[論文レビュー] Phage family classification under Caudoviricetes: a review of current tools using the latest ICTV classification framework

Yilin Zhu, Jiayu Shang+2 more|arXiv (Cornell University)|Sep 5, 2022

Bacteriophages and microbial interactions被引用数 5

ひとこと要約

本研究では、2022年版ICTV分類枠組みに基づくCaudoviricetesの新しい分類基準において、PhaGCN、CAT、MMseqs2、vConTACT 2.0の4つのバクテリオフォージ家族分類ツールを評価・比較した。新たにラベル付けされたデータベースで再トレーニングを行った後、多様なデータセットを用いてテストした結果、短いコンティグ（3,000 bp以上）ではPhaGCNが予測率が最も高く、CATとMMseqs2は短い配列において優れた速度と耐性を示した。すべてのツールが、より保存領域が強い新しい家族枠組みのもとで精度が向上しており、分類の可能性が高まったことが示された。

ABSTRACT

Bacteriophages, which are viruses infecting bacteria, are the most ubiquitous and diverse entities in the biosphere. There is accumulating evidence revealing their important roles in shaping the structure of various microbiomes. Thanks to (viral) metagenomic sequencing, a large number of new bacteriophages have been discovered. However, lacking a standard and automatic virus classification pipeline, the taxonomic characterization of new viruses seriously lag behind the sequencing efforts. In particular, according to the latest version of ICTV, several large phage families in the previous classification system are removed. Therefore, a comprehensive review and comparison of taxonomic classification tools under the new standard are needed to establish the state-of-the-art. In this work, we retrained and tested four recently published tools on newly labeled databases. We demonstrated their utilities and tested them on multiple datasets, including the RefSeq, short contigs, simulated metagenomic datasets, and low-similarity datasets. This study provides a comprehensive review of phage family classification in different scenarios and a practical guidance for choosing appropriate taxonomic classification pipelines. To our best knowledge, this is the first review conducted under the new ICTV classification framework. The results show that the new family classification framework overall leads to better-conserved groups and thus makes family-level classification more feasible.

研究の動機と目的

• 2022年版ICTV分類枠組みに基づくCaudoviricetesの最新分類基準において、既存のバクテリオフォージ家族分類ツールのパフォーマンスを評価すること。
• ウイルスメタゲノムシーケンシングと分類の間のギャップを拡大する問題に対処するため、多様で現実世界のデータセットを用いてツールをテストすること。
• データタイプ（完全ゲノム、コンティグ、類縁性が低い配列）とパフォーマンス指標（正確性、予測率、速度）に基づき、最適な分類パイプラインの選定に役立つ実用的ガイダンスを提供すること。
• 最新のICTV分類を反映した新たにラベル付けされたデータベースを用いて、最先端の4つのツール（PhaGCN、CAT、MMseqs2、vConTACT 2.0）を再トレーニングしベンチマークすること。
• データの分散の違い（類縁性が低い、短いコンティグなど）に対するツールの耐性を評価し、分布外または希少な属の処理における限界を特定すること。

提案手法

• 2022年版ICTV Caudoviricetes分類に基づいてラベル付けされた新規に整備されたデータベースを用いて、4つの分類ツール（PhaGCN、CAT、MMseqs2、vConTACT 2.0）を再トレーニングした。
• RefSeq完全ゲノム、短いコンティグ（3,000–5,000 bp）、シミュレートされたメタゲノムデータセット、類縁性が低い配列を含む複数のデータセットを用いてツールを評価した。
• 分布外配列、特に希少または新規の家族に対する感受性を評価するため、1家族ずつ除外した交差検証（leave-one-family-out cross-validation）を実施した。
• CPU数を変化させながら、正確性、予測率、実行時間を測定し、計算効率を評価した。
• 同じベンチマークフレームワークのもとで、アラインメントベース（MMseqs2、CAT）とディープラーニングベース（PhaGCN）、ネットワークベース（vConTACT 2.0）のアプローチを比較した。
• F1スコアや正確性といった標準的な指標を用い、データ分布のシフトに伴う性能低下を分析した。

実験結果

リサーチクエスチョン

• RQ1 現在のバクテリオフォージ家族分類ツールは、2022年版ICTV Caudoviricetes分類枠組みにおいて、従来のシステムと比較してどの程度のパフォーマンスを示すか？
• RQ2 短いコンティグ（3,000–5,000 bp）および非常に短いコンティグ（2,000 bp未満）に対して、どのツールが最も高い正確性と予測率を達成するか？
• RQ3 リファレンスゲノムとの類縁性が低い配列を分類する際、パフォーマンスはどの程度低下するか？また、このような状況下でも最も耐性があるツールはどれか？
• RQ4 トレーニングデータの分散の違いが分類正確性に与える影響は何か？特にアラインメントベースとディープラーニングベースのツールの間で差異は何か？
• RQ5 複数のCPUを用いて大規模データセットを処理する際、計算効率（特にスケーリング性能）において、各ツールはどのように比較されるか？

主な発見

• PhaGCNは、短いコンティグ（3,000 bp以上）において予測率が90％を超える最高水準を達成し、この分類領域でCAT、MMseqs2、vConTACT 2.0を上回った。
• CATは完全なRefSeqゲノムにおいて正確性が92.5％で最高を記録したが、短いコンティグでは正確性が6％低下し、このデータタイプではPhaGCNを上回った。
• MMseqs2は最も高速な処理時間を示し、4つのCPUを用いて500個の完全なバクテリオフォージの分類を2分未満で完了した。これは、ハイパフォーマンス応用に最適である。
• vConTACT 2.0は完全ゲノムにおいて予測率が92％で最高であったが、遺伝子共有の有意性スコアが低いため、短いコンティグでは性能を発揮できず、完全ゲノムと比較して正確性が10％低下した。
• すべてのツールが、より保存領域が強い新しいICTV枠組みのもとで正確性が向上しており、これは更新された分類体系が、家族レベルの分類可能性を高めていることを示している。
• PhaGCNは類縁性が低い配列やデータ分布のシフトに対して最も耐性があり、トレーニングデータから大きく逸脱したテスト配列に対しても安定したパフォーマンスを維持した。