜索（类似PSI-BLAST）、翻译搜索（blastx/tblastn/tblastx）、迭代递增灵敏度搜索、taxonomy分配（2bLCA/LCA）、无间隙比对搜索、轮廓数据库搜索（如PFAM）、双向最佳 hits搜索等
• 多平台支持：兼容AMD/Intel 64位系统（SSE2/SSE4.1/AVX2指令集）、ARM64及PPC64LE（POWER8及以上）系统
• MPI并行支持：可通过MPI在多服务器上分布式运行，结合OpenMP实现多核心加速
• 低内存需求：聚类/linclust最小内存需求为每序列残基1字节，支持数据库压缩减少内存占用

使用场景和适用范围

• 大规模蛋白质/核苷酸序列数据集的快速搜索与比对
• 超大型序列集的聚类分析（如百万级序列聚类）
• 宏基因组contigs的快速分类学分配
• 蛋白质家族分析与功能注释
• 需要高灵敏度和高速度平衡的序列分析任务
• 多服务器集群环境下的分布式序列处理

详细使用方法和配置说明

Docker安装

bash
docker pull soedinglab/mmseqs2

基本工作流示例

1. 序列聚类

提供easy-cluster（级联聚类）和easy-linclust（线性时间聚类）两种工作流。

easy-cluster（级联聚类）：

bash
mmseqs easy-cluster input.fasta cluster_result tmp_dir --min-seq-id 0.5 -c 0.8 --cov-mode 1

• --min-seq-id 0.5：最小序列一致性为50%
• -c 0.8：最小覆盖率为80%
• --cov-mode 1：覆盖率计算模式（1=全局覆盖）

easy-linclust（线性时间聚类，适用于超大数据集）：

bash
mmseqs easy-linclust input.fasta cluster_result tmp_dir

2. 序列搜索

使用easy-search工作流直接处理FASTA/FASTQ文件，或预构建索引加速重复搜索。

直接搜索：

bash
mmseqs easy-search query.fasta target.fasta alignment_result.m8 tmp_dir

预构建索引（适用于重复搜索同一数据库）：

bash
# 创建目标数据库
mmseqs createdb target.fasta targetDB
# 构建索引
mmseqs createindex targetDB tmp_dir
# 搜索
mmseqs easy-search query.fasta targetDB alignment_result.m8 tmp_dir

搜索公共数据库（如Swiss-Prot）：

bash
# 下载并设置Swiss-Prot数据库
mmseqs databases UniProtKB/Swiss-Prot swissprot tmp_dir
# 搜索
mmseqs easy-search query.fasta swissprot alignment_result.m8 tmp_dir

灵敏度调整：通过-s参数控制，范围1.0（快速）至7.0（高灵敏度）：

bash
mmseqs easy-search query.fasta targetDB alignment_result.m8 tmp_dir -s 5.0

自定义输出格式：使用--format-output指定输出列（如查询ID、目标ID、比对结果）：

bash
mmseqs easy-search query.fasta targetDB alignment_result.m8 tmp_dir --format-output "query,target,qaln,taln"

3. 分类学分配

使用easy-taxonomy工作流对序列进行分类学标签分配：

bash
# 创建目标数据库
mmseqs createdb target.fasta targetDB
# 创建分类学数据库（默认下载NCBI taxonomy）
mmseqs createtaxdb targetDB tmp_dir
# 构建索引
mmseqs createindex targetDB tmp_dir
# 执行分类学分配
mmseqs easy-taxonomy query.fasta targetDB tax_result tmp_dir

支持自定义分类学数据库（如BLAST数据库、SILVA、用户自定义数据库），详见https://github.com/soedinglab/mmseqs2/wiki%E3%80%82

内存控制

• 最小内存需求：聚类/linclust为1字节/序列残基，搜索为1字节/目标残基
• 数据库压缩：使用--compress标志压缩数据库，DNA序列压缩比约3.5倍，蛋白质约1.7倍
• 内存限制：通过--split-memory-limit参数控制内存使用，自动拆分数据库以适应内存

MPI分布式运行

需编译时启用MPI支持（添加-DHAVE_MPI=1），通过RUNNER环境变量指定MPI命令：

bash
RUNNER="mpirun -pernode -np 42" mmseqs search queryDB targetDB resultDB tmp_dir

（注：预编译静态版本不支持MPI，需自行编译）

参考文档

• https://github.com/soedinglab/mmseqs2/wiki
• PDF用户指南
• https://github.com/soedinglab/MMseqs2/wiki/Tutorials

引用文献

• Steinegger M and Soeding J. MMseqs2 enables sensitive protein sequence searching for the analysis of massive data sets. Nature Biotechnology, doi: 10.1038/nbt.3988 (2017)
• Steinegger M and Soeding J. Clustering huge protein sequence sets in linear time. Nature Communications, doi: 10.1038/s41467-018-04964-5 (2018)
• Mirdita M, Steinegger M and Soeding J. MMseqs2 desktop and local web server app for fast, interactive sequence searches. Bioinformatics, doi: 10.1093/bioinformatics/bty1057 (2019)
• Mirdita M, Steinegger M, Breitwieser F, Soding J, Levy Karin E: Fast and sensitive taxonomic assignment to metagenomic contigs. Bioinformatics, doi: 10.1093/bioinformatics/btab184 (2021)