以下是 CheckM 结果表中各列的中文解释：

1. Bin Id (基因组分箱编号)

   • 这是每个组装出的基因组（MAG）的唯一标识符。在你的数据中，它们以 “RKP” 开头（例如 RKP53, RKP5）。这对应于你输入文件中的样本名称。

2. Marker Lineage (标记谱系/参考进化分支)

   • 这表示 CheckM 用来评估该基因组质量的参考进化树分支。
   • CheckM 不会用同一套标准去衡量所有细菌，而是根据该基因组最可能属于的分类群（如“根节点 root”、“细菌界 kBacteria”、“葡萄球菌属 gStaphylococcus”等），选择一套特定的单拷贝标记基因集来进行比对。
   • 注意： 如果显示为 root (UID1) 或 k__Bacteria，通常意味着该基因组质量较差或太短，CheckM 无法将其精确归类到更具体的分类层级，只能用最通用的标记集来估算，因此其结果的参考价值较低。

3. # Genomes (# 参考基因组数)

   • 在选定的“标记谱系”中，包含的参考基因组数量。
   • 这个数字越大，说明该分类群在数据库中越丰富，CheckM 评估时使用的统计模型就越可靠。例如 g__Staphylococcus 有 60 个参考基因组，而 root 有 5656 个。

4. # Markers (# 标记基因数)

   • 在该特定谱系中，用于评估的单拷贝标记基因的总数。
   • CheckM 通过查找这些保守基因是否存在、是否唯一来判断组装质量。不同分类群的标记基因数量不同（例如葡萄球菌属有 773 个标记，而根节点只有 56 个）。

5. Completeness (%) (完整度)

   • 估计该基因组包含了多少比例的预期标记基因。
   • 含义： 数值越高越好。100% 表示找到了所有预期的单拷贝标记基因。
   • 警示： 高完整度并不总是代表高质量。如果 contamination（污染率）也很高（如你的 RKP53 达到 100% 完整度但 104% 污染），说明这个 bin 里混入了太多其他物种的序列，导致标记基因重复出现，从而虚高了完整度。

6. Contamination (%) (污染率)

   • 估计该基因组中多余/重复的标记基因比例。
   • 含义： 数值越低越好。理想情况下应为 0%。
   • 计算逻辑： 如果某个本该是“单拷贝”的基因在你的 bin 里出现了 2 次或更多，CheckM 就会认为这是污染（即混入了其他菌株或物种的 DNA）。
   • 你的数据情况： 很多样本（如 RKP53, RKP43, RKP31）污染率超过 100%，这意味着平均每个标记基因都出现了两次以上，这是严重的嵌合体（Chimeric bin），必须剔除。

7. Strain Heterogeneity (%) (菌株异质性)

   • 估计该基因组内部是否存在多个近缘菌株混合的情况。
   • 含义： 数值越低越好。
   • 原理： 当存在多个相似菌株时，某些标记基因可能会出现轻微的序列变异（多态性），或者部分标记基因出现双份。CheckM 通过分析这些信号来估算异质性。
   • 影响： 高异质性（如 RKP53 的 82.76%）意味着这个 bin 不是单一纯培养物，而是多个相似菌株的混合物。这对于构建精确的系统发育树或进行 SNP 分析是非常不利的。

Table 1: CheckM Quality Assessment Results

Explain: RKP4 g__Staphylococcus (UID298) 0.17 100.00

这是一个非常典型且有趣的现象。在 CheckM 的结果中，低污染（Contamination = 0.17%） 但 极高菌株异质性（Strain Heterogeneity = 100.00%） 通常意味着：你的这个 Bin 里实际上混合了多个高度相似的菌株（Strains），而不是多个不同的物种（Species）。

以下是详细的解读：

1. 为什么污染率这么低 (0.17%)？

• 定义： CheckM 的“污染”主要检测的是不同物种之间的标记基因重复。例如，如果 Bin 里同时有 Staphylococcus aureus 和 Escherichia coli，它们的核心基因完全不同，CheckM 会发现大量非预期的标记基因，从而报出高污染。
• 现状： RKP4 被 GTDB-Tk 鉴定为 Staphylococcus haemolyticus。Bin 里的所有序列都属于这个物种（或极近缘物种）。因为物种层面的核心基因集是统一的，所以没有触发“跨物种污染”的警报。

2. 为什么菌株异质性高达 100%？

• 定义： “菌株异质性”检测的是同一物种内不同菌株之间的序列差异。
• 机制： 当样本中存在两个或多个高度相似的 S. haemolyticus 菌株时，组装软件（Assembler）往往无法将它们完全分开，而是会将它们组装成一个个“嵌合”的 Contig，或者将属于不同菌株的相似区域合并在一起。
• CheckM 的信号： CheckM 在比对标记基因时，发现某些本该是“单拷贝”的基因位点上，存在显著的序列多态性（SNPs/Indels），或者同一个基因出现了两个高度相似但不完全相同的副本（Paralogs due to strain variation）。
• 100% 的含义： 这表示在该 Bin 的所有可评估标记基因中，几乎每一个都检测到了这种“多菌株混合”的信号。这说明该 Bin 不是由一个纯克隆（Pure Clone）组成的，而是一个种群（Population）的混合体。

3. 结合 GTDB-Tk 结果看 RKP4

• 分类： Staphylococcus haemolyticus
• ANI： 98.9% (vs GCF_006094395.1)
• AF (Alignment Fraction): 0.876
  • 注意： AF 为 0.876 意味着只有约 87.6% 的参考基因组与你的 Bin 比对上了。对于高质量 MAG，AF 通常 >0.9 甚至 >0.95。
  • 关联： 较低的 AF 加上 100% 的异质性，强烈暗示你的 Bin 可能是一个泛基因组（Pangenome）级别的混合，或者包含了该物种中某个参考基因组所没有的独特区域（可能是另一个菌株特有的基因岛）。

4. 对下游分析的影响与建议

总结

RKP4 是一个“干净但混杂”的 Bin。 它没有混入其他物种（低污染），但它内部包含了多个 S. haemolyticus 菌株的序列（高异质性）。

• 如果你的目标是构建高精度的系统发育树： 听从你之前的建议，删除 RKP4 是最稳妥的选择，因为它会引入噪音。
• 如果你只想看群落组成或功能潜力： 可以保留，但需知晓它代表的是一个菌株群体而非单一基因组。