[論文レビュー] The MetaSUB Microbiome Core Analysis Pipeline Enables Large Scale Metagenomic Analysis

David Danko, Chris Mason|arXiv (Cornell University)|Sep 25, 2020

Genomics and Phylogenetic Studies被引用数 9

ひとこと要約

MetaSUBコア分析パイプライン（CAP）は、Kraken2、HUMANn2、MetaSPAdesなどの既存ツールを統合した、大規模メタゲノム解析のための標準的で再現性のあるフレームワークです。一貫した品質管理、系統的および機能的プロファイリング、ゲノムサイズ推定を可能にし、主要な結果として、環境マイクロバイオームにおける平均ゲノムサイズと機能的プロファイルの変動の間には弱いが有意な相関（rho = 0.24、p < 2e-16）が観察されました。

ABSTRACT

Motivation: Accurate data analysis and quality control is critical for metagenomic studies. Though many tools exist to analyze metagenomic data there is no consistent framework to integrate and run these tools across projects. Currently, computational analysis of metagenomes is time consuming, often misses potentially interesting results, and is difficult to reproduce. Further, comparison between metagenomic studies is hampered by inconsistencies in tools and databases. Results: We present the MetaSUB Core Analysis Pipeline (CAP) a comprehensive tool to analyze metagenomes and summarize the results of a project. The CAP is designed in a bottom up fashion to perform QC, preprocessing, analysis and even to build relevant databases and install necessary tools. Availability and Implementation: The CAP is available under an MIT License on GitHub at https://github.com/MetaSUB/CAP2 and on the Python Package Index. Documentation and examples are available on GitHub.

研究の動機と目的

• 研究間でのメタゲノム解析の不一致を解消するため、アドホックなパイプライン開発やツールのばらつきに起因する問題に対処すること。
• バージョン管理された分析フレームワークを提供することで、メタゲノム研究における摩擦を低減し、再現性を向上させること。
• データ処理、ツール使用、データベース管理の統一を通じて、プロジェクト間比較を可能にすること。
• 一つのパイプライン内で複数の分析ツール（例：系統的、機能的、ゲノムサイズプロファイリング）を統合することで、新たな生態的知見の獲得を支援すること。
• 最小限の設定変更でツールやデータベースのカスタマイズが可能な柔軟で拡張性のあるフレームワークを提供すること。

提案手法

• CAPは、モジュラー構成を持つPythonベースのパイプラインとして実装されており、各モジュールが特定の分析ステップまたはツールに対応しています。
• 依存関係のインストール（PyPI/Conda経由）およびデータベースの構築またはダウンロードを自動化し、デフォルトでバージョン管理されたデータベースが使用されます。
• パイプラインは5段階から構成されています：品質管理（FastQC、MultiQC）、前処理（アダプタ除去、ホストDNA除去、誤り補正）、短鎖リード解析（系統的分類のためのKraken2/Bracken、機能的解析のためのHUMANn2/Diamond）、アセンブリ（MetaSPAdes、MetaBAT2）、および後処理レポート生成。
• バージョンツリーとハッシュベースの再現性を用いて、モジュールのバージョン、上流依存関係、サブプログラムのバージョンを段階的に追跡する、多層構造のバージョニングシステムを採用しています。
• 系統的および機能的プロファイルの次元削減にはUMAPが使用され、関係性の可視化が行われます。
• CSV形式のプロジェクトレベルの要約レポートを生成し、Python APIを介したプログラム的アクセスもサポートしています。

実験結果

リサーチクエスチョン

• RQ1 標準的で再現性のあるパイプラインは、大規模メタゲノム研究における一貫性の向上と摩擦低減に寄与するか？
• RQ2 環境マイクロバイオームにおける系統的および機能的プロファイルは、どの程度サンプル間で相関しているか？
• RQ3 推定された平均ゲノムサイズと微生物集団の機能的容量の間に測定可能な関係があるか？
• RQ4 バージョン管理されたモジュラーパイプラインは、メタゲノム分野における再現性とプロジェクト間比較可能性をどの程度向上させるか？
• RQ5 統合されたマルチツール分析を統一されたパイプライン内で実行することで、メタゲノムデータに新たな生態的関係を解き明かすことができるか？

主な発見

• CAPは、ツール使用、ファイル構造、バージョニングの標準化により、大規模メタゲノムプロジェクト全体で一貫した再現性のある解析を可能にしました。
• 1,521個の環境サンプルにおいて、機能的プロファイルの第二主成分と推定平均ゲノムサイズとの間に弱いが統計的に有意な相関（Spearmanのrho = 0.24、p < 2e-16）が観察されました。
• UMAPで可視化されたように、類似した系統的プロファイルを示すサンプルは、一般的に類似した機能的プロファイルを示しており、系統と機能の間に検出可能な関係があることが示唆されました。
• PathoMAPプロジェクトの1,521個のメタゲノムサンプルを、最小限のユーザー介入で正常に処理したことで、スケーラビリティの高さが実証されました。
• バージョンツリーとハッシュベースの追跡を含むバージョニングシステムにより、パイプライン実行およびツールバージョンの完全な再現性が保証されました。
• CAPは柔軟なカスタマイズをサポートしており、最小限の設定変更でツールやデータベースの交換が可能となっています。