信息速览
GTDB（Genome Taxonomy Database，基因组分类数据库）是昆士兰大学澳大利亚生态基因组学中心维护的一套细菌与古菌分类体系。它不生产数据，也不做分析：它把公共核酸归档里所有通过质控的细菌与古菌基因组收进来，按全基因组亲缘关系重新排成一棵参考树，再给树上每个节点定层级、起名字。产出物是几张扁平的表和一棵树，没有数据库服务，也不需要注册。
它的规模已经越过九十万个基因组，归入近二十万个物种簇。这个体量意味着，今天做宏基因组物种注释、做新组装基因组的定名、做微生物组的跨研究比较，默认参照物往往不是某篇论文里的分类，而是 GTDB 的某一个版本。
需要先记住的一件事是：GTDB 给出的分类名是版本化标签，不是命名法意义上的真名。同一个 s__Escherichia coli 在 GTDB 与 NCBI Taxonomy 里指的不是同一批基因组，而且这套标签每年重排一次。引用不写版本、比较不对齐版本、拿名字直接跨库查，是这份资源上最常见的三类事故。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 全称 | Genome Taxonomy Database（GTDB） |
| 维护机构 | 澳大利亚昆士兰大学澳大利亚生态基因组学中心（ACE） |
| 现行版本 | 11-RS232，2026 年 4 月 15 日 |
| 规模 | 901,341 个基因组，199,923 个物种簇 |
| 覆盖域 | 细菌与古菌；不含真核微生物、病毒、质粒 |
| 分类层级 | 域、门、纲、目、科、属、种七级，前缀 d__ 至 s__ |
| 建树标记 | 细菌 120 个，古菌 53 个（R07-RS207 之前为 122 个） |
| 物种划界 | 平均核苷酸一致性与比对分数，skani 计算 |
| 层级归一 | 相对演化分异度（RED），PhyloRank 实现 |
| 数据形态 | TSV 分类表 + Newick 参考树 + 标记蛋白比对 + 元数据表 |
| 最小记录单位 | 一个 NCBI 组装登录号 |
| 访问方式 | AWS S3 开放桶、三个镜像站、BT 种子，无需申请 |
| 许可 | 数据 CC BY-SA 4.0；工具 GTDB-Tk 为 GPL-3.0 |
| 官方入口 | https://gtdb.ecogenomic.org/ |
§1 它是什么：补上分类注释缺的那一层
1.1 一句话定义
GTDB 是一套提案性的原核生物分类：以基因组为单位、以系统发育树为骨架、以可计算的阈值为划界标准，输出一条从域到种的七级路径。它明确不是命名法机构，不颁发有效名称，也不替代《国际原核生物命名法规》。
1.2 库里缺的那一层
把微生物组的常用资源排一排，会发现一个空位。SILVA 是 rRNA 序列参照库，它的记录单位是一段 rRNA 区域，同一条序列可以来自任何物种，名字沿用旧分类且各家不统一，也没有把序列组织成一棵带层级的树。MGnify 是分析平台，它确实输出 taxonomy，但输出挂在 study 与 run 之下，每次分析绑定一条流水线版本，跨研究汇总时口径要对齐两次。RefSeq 与 GenBank 是序列库，有登录号、有物种注释字段，但那个字段是提交者填的，没有经过全基因组层面的统一判定。NCBI Taxonomy 是命名档案，名字权威、覆盖面最广，但它的层级并不完全按亲缘性组织，且大量未培养的 MAG 在其中没有位置。
四者都不缺名字，缺的是同一件事：给定两个基因组，它们是不是同一个种、这个属该不该拆、这个门的多系群怎么切。这个问题只能靠全基因组比对加一棵树来回答。GTDB 填的就是这一层——它是「16S 与宏基因组分类注释的参考骨架」，而不是又一个序列集合。
1.3 把命名从「发表」改成「计算」
传统命名法要求可培养的模式菌株，一株菌冻干保存、一份描述正式发表，才算有了名字。宏基因组组装出来的基因组没有菌株，按老规矩永远拿不到名字。过去十年这类基因组从几千涨到几十万，命名体系与数据规模之间的落差越拉越大。
GTDB 的处理办法是把命名拆成两半：名字尽量沿用已有拉丁名，判据则全部换成计算。用单拷贝标记蛋白建树决定亲缘关系，用相对演化分异度（RED）决定一个节点该放在门还是纲，用平均核苷酸一致性决定两个基因组是不是同一个种，用多数投票决定一簇基因组该继承哪个名字。凡是算不出依据的，就发一个占位名，形如 s__ECMA0423 sp047199055——属名用字母代号，种加词用数字编号。
这就解释了一个容易困惑的现象：GTDB 里绝大多数名字不是正式命名。R232 的物种一级共近二十万个名字，其中 179,237 个是占位名，接近九成；属一级 87% 是占位名；门一级稍好，仍有五成出头是占位名。换句话说，GTDB 是一套「给尚未命名的多样性先编上号」的体系，它的价值在编号的一致，不在名字的权威。
1.4 最重要的判断：分类名是版本化标签
把 GTDB 当 NCBI 用，是最常见也最贵的错误。三件事必须分开看。
第一，同名不同物。s__Escherichia coli 在 GTDB 里包含了志贺氏菌的四个种——GTDB 依据全基因组相似性把 Shigella 处理为大肠杆菌的晚出异名，理由是两者的基因组差异落在同一个物种阈值之内。NCBI 至今仍把志贺氏菌单列。所以在 GTDB 里，s__Escherichia coli 是 R232 中基因组数最多的物种，有 36,408 个基因组；在 NCBI 里，同一个字符串对应的是另一批、更少的一批记录。两边都对，只是回答的问题不同。
第二，名字会重排。每次发布，物种簇重新划分，属可以拆（原 g__Pseudomonas_E 的一批基因组在 R232 归入 g__Aquipseudomonas）、可以并（多个小属合并回一个大属）、可以升级（占位名换成正式拉丁名）、可以改后缀（多系群的 _A、_B 重新分配）。2021 年《国际系统与进化微生物学杂志》正式发表了 42 个门名，GTDB 随即把门一级换成带 -ota 后缀的新名，Proteobacteria 变成 Pseudomonadota，一批熟悉的老名字就此消失。
第三，有些名字在 NCBI 根本查不到。p__Patescibacterota、g__Aquipseudomonas、s__ECMA0423 sp047199055 这类字符串，在 NCBI Taxonomy 里搜不到，因为它们只存在于 GTDB 的命名空间。把 GTDB 结果拿去做 NCBI 检索、去填合规申报表、去和旧文献的物种名对齐，都会在这一步断掉。
三条合起来是一句话：GTDB 的名字是「某一版分类体系里的位置标号」，不是一个跨库通用的实体标识。位置会动，标号就会动；离开了版本号，这个名字不指向任何确定的东西。
1.5 你的处境，它能帮什么
| 你的处境 | 它能帮你什么 | 代价或前提 |
|---|---|---|
| 手上有一批 MAG，需要批量定名 | 用 GTDB-Tk 直接输出七级路径与最近邻 ANI | 必须与 GTDB-Tk 的参考数据版本一致 |
| 做宏基因组物种注释，需要统一参照 | 提供唯一的原核物种骨架，跨研究可比 | 只能到种簇，亚种与菌株层面给不了 |
| 两篇论文的属名对不上，要判断是不是同名异物 | 提供版本间的对应关系与同义词表 | 需要两篇都写清版本，否则无法对齐 |
| 要判断一个新属是否成立 | 提供 RED 归一化后的层级参照与参考树位置 | GTDB 的意见是提案，不是命名法裁决 |
| 想给一批未培养类群起名 | 占位名体系给出了稳定的编号与谱系 | 占位名不能直接用于正式发表 |
| 需要一份可复现的分类基线 | 每版有独立目录、校验和、版本标识文件 | 复现必须锁定到具体发布目录 |
1.6 不适合谁
第一，做真核微生物、寄生虫、真菌分类的人。GTDB 只有细菌与古菌两个域，真核与病毒都不在范围内，18S 与 ITS 的参照要向 SILVA 或 UNITE 要。
第二，需要菌株级分辨率的场景。GTDB 的物种簇是种级单位，同一簇内可以有成千上万个基因组，流行病学溯源、院内感染暴发调查这类需要菌株型别的工作，它给不了答案。
第三，需要命名法效力的人。新种发表、模式菌株指定、名称合法性裁定，要走 ICNP 与 IJSB，或者走 SeqCode，GTDB 的分类只能作为系统发育证据引用。
第四，需要绝对稳定的实体标识的系统。GTDB 的名字逐版变动，把它当主键写进生产库，每换一版就要做一次映射与迁移。
第五，只做 16S 扩增子、且已有成熟分类器的人。现成的 SILVA 或 Greengenes2 分类器够用时，引入 GTDB 会额外带来一次版本对齐成本。
§2 数据构成与规模
2.1 两个版本的体量
| 项 | R232（2026-04-15） | R220（2024-04-24） |
|---|---|---|
| 基因组总数 | 901,341 | 596,859 |
| 细菌基因组 | 878,998 | 584,382 |
| 古菌基因组 | 22,343 | 12,477 |
| 物种簇 | 199,923 | 113,104 |
| 细菌物种簇 | 189,801 | 107,235 |
| 古菌物种簇 | 10,122 | 5,869 |
| 门 / 纲 / 目 | 186 / 641 / 2,343 | 194 / 602 / 2,006 |
| 科 / 属 | 6,725 / 37,503 | 5,434 / 24,959 |
R232 相对 R226 的增长是基因组 23%、物种簇 39%，物种簇的增速快于基因组，说明新增数据里有相当部分落在原先没有代表的谱系上，而不是往已知物种里继续堆测序。
需要点出两处口径。其一，门一级的总数从 R220 的 194 降到 R232 的 186，但拆开看是两个方向：细菌门由 175 减到 162，古菌门由 19 增到 24。细菌一侧的减少来自多系群归并，不是数据丢失——分类单元数不是单调递增的量。其二，古菌占比始终很低，两万多个基因组对两万多个物种簇，平均每簇不到三个基因组，这意味着古菌一侧的代表基因组选择余地小，替换规则更难触发。
2.2 版本链与「RS」的含义
GTDB 的版本号是两段式，例如 11-RS232。前段是 GTDB 自己的发布序号，后段 RS 后面的数字是这一版所索引的 NCBI RefSeq 发布号。这个设计不是装饰：它明说了 GTDB 的分类建立在一次 RefSeq 快照之上，快照换了，分类的原料就换了。
| 版本 | 索引的 RefSeq | 发布年份 | 该版的方法或结构变化 |
|---|---|---|---|
| R04-RS89 | 89 | 2019 | 物种划界改用 ANI 阈值，此前依系统发育与层级归一 |
| R05-RS95 | 95 | 2020 | 加入完整古菌分类，域到种全覆盖 |
| R06-RS202 | 202 | 2021 | 门名开始向正式发表名靠拢 |
| R07-RS207 | 207 | 2022 | 古菌建树标记由 122 减为 53，树推断换用 IQ-TREE |
| R08-RS214 | 214 | 2023 | 物种划界与代表基因组替换规则细化 |
| R09-RS220 | 220 | 2024 | 广泛被引用的稳定基线之一 |
| R10-RS226 | 226 | 2025 | 资源更新论文发表于核酸研究 |
| R11-RS232 | 232 | 2026 | 新增与 ENA 的双向链接；比对前用 WitChi 去成分偏差 |
这张表从 R04 起，是因为官方统计页只从这一版开始给数。关于页另有一句更早的说明：GTDB 的发布从一开始就索引 RefSeq，起点是 RefSeq 的第 76 版。也就是说 89 不是第一版，而是第一个改用 ANI 划种、并被统计页收录的版本。把 R89 直接说成「首版」是一种常见的简化，方向没错，序号不对。
节奏值得单独说。近五年的实际间隔是 R202 到 R207 约一年、R214 到 R220 约十个月、R220 到 R226 整一年、R226 到 R232 整一年。也就是说它是「大约一年一版」，而不是常被写成的「每半年一版」。这个区别在方法学里很实际：如果按半年规划重跑基线，会白等；如果按一年规划，又要留出发布延迟的余量——正式发布日期与目录上线日期可以差十天以上。
2.3 三套计数口径
同一份数据，三个数字都能说出处，含义完全不同。
基因组数是组装数，对应分类表里的行数。物种簇数是分类单元数，对应「有多少个种」。代表基因组数是每簇一个，因此与物种簇数相等——这也就是「物种代表性基因组」这个说法容易引起误解的地方：它不是「有代表性的那部分基因组」，而是「每个种挑出来的那一个」。
三者的比值大约是 4.5 比 1。写方法学时报「用了 GTDB 的多少数据」，要么写基因组数要么写物种数，不能混着写。做训练集时如果用代表基因组，样本量是后一个数；如果用全量基因组，是前一个数，而后者在物种层面高度不平衡，大肠杆菌一个种就占了三万六千个基因组。
2.4 名字的构成
R232 的二十万个物种名里，有 179,237 个是占位名；属一级 37,503 个名字里，32,777 个是占位名。门一级相对好一些，186 个门里 95 个是占位名。
占位名的形态是「属名代号 + sp + 六位以上数字」，例如 s__ECMA0423 sp047199055。数字部分来自代表基因组的登录号，属名代号来自该簇在树上的位置。这套编号的规则有一条值得注意：官方明确说明占位名不随分类更新而改名，即使新的编号更贴合当前分类，也保持旧编号不变。这是为了名字的稳定性做的一处取舍——代价是占位名与它所处的位置可能已经脱节。
2.5 基因组来源与质控
基因组全部来自 NCBI 的 RefSeq 与 GenBank，包括三类：分离培养菌株的基因组、宏基因组组装基因组（MAG）、单细胞扩增基因组（SAG）。后两类占比随版本上升，这也是 GTDB 存在的必要性所在——如果只有培养菌株，NCBI Taxonomy 就够了。
入册前要过七道质控：CheckM 完整度大于 50%、污染度低于 10%、完整度减五倍污染度大于 50、含四成以上的细菌或古菌标记基因、contig 数少于 1000、N50 大于 5 kb、歧义碱基少于 10 万个。名单外的例外要人工复核，例如某个在分类学上很重要的类群唯一代表污染度到了 11%，仍会被保留，理由写在方法文件里。
没过质控的基因组不是被静默丢弃，qc_failed.tsv 会列出全部落选组装。这一份清单的存在很关键：它让「为什么我的基因组没被收录」这个问题有一个可查的答案，而不是只能猜。
§3 四层结构：genome、taxonomy、tree、marker
3.1 为什么是四层而不是一张表
GTDB 的发布物没有关系数据库，没有 API，没有按需查询的服务端。它给出的是一组扁平文件，靠登录号与分类路径互相关联。理解这套结构的关键，是分清四层各自的职责：genome 层回答「有哪些基因组」，taxonomy 层回答「它们归在哪」，tree 层回答「凭什么这么归」，marker 层回答「拿什么建的树」。
四层之间不是外键关系，而是同一批实体的四种视角。任何一层单独拿出来都能用，但缺了另外三层，就没法回答「这个归属为什么是这样」。
3.2 genome 层：登录号是唯一主键
主键是 NCBI 组装登录号，形如 GCF_000005845.2（RefSeq curated）或 GCA_000005845.2（GenBank 直投）。前缀的区别很重要：GCF_ 是 NCBI 审核过的组装，GCA_ 是未经审核的直投组装，同一个菌株可能两条都有。GTDB 里两者并存，做去重时要按菌株而不是按登录号。
登录号后面的版本后缀（.2）也不能丢——同一登录号的组装被更新过，序列会变，基因数会变，分类也可能跟着变。方法文件里写明，代表基因组会随 NCBI 上的底层组装更新而更新。这意味着「用 GCF_000005845.2 代表大肠杆菌」这件事本身是有时效的。
基因组序列本身放在两个目录里：genomic_files_reps 只含每个物种簇的代表，genomic_files_all 含全部通过质控的基因组。前者是几百 GB 量级，后者以 TB 计。多数人只需要前者。
3.3 taxonomy 层：七级路径与分号
分类表是两列 TSV：第一列登录号，第二列分号分隔的七级路径。
#-- bac120_taxonomy_r232.tsv 的前两行（制表符分隔，此处按可视宽度对齐）
GCF_000005845.2 d__Bacteria;p__Pseudomonadota;c__Gammaproteobacteria;o__Enterobacterales;f__Enterobacteriaceae;g__Escherichia;s__Escherichia coli
GCF_000006765.1 d__Bacteria;p__Pseudomonadota;c__Gammaproteobacteria;o__Pseudomonadales;f__Pseudomonadaceae;g__Pseudomonas;s__Pseudomonas aeruginosa
前缀是固定的七个字母加双下划线，缺一级时不是留空，而是整段缺失——某些 MAG 只到科，路径就会在 f__ 之后结束。解析代码必须能处理不等长的路径，不能假定七段。
路径的写法还有两个细节。第一，种名带属名重复，是二名法的完整形式，不是 g__Escherichia;s__coli。第二，多系群用后缀区分，g__Pseudomonas、g__Pseudomonas_A、g__Pseudomonas_E 是三个不同的属，下划线后缀不是版本号也不是亚属，只是消歧用的序号。
3.4 tree 层：Newick，带自举值，带分类装饰
参考树是 Newick 格式，细菌树约 9 MB，古菌树约 0.5 MB（未压缩）。树上只挂代表基因组，一个物种簇一个叶。节点带非参数自举支持值，枝上带 GTDB 分类名。
细菌树用 FastTree 2.1.10 的 WAG 模型，从 120 个标记蛋白的串联比对推断；古菌树用 IQ-TREE 2.1.2 的 PMSF 模型，从 53 个标记推断，初始引导树仍由 FastTree 生成。两种软件的模型与算法不同，因此两棵树的枝长不可直接比较，只能各自解读。
auxillary_files 里另有一个 sp_labels.tree，与主树同构，只是在每个叶子上追加了物种标签。要按物种着色或统计某属在树上的分布，用这一份比重新解析主树省事。
3.5 marker 层：120 与 53 的不对称
标记层是最容易被忽略、又最能说明这套体系性质的一层。它包含每个标记蛋白的未比对序列、比对后序列、串联比对、以及一份掩码文件。
细菌侧始终是 120 个单拷贝标记蛋白，十年未变，社区习惯称 Bac120。古菌侧换过一次：R07-RS207 之前是 122 个，之后是 53 个，换的理由是那批标记在最小化水平基因转移、优化单系群回收的评估里表现更好。今天下载到的文件名是 ar53_*，而 2022 年以前的论文写 122 是对的。
掩码文件 bac120_msa_mask_r232.txt 记录串联比对里哪些列被修剪掉。这个文件的意义在于可复算：想重现建树时的比对，得按这份掩码裁剪，否则列数对不上。
3.6 辅助文件：真正决定可用性的部分
| 文件 | 内容 | 什么时候需要 |
|---|---|---|
| metadata 表 | 每基因组的 GTDB 与 NCBI 分类、完整度污染度、组装统计、基因组属性 | 做质控筛选与协变量分析 |
| sp_clusters | 每物种簇的代表基因组、簇内全部成员、划界所用 ANI 半径 | 需要簇内全部成员而非一个代表 |
| synonyms | 被判为同名的物种列表 | 跨库映射与文献对齐 |
| qc_failed | 未通过质控的组装清单 | 追查某个基因组为何缺席 |
| gtdb_vs_ncbi | GTDB 与 NCBI 分类的对应关系，按多系程度排序 | 做两库之间的映射 |
| hq_mimag_genomes | 达到 MIMAG 高质量标准的基因组清单 | 只要高质量基因组时 |
这张表里最有用的是 gtdb_vs_ncbi。它把两个分类体系的对应关系逐级列出并按多系程度排序，等于官方给出了一份「哪些地方两边不一样」的清单。做跨库整合时，先看这份表比逐条比对省几个数量级的工作量。
3.7 没有关系库，是缺口也是优点
四层结构带来的直接后果是：没有外键约束，没有事务，没有一致性检查。同一登录号在分类表与元数据表里的物种名理论上应当一致，实际使用中仍需自行校验。缺点是没有服务端支持，做一次跨表联查要自己写 join。
优点同样明确：全部是纯文本与压缩包，可以被任意语言解析，可以整包进对象存储，可以直接喂给训练流水线而不需要驱动。所谓「AI-Ready」，在这个资源上就体现为这一层——它不需要适配器，需要的是使用者自己建立索引。
§4 分类名是版本化标签
4.1 名字的三种来源
GTDB 的名字不是从零发明的，来源分三档，可靠度依次递减。
第一档是模式菌株带来的拉丁名。如果一个物种簇里含某个种模式菌株的组装，这一簇就取该种的名称，属名与种加词按 GTDB 的属级重分类作相应调整。这一档的名字有命名法依据，可以直接写进论文。
第二档是从 NCBI 继承的名字。没有模式菌株的簇，按多数投票定名：簇内带有 NCBI 物种名且该名在 GTDB 框架下被认为正确的基因组，若超过半数来自同一个种，且该种的全部基因组超过半数在这一簇里，就给这一簇这个名字。这一档的名字有共识基础，但没有模式菌株背书。
第三档是占位名。投票不过关的，给一个「属代号 + sp + 数字」的编号。这一档占了近九成。
三档名字在表里长得一样，都是 s__ 开头的字符串，看不出区别。要判断一个名字属于哪一档，得回查 ncbi_type_material 字段与同义词表。
4.2 同名不同物是怎么发生的
以大肠杆菌为例。NCBI 的分类里，Escherichia 属下有 E. coli、E. albertii、E. fergusonii 等种，Shigella 是单独的属，下分四个种。GTDB 的处理是：把 Shigella 的四个种整体并入 E. coli，理由是它们的基因组差异落在物种阈值内，且系统发育上嵌套在大肠杆菌内部。
结果就是同一个字符串两边指向不同的集合。GTDB 的 s__Escherichia coli 包含了痢疾杆菌的基因组，NCBI 的 Escherichia coli 不含。如果一篇论文写「我们发现了 12 株大肠杆菌」，而没写用的是哪个体系，这 12 株到底是什么，是无法复原的。
反向的例子同样多。g__Pseudomonas_E 是 GTDB 为了拆解假单胞菌属的多系问题而设的属，NCBI 里没有这个属；R232 又把其中一批基因组归入 g__Aquipseudomonas。一个在 2021 年的论文里叫 Pseudomonas_E 的基因组，在 2026 年的表里可能叫 Aquipseudomonas，而两者都没有出现在 NCBI 里。
4.3 一次版本更新会做什么
把版本差异拆开看，动作只有五类。
拆：一个多系群按树上位置切成几个单系群，各自起名，用下划线后缀区分。这是最常见的一类，也是属名数量增长的主要来源。
并：多个小属合并回一个大属，或者把一个种并入另一个种。大肠杆菌与志贺氏菌是典型，2021 年发表的重新分类提案专门讨论过这一例。
改后缀：_A、_B 这类后缀的分配会变。某个群在新树上不再多系，后缀就消失；另一群新暴露出多系，就获得后缀。这一类变动最隐蔽，因为它只改一个字符。
升级：占位名换成正式拉丁名。当某个未培养类群后来被培养、被正式描述，或社区通过 SeqCode 给了名字，占位名就会被替换。
调层级：同一个节点在门与纲之间移动，或从目降到科。判据是 RED 值是否落在该层级的归一区间内，落不进就调。
五类动作里，只有「升级」是纯增益，其余四类都会让旧标签失效。
4.4 官方其实在努力稳定名字
这一点必须说清，否则容易把 GTDB 想成随意改名的系统。方法文件里有两处明确写了稳定性设计。
一处是代表基因组的替换规则。要让一个新组装替换掉现有代表，需要它的「平衡 ANI 分」比现有代表高出至少 10 分。这个分数一半来自与现有代表的相似度，一半来自组装质量。设计意图是：新组装与现有代表越不像，就越需要高得多的质量才能替换。这有效阻止了「每版都换代表」的抖动。
另一处是占位名的冻结规则。占位名一旦确定，即使后来有更贴切的编号，也不再改。宁可名字与位置脱节，也要保证引用过这个名字的论文不会失效。
所以更准确的说法是：GTDB 在单点稳定性上做了不少工作，但体系层面的重排不可避免。名字不会无缘无故变，会因为分类学证据变化而变，而证据每年都在变。
4.5 三条硬后果
第一条，引用必须锁版本。方法学里写「GTDB」等于没写，必须写到发布号，最好写到具体目录。可接受的写法是「GTDB release 11-RS232」或「GTDB R232（2026-04-15）」；「GTDB 最新版」不合格，因为审稿与复现都发生在几个月之后。
第二条，跨论文比较前必须对齐版本。两篇论文分别用 R207 与 R232，同一个属名在两边可能指不同的基因组集合。对齐的办法有三：按登录号取交集再比；用 gtdb_vs_ncbi 之类映射表换算；或者干脆在一个统一版本上重跑两批数据的注释。第三种最贵但最可靠。
第三条，拿 GTDB 名去 NCBI 查可能查不到。这不是数据错误，是命名空间不同。检索前先判断这个名字是拉丁名还是占位名，前者可能查得到，后者一定查不到；即便查得到，也要核对是不是同一个概念。
4.6 跨库对齐的实际做法
实际工作中最稳的一条路径是「以登录号为锚，不以名字为锚」。两个库对同一个基因组给出不同名字时，登录号是不变的，用登录号做连接键就能拿到全部差异，再决定采信哪一边。
第二条路径是用官方映射表。gtdb_vs_ncbi 已经把逐级对应关系列好，synonyms 给出同义词，两张表合用可以覆盖大部分常见冲突。
第三条是记录差异而不是抹平差异。同一个基因组在两个体系里名字不同，这件事本身是信息：它说明这个类群的边界本来就有争议。把它写成「已统一到 GTDB」反而丢掉了争议。
§5 访问、许可与体积
5.1 三条下载路径
主路径是 AWS 的开放 S3 桶，按 releases/release232/232.0/ 这样的目录组织，可以直接用 HTTPS 取，也可以用 AWS CLI 同步。三个镜像分别位于澳大利亚（昆士兰大学与 ACE 各一）与丹麦（奥尔堡大学），R232 起官方明确写了镜像归属。BT 种子由学术种子站托管，适合整包拉取。
不需要注册，不需要申请，没有速率限制的官方说明。对二十万量级的文件逐个下载不现实，取整包 tar.gz 更合适。
5.2 许可：数据与工具不是一回事
数据采用 CC BY-SA 4.0，允许商用、允许改编、允许再分发，条件是署名、附许可链接、标明改动，并且改编后的分发采用相同许可。
工具 GTDB-Tk 采用 GPL-3.0，是软件许可，约束的是代码分发而不是数据使用。把两者混为一谈会出两类错：以为用了 GTDB-Tk 就必须开源自己的流程代码（不必，GPL 约束的是 GTDB-Tk 本身及其衍生物的再分发），或者以为数据可以随意闭源再分发（不行，ShareAlike 要求同许可）。
5.3 ShareAlike 的实际边界
ShareAlike 条款在数据库上的适用有一个灰区：把 GTDB 分类嵌进自己的参考库再分发，属于改编，须同许可；但用 GTDB-Tk 给一批基因组打上标签、然后把这些标签作为分析结果发表，通常不被视为对数据库的改编。官方没有给出法律意见，只给了许可文本。
工程上的稳妥做法是分开存：原始分类表按 CC BY-SA 4.0 标注并保留出处；自己算出来的注释结果单独存放并注明「基于 GTDB R232 生成」，不要把它说成是 GTDB 的一部分。
另外要记住，基因组序列本身的许可来自原始提交记录（INSDC 与 NCBI），GTDB 的许可不改变那些条款。CC BY-SA 覆盖的是 GTDB 加的这层分类与整理，不是序列本身。
5.4 体积
分类表解压后细菌约 120 MB、古菌约 3 MB；两棵树的压缩包合计不到 3 MB；元数据表是最大的一项，压缩后已超过 270 MB；代表基因组的核酸序列整包以百 GB 计，全部基因组的序列与蛋白文件以 TB 计。
规划存储时的经验值是：只做分类分析，留 5 GB 足够；要建本地分类器索引，留 50 GB；要全量基因组与蛋白，按 2 TB 以上准备。这些数字随版本增长，R232 相对 R226 的基因组增幅是 23%，存储规划要按这个斜率留余量。
5.5 校验与版本标识
每个发布目录里有 MD5SUM.txt、VERSION.txt、RELEASE_NOTES.txt、METHODS.txt、FILE_DESCRIPTIONS.txt 五个文本文件。下载后先校验，再读版本说明。
校验这一步常被跳过，代价是拿到半个文件却以为是数据问题。版本说明里会写本版相对上一版的方法变化——R232 的说明里就提到 16S 提取方法改为与 Prokka 一致、最小长度设为 396 bp，以及比对前用 WitChi 去除成分偏差。这类变化会直接影响下游结果，读一遍能省掉很多排查。
§6 怎么用：取数、解析、注释、对账
6.1 最短路径
#-- 取 R232 的分类表与参考树（压缩后合计约 15 MB）
BASE=https://data.gtdb.ecogenomic.org/releases/release232/232.0
mkdir -p gtdb/r232 && cd gtdb/r232
for f in bac120_taxonomy_r232.tsv.gz bac120_r232.tree.gz \
ar53_taxonomy_r232.tsv.gz ar53_r232.tree.gz MD5SUM.txt; do
curl -fsSLO "$BASE/$f"
done
md5sum -c MD5SUM.txt --ignore-missing
gzip -dk bac120_taxonomy_r232.tsv.gz ar53_taxonomy_r232.tsv.gz
wc -l bac120_taxonomy_r232.tsv ar53_taxonomy_r232.tsv
跑完这两行，行数应当分别等于该版细菌与古菌的基因组数。对不上就说明文件没下全，别急着怀疑解析代码。
6.2 解析分类表
#-- 一行一个基因组，第二列是分号分隔的七级路径；路径可能不足七段
import collections
RANKS = ("d", "p", "c", "o", "f", "g", "s")
rows, depth = [], collections.Counter()
with open("bac120_taxonomy_r232.tsv", encoding="utf-8") as fh:
for line in fh:
acc, lineage = line.rstrip("\n").split("\t")
parts = lineage.split(";")
rec = {"accession": acc}
for part in parts:
prefix, name = part.split("__", 1)
rec[prefix] = name
rec["depth"] = len(parts)
depth[len(parts)] += 1
rows.append(rec)
print(len(rows), "个基因组")
print("路径长度分布:", dict(sorted(depth.items())))
print("属数:", len({r["g"] for r in rows if "g" in r}))
两处细节会咬人。第一，分号后没有空格，别按 "; " 切。第二，路径可能只有五段，缺的层级不是空串而是整段不存在，所以必须用 dict 而不是定长列表。
6.3 用 GTDB-Tk 给新基因组注释
#-- 参考数据要与分析时声明的版本严格一致
gtdbtk classify_wf \
--genome_dir bins/ \
--out_dir gtdbtk_out_r232 \
--extension fa \
--cpus 16 \
--pplacer_cpus 4
输出的两张表分别对应细菌与古菌，每行给出七级路径、最近邻物种的 ANI、以及分类置信度。--pplacer_cpus 单独设是因为放置步骤是并行的瓶颈，其余步骤按 --cpus 走。
有一个必须注意的对应关系：GTDB-Tk 的参考数据版本与 GTDB 发布版本要同号。用 R232 的参考库注释、在方法里写 R220，是这类流程里最常见的错误，而且不会报错。
6.4 接进宏基因组流程
GTDB 在宏基因组流水线里通常出现在两个位置。一是物种注释的上游参照：把 GTDB 的代表基因组或全量基因组建成分类器索引（Kraken2、sourmash 这类工具都支持），得到读段的物种归属。二是 MAG 定名的下游环节：组装、分箱之后，用 GTDB-Tk 给每个 bin 一个分类。
两个位置的版本要求不同。上游索引换版本的代价大（要重建索引，动辄几十 GB），通常锁一个版本用两三年；下游注释换版本便宜，但换了就必须重跑，否则同一批 bin 在两篇论文里会有两套名字。
有一个常见误解值得点破：GTDB 不提供丰度，也不提供功能注释。它只回答「这是谁」，不回答「有多少」与「在做什么」。把 GTDB 的分类结果当成物种丰度表用，是把标签当成了测量值。
6.5 版本对账
#-- 同一批基因组在两个版本里的物种标签差异
def load(path):
out = {}
with open(path, encoding="utf-8") as fh:
for line in fh:
acc, lineage = line.rstrip("\n").split("\t")
out[acc] = lineage.split(";")[-1]
return out
old = load("bac120_taxonomy_r220.tsv")
new = load("bac120_taxonomy_r232.tsv")
shared = old.keys() & new.keys()
moved = [a for a in shared if old[a] != new[a]]
print(f"共享基因组 {len(shared):,}，物种标签变化 {len(moved):,}")
print("示例:", moved[:3])
输出的比例就是「跨版本可比性」的量化估计。做纵向研究时，这个比例应当在方法学里报出来，它比一句「使用 GTDB 注释」信息量大得多。
6.6 八个坑
坑点 1：只写 GTDB 不写版本。 这是最普遍也最致命的一处。审稿人无法复现，读者无法对齐，作者自己半年后也说不清当时用的是哪一版。写法应当是 GTDB release 11-RS232，而不是 GTDB。
坑点 2：把 GTDB 名当 NCBI 名去查。 占位名百分之百查不到，拉丁名也可能查到另一个概念。检索前先看名字形态，占位名一律走登录号。
坑点 3：混用两个版本的分类表与元数据表。 目录里所有文件带同一个版本号后缀，是为了强制同版配套。把 R220 的元数据配上 R232 的分类表，登录号对不上的行会被静默丢弃。
坑点 4：用物种簇数当基因组数。 两者差四倍多。写「数据集包含二十万样本」与「包含九十万基因组」是完全不同的两句话。
坑点 5：以为古菌也是 122 个标记。 R07-RS207 之后是 53 个。引用旧文献的数字去描述新版本，会在方法学上留下硬伤。
坑点 6：按分号加空格切分路径。 GTDB 的路径分隔符是裸分号，没有空格。按 "; " 切会把第二级之后全部粘在一起，得到一个只有两级的假路径。
坑点 7：用代表基因组代表整个种。 一个种簇内可以有上万个基因组，代表只是其中一个。做泛基因组、做种内变异、做菌株溯源，都不能只用代表。
坑点 8：忽略 qc_failed。 自己提交的基因组没出现在表里，先查这份清单，再看七条质控指标，最后才怀疑流程。多数「GTDB 漏了我的基因组」都是污染度超了 10%。
§7 质量评估与局限
7.0 评它之前先纠正一个错位
评价 GTDB，最容易犯的错位是拿「分类准确率」这把尺子去量一个「分类体系」。体系本身没有准确率可言，它只有自洽性与可复现性：给同一批基因组，两次运行是否得到同一棵树；给同一棵树，两次归一是否得到同一套层级。至于某个基因组被分到哪个属对不对，取决于物种概念本身，而物种概念在细菌里至今没有公认定义。
第二个错位是把「名字是提案」当成「名字不可信」。GTDB 的名字在它的框架内高度自洽：路径与树一致，层级与 RED 一致，物种与 ANI 一致。它不可信的地方只有一个——不能跨出这个框架。分清这两点，才不会要么全盘接受、要么全盘否定。
第三个错位是把「版本更新」当成「修补 bug」。多数版本变化不是纠错，是新证据带来的重新判断。志贺氏菌并入大肠杆菌不是改错，是换了一种物种概念。
7.1 DAIMS 八维评分
| 层 | 维度 | 评分 | 依据与扣分点 |
|---|---|---|---|
| 描述层 | 描述层身份与边界 | 5 / 5 | 机构、资助、版本号、两段式命名规则、覆盖域（仅细菌与古菌）全部写明；边界声明罕见地明确——「提案性分类，不承担命名法职能」直接写在关于页 |
| 描述层 | 描述层文档完备度 | 5 / 5 | 方法文件、字段说明、文件说明、发布说明四份文本齐备；字段级释义随包发布；建树软件版本、模型、阈值逐条可查 |
| 结构层 | 结构层标识体系 | 4 / 5 | 登录号作主键稳定，路径前缀规整；扣分在同名不同物——标识符本身不携带版本，脱离版本号即失去指向 |
| 结构层 | 结构层层级一致性 | 5 / 5 | 七级路径与参考树逐节点对应，分类表行数等于基因组数，物种簇数等于代表数，三处算术自洽 |
| 结构层 | 结构层模态配对 | 4 / 5 | 序列、分类、树、比对四层一一对应；扣分在古菌标记数中途由 122 改为 53，跨该版本的树不可直接配对 |
| 访问层 | 访问层开放程度 | 5 / 5 | 无需注册、无需申请，三个镜像加 BT，开放桶直读；工具另在 GitHub 开源 |
| 访问层 | 访问层可复现性 | 4 / 5 | 每版独立目录、校验和、版本标识、方法文件齐全，可完整复算；扣分在版本间语义漂移，复现必须锁到目录级 |
| 访问层 | 访问层许可清晰度 | 4 / 5 | 数据 CC BY-SA 4.0、工具 GPL-3.0 分别写明并给出全文链接；扣分在 ShareAlike 对「衍生数据库」的边界无官方解释 |
八项里四项满分、四项四分，没有三分以下的项。这个分布说明它不是靠某一项突出，而是全面达标。最低的两项（标识体系、许可清晰度）扣分原因同源：这套资源的稳定性建立在「版本」这个维度上，而版本这个维度在标识符与许可文本里都没有被显式表达。
7.2 四条可枚举的局限
第一条，名字不是名称。GTDB 明确声明自己不承担命名法职能，占位名不能用于正式发表，拉丁名的使用也要回查原发表。这意味着任何以 GTDB 为唯一命名依据的分类学结论，都需要二次核实。
第二条，一棵树决定一切。分类完全依附于参考树的拓扑。树建错了，整条路径跟着错，而且这种错误在文件层面看不出来——分类表自洽、层级归一、名字齐全。唯一的检查办法是看自举值与多系群报告，而这两项需要专业判断。
第三条，代表基因组只是一个。每个物种簇只给一个代表，簇内其余基因组的归属需要自己按 ANI 推断。做种内分析时这层信息不够，得下全量基因组重算。
第四条，范围不含真核与病毒。这条边界很清楚，但常被忽略：用 GTDB 做 18S 注释、做真菌分类、做噬菌体分类，都取不到东西。
7.3 收敛性与可比性
GTDB 的可比性问题不是质量问题，是设计问题。它每年重排，是为了让分类跟上数据；重排的代价是跨版本不可直接比较。这两件事无法同时最优，官方的取舍是「宁可变，也要跟上」，并用代表基因组替换规则与占位名冻结规则来缓冲。
对使用者的含义是：跨版本比较不是「能不能」的问题，而是「要不要付对齐成本」的问题。付了成本（按登录号取交集、重跑注释）就可以比；不付成本直接比名字，结论不可靠。
7.4 外部印证
| 角度 | 证据 | 结论 |
|---|---|---|
| 同行评议 | 2018 年自然生物技术、2020 年同刊、2021 与 2025 年核酸研究数据库专刊 | 连续八年进入主流引用体系 |
| 学科采纳 | 2019 年起作为系统发育基因组学资源并入《伯杰氏古菌与细菌系统学手册》 | 被传统分类学共同体接纳 |
| 命名法互动 | 2023 年提出 329 个高阶元名称，供两套原核生物命名法规使用 | 与命名法体系形成双向输入 |
| 国际协作 | 与 ENA 建立双向交叉引用（R232 新增） | 与主流归档互操作 |
| 工具生态 | GTDB-Tk 成为 MAG 定名的事实标准 | 方法被固化为软件 |
| 公共资助 | 澳大利亚研究理事会三项基金加校内战略经费 | 非商业依赖，长期维护有保障 |
最有力的一条是第三条。一个「不承担命名法职能」的体系，反过来向命名法体系提交了三百多个名称提案，并被部分采纳——这说明它的定位是命名法的上游供给方，而不是替代者。
7.5 它为何能持续
维护成本主要在两处：一是每年把几十万基因组重新比对、建树、归一、命名，算力密集；二是把多系群逐个拆开、给每个新节点找名字，人力密集。
可持续的原因有三层。第一层是原料免费：基因组来自 NCBI，不需要自己测序，边际成本随公共数据增长而摊薄。第二层是判据可自动执行：建树、归一、划种三步全是算法，只有「给节点找名字」需要人。第三层是社区代劳：命名提案来自使用者，论坛里每年有大量「这个属该不该拆」的讨论，校订工作被部分外部化。
代价也在这里。原料依赖 NCBI 的发布节奏，所以版本周期跟着 RefSeq 走；人力依赖少数几位校订者，所以某些类群（如蓝细菌）的整理会滞后，需要致谢外部专家；算法依赖阈值，所以每次换工具（如 ANI 计算从旧方法换到 skani）都会带来一次口径跳变。
§8 生态与历史
8.1 时间线
| 时间 | 事件 | 意义 |
|---|---|---|
| 2018 | 自然生物技术论文发表，提出标准化细菌分类 | 体系确立，首个索引 RefSeq 的发布上线 |
| 2019 | 并入《伯杰氏手册》成为其系统发育基因组学资源 | 从论文走进教科书体系 |
| 2019 | 物种划界改用 ANI 阈值 | 物种从人工判断变为可批量计算 |
| 2020 | 完整古菌分类发布 | 域到种全覆盖，两个域并列 |
| 2021 | 42 个门名在 IJSEM 正式发表 | 门一级名称大规模改写 |
| 2022 | 古菌建树标记由 122 改为 53，换用 IQ-TREE | 树推断方法的一次实质变化 |
| 2023 | 提出 329 个高阶元名称提案 | 与命名法体系正式对接 |
| 2024 | R09-RS220 发布 | 被引用最广的稳定基线之一 |
| 2026 | R11-RS232 发布，与 ENA 双向链接 | 从独立资源变为归档生态的一环 |
8.2 与相邻资源的分工
NCBI Taxonomy 是命名档案，管的是「这个名字有没有被登记、登录号挂在哪」；GTDB 是分类意见，管的是「按全基因组看，这个类群该怎么划」。前者覆盖面广但不保证单系，后者保证单系但只覆盖两个域。两者不是替代关系。
LPSN 是命名法权威，管「这个名字是否合法发表」。GTDB 把它当作命名优先级的主要参照，凡有模式菌株的类群优先采用 LPSN 的名字。SeqCode 是 2022 年起的另一套法规，允许以基因组序列本身作为模式，这为占位名转为正式名提供了通道。
SILVA 与 Greengenes2 是 rRNA 参照，管「这段 16S 属于谁」。它们与 GTDB 的交集在 16S：GTDB 会从每个基因组里提取 16S 序列，命名沿用基因组的分类，因此可以给 SILVA 提供一套基因组学的替代视图；反过来，SILVA 的分类也常被拿来与 GTDB 对照。
8.3 工具链
GTDB-Tk 是最核心的一个，负责把新基因组放进已有框架。它做的是标记基因识别、比对、放置到参考树、计算与最近邻的 ANI，最后给出路径与置信度。它不建树，也不更新分类，只做归属判定。
下游还有若干环节：把 GTDB 基因组建成 Kraken2 或 sourmash 索引做读段分类；用 gtdb_vs_ncbi 做跨库映射；用参考树做群落系统发育分析。这些都不是官方工具，但都以 GTDB 的发布文件为输入。
8.4 学术位置
GTDB 的位置可以用一句话概括：它把原核生物分类从「专家共识」推向「可计算基线」，但没有取代专家。这个位置有一个内在张力——越是可计算，越容易被当成客观真理；而它的每一步都含有人为选择（阈值、模型、多系群如何切）。理解这套资源的关键，是同时记住这两面。
§9 使用指引
9.1 三类角色的路径
做宏基因组分析的人，路径是：锁一个版本、建一次索引、在方法学里写清版本与索引构建方式。索引重建的成本高，通常两三年一换，换的时候把旧结果一起重跑。
做 MAG 定名的人，路径是：用 GTDB-Tk 与发布版同号的参考数据跑注释，输出里保留 ANI 与置信度，别只留路径。低置信度的 bin 要单独标注，不要混进统计。
做参考数据库的人，路径是：以登录号为锚，不用名字做主键；把 GTDB 分类作为一列属性而不是主键；预留一列记录版本，将来换版时可追溯。
9.2 写方法学的最小信息集
一句话能写全的版本：Genomes were classified with GTDB-Tk v2.4.0 against GTDB release 11-RS232 (2026-04-15).
中文写法：使用 GTDB-Tk 与 GTDB release 11-RS232（2026-04-15）参考数据完成分类注释。
如果要更严谨，再加三项：GTDB-Tk 的版本号、是否使用了 --pplacer_cpus 之外的默认参数、低置信度结果的处理方式。
9.3 合规清单
用到 GTDB 数据，署名并附 CC BY-SA 4.0 链接；分发改编后的分类库，采用相同许可；引用论文时区分「用数据」与「用工具」，前者引 GTDB 的资源论文，后者引 GTDB-Tk 的方法论文；商业使用前确认 ShareAlike 对自家产品的实际影响。
9.4 三句话总结
GTDB 是细菌与古菌的基因组分类基线，覆盖广、判据透明、完全开放。它的分类名是版本化标签，跨版本跨库都不可直接比较。用它之前先决定锁哪个版本，用完把它写进方法学。
§10 AI 使用声明
| 项目 | 说明 |
|---|---|
| 参与程度 | 由 AI 助手依据 GTDB 官网、发布目录内的方法与文件说明、统计页起草，人工复核关键数字 |
| 数字来源层级 | 见附录 B：官方统计页与发布目录为一级，论文与维基百科条目为二级 |
| 未核实项 | 各版本的精确发布日期（早期版本仅有目录时间戳）、占位名与拉丁名的逐类群分布、跨版本标签变化的具体比例 |
| 版本信息 | 以 2026 年 10 月 29 日读取的 R232 发布目录与统计页为准 |
| 已知不一致 | 任务口径写现行版本为 R220（2025-04），实际 R220 为 2024-04-24，现行版本为 R232；任务口径写每年两版，实际近五年为一年一版；任务口径写古菌 122 个标记，R07-RS207 之后为 53 个 |
| 适用边界 | 描述资源的结构、规模与版本机制，不评价任何具体研究的分类结论，不转引群落构成统计 |
| 更新机制 | 资源每年发版，本页不承诺随版本同步刷新，引用时以发布目录为准 |
常见误读（避坑清单）
| 常见说法 | 实际 | 证据 |
|---|---|---|
| 「GTDB 就是 NCBI 分类的中文版」 | 两套独立分类，同名不同物，且 GTDB 覆盖范围更窄 | 大肠杆菌在 GTDB 含志贺氏菌四个种，NCBI 分列 |
| 「GTDB 是官方命名机构」 | 明确为提案性分类，不承担命名法职能 | 关于页原话：提案性命名，非有效发表 |
| 「名字一样就是同一个物种」 | 同一个字符串在两个库、两个版本里指向不同基因组集合 | gtdb_vs_ncbi 表列出逐级差异 |
| 「每半年更新一次」 | 近五年为一年一版，间隔十至十四个月 | R220（2024-04）、R226（2025-04）、R232（2026-04） |
| 「现在还是二十二万物种」 | R220 为 113,104 个物种簇，R232 已接近二十万 | 两版统计页 |
| 「古菌用 122 个标记蛋白」 | R07-RS207 起改为 53 个，文件名同步变为 ar53 | 方法文件与发布目录文件名 |
| 「物种数等于基因组数」 | 两者差四倍多，物种簇每簇只留一个代表基因组 | 物种簇与代表数相等 |
| 「GTDB 能注释真菌和病毒」 | 只覆盖细菌与古菌两个域 | 关于页范围声明 |
| 「加空格切分分类路径」 | 分隔符是裸分号，无空格 | 分类表原文格式 |
| 「名字不会变，变了就是修 bug」 | 改名多因分类学证据变化，非纠错 | 发布说明与方法文件 |
| 「许可和 GTDB-Tk 一样」 | 数据 CC BY-SA 4.0，工具 GPL-3.0 | 许可页分别列明 |
| 「代表基因组代表了这个种的全部特征」 | 它只是按平衡 ANI 分与组装质量选出的一个，簇内变异不在其中 | 方法文件的替换规则与 BAS 阈值 |
FAQ
Q1：GTDB 现在最新是哪个版本？
R11-RS232，2026 年 4 月 15 日发布。版本号两段都要写：前段是 GTDB 的发布序号，后段 RS 后的数字是所索引的 RefSeq 发布号。
Q2：为什么我按种名统计的数量和论文对不上？
三种可能。一是版本不同，同一批基因组在两版的物种簇划分可能不同；二是你把基因组数当成了物种数，两者差四倍多；三是名字虽然相同但概念不同，志贺氏菌这类被并入的类群会造成整批差异。
Q3：GTDB 的分类可以直接写进论文的物种名吗？
拉丁名可以，但要注意它可能是 GTDB 重分类后的名称，与原始发表不同。占位名不行，占位名不是有效发表名，只能作为操作单元标注。
Q4：一个物种簇里有上万个基因组，我该用哪个做代表？
用官方给的代表基因组，它是按平衡 ANI 分选出的，兼顾与簇内成员的相似度和组装质量。要做种内分析就下全量基因组，不要用代表代替整个簇。
Q5：能不能只用 GTDB 不用 NCBI？
做物种注释可以，做数据检索与合规申报不行。NCBI 是登录号的登记机构，序列的取得、版本的追溯、发表时的数据可用性声明，都要回到 NCBI。
Q6：GTDB 的树能直接拿来做群落系统发育分析吗？
可以但要谨慎。树只含代表基因组，叶节点是种而不是序列，做群落分析需要把读段或 OTU 映射到种，这一步的误差往往大于树本身。另外细菌树与古菌树是两棵独立的树，不能拼成一棵。
Q7：为什么我的基因组没被收录？
先查 qc_failed.tsv。最常见的落选原因是污染度超过 10%，其次是 contig 数超过 1000。七条质控指标都在方法文件里，逐条对照即可。
Q8：GTDB 和 SILVA 的分类冲突时以谁为准？
取决于任务。做全基因组层面的分类与 MAG 定名，用 GTDB；做 16S 扩增子的序列比对与建树，用 SILVA。两者冲突时不要强行统一，把两套结果都保留并注明来源，比抹平更有信息量。
Q9：占位名以后会变成正式名吗？
会，但不由 GTDB 决定。占位名转为拉丁名需要有人在命名法框架下正式发表，或通过 SeqCode 指定基因组作模式。GTDB 只负责在名称出现后把它接进来。
Q10：商用需要注意什么？
数据可以商用，条件是署名、附许可链接、改编后同许可分发。工具是 GPL-3.0，约束代码分发而非数据使用。把两者分开处理就不会出错。
术语表
| 术语 | 含义 |
|---|---|
| GTDB | Genome Taxonomy Database，基因组分类数据库 |
| ACE | 澳大利亚生态基因组学中心，昆士兰大学，GTDB 的维护机构 |
| RefSeq | NCBI 的参考序列数据库，GTDB 版本号后半段索引的就是它的发布号 |
| 组装登录号 | NCBI 给每个基因组组装的编号，GCF_ 为审核组装，GCA_ 为直投组装 |
| 分类路径 | 从域到种的七级字符串，前缀 d__ 至 s__，分号分隔 |
| 物种簇 | 按 ANI 与比对分数划定的基因组集合，每簇一个代表 |
| 代表基因组 | 每个物种簇选出的那一个基因组，是分类与建树的叶节点 |
| 占位名 | 无命名法依据时给出的编号式名称，形如属代号加 sp 加数字 |
| ANI | 平均核苷酸一致性，衡量两个基因组整体相似度的指标 |
| 比对分数 | AF，两基因组可比对区域占基因组的比例，与 ANI 合用划种 |
| RED | 相对演化分异度，把树节点归一到各层级的度量 |
| PhyloRank | 实现 RED 归一与多系群检测的工具 |
| Bac120 | 细菌建树所用的 120 个单拷贝标记蛋白 |
| ar53 / ar122 | 古菌建树的标记蛋白集，R07-RS207 起由 122 改为 53 |
| MAG | 宏基因组组装基因组，从环境样本组装出的基因组 |
| SAG | 单细胞扩增基因组 |
| CheckM | 估计基因组完整度与污染度的工具 |
| MIMAG | 基因组质量标准，规定高质量、中质量、低质量的判定条件 |
| 多系群 | 包含多个独立起源的类群，GTDB 的主要拆分对象 |
| 下划线后缀 | 如 _A、_E，用于区分同名的多个独立类群 |
| LPSN | 原核生物名称名录，GTDB 的主要命名参照 |
| SeqCode | 允许以基因组序列作模式的命名法规 |
| GTDB-Tk | 基于 GTDB 给基因组分类的工具包，GPL-3.0 |
| Newick | 系统发育树的文本表示格式 |
| DAIMS | 数据资产管理的评估框架，分描述、结构、访问三层 |
附录 A：核心数字核对表
| 项 | 值 | 来源 | 层级 |
|---|---|---|---|
| 现行版本 | 11-RS232 | 发布目录与首页 | 一级 |
| 发布日期 | 2026-04-15 | 统计页 | 一级 |
| 基因组总数 | 901,341 | 发布说明与统计页 | 一级 |
| 细菌基因组 | 878,998 | 统计页 | 一级 |
| 古菌基因组 | 22,343 | 统计页 | 一级 |
| 物种簇 | 199,923 | 统计页 | 一级 |
| 细菌物种簇 | 189,801 | 统计页 | 一级 |
| 古菌物种簇 | 10,122 | 统计页 | 一级 |
| 门 / 纲 / 目 / 科 / 属 | 186 / 641 / 2,343 / 6,725 / 37,503 | 统计页 | 一级 |
| 占位物种名 | 179,237 | 统计页命名类型表 | 一级 |
| 上一版 | 10-RS226，2025-04-15 | 发布目录 | 一级 |
| R220 基因组 | 596,859 | R220 统计页 | 一级 |
| R220 物种簇 | 113,104 | R220 统计页 | 一级 |
| 细菌标记蛋白 | 120 | 方法文件 | 一级 |
| 古菌标记蛋白 | 53（R07-RS207 前为 122） | 方法文件与文件名 | 一级 |
| 质控阈值 | 完整度>50、污染<10、质量>50、标记>40%、contig<1000、N50>5kb、歧义碱基<10 万 | 方法文件 | 一级 |
| 许可 | 数据 CC BY-SA 4.0；工具 GPL-3.0 | 许可页 | 一级 |
| 首个索引 RefSeq 的版本 | 76 | 关于页 | 一级 |
附录 B：数字的来源分层
一级：官方发布物。 基因组数、物种簇数、各级分类单元数、占位名数、发布日期的近年值、质控阈值、标记蛋白数、软件与模型版本、许可条款，全部取自 gtdb.ecogenomic.org 的统计页与发布目录内的 METHODS.txt、FILE_DESCRIPTIONS.txt、RELEASE_NOTES.txt、VERSION.txt。
二级：论文与版本目录时间戳。 2018 与 2020 年的方法学细节取自自然生物技术论文，2025 年的资源更新取自核酸研究；R89 至 R214 的年份依据发布目录的修改时间推定，精确到日期的只有近年几版；「2019 年并入伯杰氏手册」取自维基百科条目，未在官方页面二次确认。
三级：未展开。 各版本精确到日的发布日期（早期）、占位名按类群的分布、跨版本标签变化的具体比例、各门在参考树上的多样性贡献，均未在本页给出，也不作推定。
附录 C：参考文献
- Parks DH, Chuvochina M, Waite DW, et al. A standardized bacterial taxonomy based on genome phylogeny substantially revises the tree of life. Nature Biotechnology, 2018, 36: 996–1004. DOI 10.1038/nbt.4229.
- Parks DH, Chuvochina M, Chaumeil PA, et al. A complete domain-to-species taxonomy for Bacteria and Archaea. Nature Biotechnology, 2020, 38: 1079–1086. DOI 10.1038/s41587-020-0501-8.
- Parks DH, Chuvochina M, Rinke C, et al. GTDB: an ongoing census of bacterial and archaeal diversity through a phylogenetically consistent, rank normalized and complete genome-based taxonomy. Nucleic Acids Research, 2022, 50(D1): D785–D794. DOI 10.1093/nar/gkab776.
- Parks DH, et al. GTDB release 10: a complete and systematic taxonomy for 715 230 bacterial and 17 245 archaeal genomes. Nucleic Acids Research, 2025, gkaf1040. DOI 10.1093/nar/gkaf1040.
- Rinke C, Chuvochina M, Mussig AJ, et al. A standardized archaeal taxonomy for the Genome Taxonomy Database. Nature Microbiology, 2021, 6: 946–959. DOI 10.1038/s41564-021-00918-8.
- Chuvochina M, Mussig AJ, Chaumeil PA, et al. Proposal of names for 329 higher rank taxa defined in the Genome Taxonomy Database under two prokaryotic codes. FEMS Microbiology Letters, 2023, 370: fnad071. DOI 10.1093/femsle/fnad071.
- Chaumeil PA, Mussig AJ, Hugenholtz P, Parks DH. GTDB-Tk: a toolkit to classify genomes with the Genome Taxonomy Database. Bioinformatics, 2020, 36(6): 1925–1927. DOI 10.1093/bioinformatics/btz848.
- Chaumeil PA, Mussig AJ, Hugenholtz P, Parks DH. GTDB-Tk v2: memory friendly classification with the Genome Taxonomy Database. Bioinformatics, 2022, 38(23): 5315–5316. DOI 10.1093/bioinformatics/btac672.
- GTDB 发布目录，release232/232.0，https://data.gtdb.ecogenomic.org/releases/release232/232.0/ ，2026 年 10 月访问。
- GTDB 统计页，https://gtdb.ecogenomic.org/stats ，2026 年 10 月访问。
- GTDB 许可页，https://gtdb.ecogenomic.org/licenses ，2026 年 10 月访问。
附录 D：如果只记五件事
第一，GTDB 是细菌与古菌的基因组分类基线，由昆士兰大学 ACE 维护，现行 R11-RS232，2026 年 4 月发布。
第二，它的规模是九十万个基因组归入二十万个物种簇，每个簇只留一个代表基因组；物种数与基因组数差四倍多。
第三，结构是四层扁平文件：基因组、分类表、参考树、标记蛋白比对；没有关系库，也没有 API。
第四，它的名字是版本化标签。同名不同物、每版会重排、部分名字在 NCBI 查不到——引用必须写版本，比较必须对齐版本。
第五，它填的是「16S 与宏基因组分类注释的参考骨架」这一层，不填样本、不填丰度、不填功能，也不覆盖真核与病毒。
附录 E：文件与字段清单
| 文件 | 内容 | 形态 | 用途 |
|---|---|---|---|
| bac120_taxonomy | 全部细菌基因组的七级路径 | TSV，解压约 120 MB | 主查询表 |
| ar53_taxonomy | 全部古菌基因组的七级路径 | TSV，约 3 MB | 主查询表 |
| bac120_r232.tree | 细菌参考树，含自举值与分类装饰 | Newick，约 9 MB | 拓扑解读、群落分析 |
| ar53_r232.tree | 古菌参考树 | Newick，约 0.5 MB | 同上 |
| bac120_metadata | 逐基因组元数据 | TSV.gz，约 270 MB | 质控筛选、协变量 |
| sp_clusters | 物种簇成员与代表、ANI 半径 | TSV | 取簇内成员 |
| synonyms | 同义物种列表 | TSV | 跨库映射 |
| qc_failed | 落选组装清单 | TSV | 追查缺席原因 |
| gtdb_vs_ncbi | 两库分类对应关系 | XLSX | 跨库对齐 |
| hq_mimag_genomes | 达 MIMAG 高质量标准的基因组 | TSV | 只要高质量数据 |
| bac120_msa_mask | 串联比对的修剪掩码 | 文本 | 复算比对 |
| sp_labels.tree | 与主树同构、叶上带物种标签 | Newick | 按物种操作 |
| marker_info | 120 个标记蛋白的元信息与拼接顺序 | TSV | 复算建树 |
| RELEASE_NOTES / METHODS / FILE_DESCRIPTIONS | 发布说明、方法、文件释义 | 文本 | 版本核对 |
字段层面，官方可确认的有三块。其一是分类表的两列结构：登录号与分号分隔的七级路径。其二是元数据表的字段范围：GTDB 与 NCBI 双分类、完整度与污染度、组装统计、基因组属性、类型材料标记。其三是每个字段在 metadata_field_desc.tsv 里有逐条释义与来源标注。完整的列清单需下元数据表按首行确认。
编辑说明
本篇核验时间为 2026 年 10 月 29 日。方式为直接读取 GTDB 官网统计页、关于页、许可页，以及 R232 发布目录内的 METHODS.txt、FILE_DESCRIPTIONS.txt、RELEASE_NOTES.txt，并比对 R220 统计页与发布目录的版本时间戳。
需要说明五处口径问题。第一，任务给定的口径写现行版本为 release 220（2025-04），与官方记录不符：R220 的发布日期是 2024 年 4 月 24 日，2025 年 4 月 15 日发布的是 R226，现行版本是 2026 年 4 月 15 日发布的 R232。本篇按官方记录写 R232 为现行版本，并把 R220 作为常被引用的历史基线保留在 §2.1 与附录 A。第二，任务口径写「每年两次大版本」，与发布记录不符：近五年的间隔是十至十四个月，基本一年一版，本篇按实际记录写，并在 §2.2 与常见误读中纠正。第三，任务口径写「约 65 万个细菌基因组」，与任一版本都不吻合：R220 是 584,382，R226 是 715,230，R232 是 878,998；本篇按 R232 与 R220 两个口径分别给出，不采用 65 万这个中间值。第四，任务口径写古菌标记为 122 个，仅对 R07-RS207 之前的版本成立，之后为 53 个，本篇写明这一分界。第五，任务口径写「约 11.3 万个物种代表性基因组」，与 R220 的十一万三千余个物种簇吻合，与现行 R232 的约二十万不符，本篇按版本分别标注。第六，任务口径写首个版本为 release 89（2018 年），与官方说明不完全一致：关于页写明 GTDB 的发布自索引 RefSeq 第 76 版起，R04-RS89 是首个改用 ANI 划种、并被统计页收录的版本，不是第一版；其年份按发布目录时间戳记为 2019。
未覆盖的内容包括：各早期版本精确到日的发布日期、占位名按类群的分布、跨版本标签变化的具体比例、各门在参考树上的多样性贡献、R232 新增基因组的来源构成。前三项官方未在同一处汇总，第四项只以图形式发布，第五项需要下载全量元数据自行统计。涉及群落构成与地理来源的分布类数字按体例不收录。
另有一处结构性说明：本篇不转引任何具体研究的物种构成比例或差异丰度结论。这类数字随队列、测序深度与分类版本变化，不属于资源本身的结构参数。需要时应在统一版本上重跑并注明分母。
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- uhgg — 共享标签：基因组学与多组学 / 微生物组 / 测序数据 / 变异与注释
- silva — 共享标签：基因组学与多组学 / 微生物组 / 测序数据 / 变异与注释
- greengenes2 — 共享标签：基因组学与多组学 / 微生物组 / 测序数据 / 变异与注释
- hmp — 共享标签：基因组学与多组学 / 微生物组 / 测序数据
- mgnify — 共享标签：基因组学与多组学 / 微生物组 / 测序数据
- curatedmetagenomicdata — 共享标签：基因组学与多组学 / 微生物组 / 测序数据
- qiita — 共享标签：基因组学与多组学 / 微生物组 / 测序数据
- dbcan-hgm — 共享标签：基因组学与多组学 / 微生物组 / 变异与注释
- dbsnp — 共享标签：基因组学与多组学 / 测序数据 / 变异与注释
- ensembl — 共享标签：基因组学与多组学 / 测序数据 / 变异与注释
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
