[논문 리뷰] OptimOTU: Taxonomically aware OTU clustering with optimized thresholds and a bioinformatics workflow for metabarcoding data

Brendan Furneaux, Sten Anslan외 5명|ArXiv.org|2025. 02. 14.

Environmental DNA in Biodiversity Studies인용 수 3

한 줄 요약

OptimOTU는 분류군별 임계값을 최적화하고 전체 Illumina 메타바코딩 워크플로우를 통합하는 분류군 인식 OTU 클러스터링 알고리즘을 도입하여 크고 다양한 데이터 세트를 확장 가능한 방식으로 처리할 수 있게 한다.

ABSTRACT

To turn environmentally derived metabarcoding data into community matrices for ecological analysis, sequences must first be clustered into operational taxonomic units (OTUs). This task is particularly complex for data including large numbers of taxa with incomplete reference libraries. OptimOTU offers a taxonomically aware approach to OTU clustering. It uses a set of taxonomically identified reference sequences to choose optimal genetic distance thresholds for grouping each ancestor taxon into clusters which most closely match its descendant taxa. Then, query sequences are clustered according to preliminary taxonomic identifications and the optimized thresholds for their ancestor taxon. The process follows the taxonomic hierarchy, resulting in a full taxonomic classification of all the query sequences into named taxonomic groups as well as placeholder "pseudotaxa" which accommodate the sequences that could not be classified to a named taxon at the corresponding rank. The OptimOTU clustering algorithm is implemented as an R package, with computationally intensive steps implemented in C++ for speed, and incorporating open-source libraries for pairwise sequence alignment. Distances may also be calculated externally, and may be read from a UNIX pipe, allowing clustering of large datasets where the full distance matrix would be inconveniently large to store in memory. The OptimOTU bioinformatics pipeline includes a full workflow for paired-end Illumina sequencing data that incorporates quality filtering, denoising, artifact removal, taxonomic classification, and OTU clustering with OptimOTU. The OptimOTU pipeline is developed for use on high performance computing clusters, and scales to datasets with millions of reads per sample, and tens of thousands of samples.

연구 동기 및 목표

• 특정 분류군의 유전적 변이와 불완전한 참고 라이브러리를 고려하여 OTU 클러스터링의 개선을 촉진한다.
• 조상 분류군별로 클러스터링 임계값을 최적화하여 분류체계와 더 잘 일치하도록 하는 알고리즘을 개발한다.
• 원시 리드에서 분류군에 기반한 OTU 및 자리표시된 의사분류군까지의 전체적이고 확장 가능한 파이프라인을 제공한다.
• 효율성을 위한 기존 분류 식별 도구 및 오픈 소스 거리 측정값과의 통합을 가능하게 한다.

제안 방법

• 세 단계로 구성된 OptimOTU 클러스터링 알고리즘을 도입: 임계값 최적화, 예비 분류 식별, 계층적 클러스터링.
• AMI(조정된 상호정보량)를 사용하여 계급 간 분류를 비교하고 계급별로 특정한 컷 임계값을 결정하여 임계값을 최적화한다.
• 유사계층에 따라 닫힌 참조와 신생(데 노보) 단계를 포함하는 분류군 기반 계층 구조를 사용하여 쿼리를 클러스터링하고 이름이 부여된 분류군과 의사분류군을 생성한다.
• 다중 내부 방법(Hamming, Edlib, WFA2)이나 외부 거리 행렬을 통해 거리 계산을 구현하고, 성능 향상을 위한 USEARCH 통합을 선택적으로 지원한다.
• 디폴트로 트리 기반 클러스터링 알고리즘을 제공하고 동시 실행, 병합 및 계층적 모드를 포함한 병렬화 전략을 지원한다.
• 품질 필터링, 노이즈 제거, 키메라 제거 및 분류군 기반 클러스터링을 포함하여 쌍대 엔드 Illumina 데이터를 처리하는 종단 간 OptimOTU 파이프라인으로 래핑한다.

실험 결과

연구 질문

• RQ1 다양한 분류군에 걸쳐 단일 임계값 방법보다 계급별 임계값 최적화를 통한 분류군 인식의 OTU 클러스터링 정확도를 향상시킬 수 있는가?
• RQ2 예비 분류 식별을 도입하는 것이 불완전한 참고 라이브러리를 가진 데이터 세트에서 클러스터링 효율성과 정확도에 어떤 영향을 미치는가?
• RQ3 대규모 메타바코딩 데이터 세트(수백만 리드, 다수 샘플)에서 전통적 워크플로우와 비교했을 때 OptimOTU의 성능 및 확장성 특성은 무엇인가?
• RQ4 다른 거리 계산 및 클러스터링 구성들이 결과 OTU 분할과 하류 생태학적 분석에 어떤 영향을 미치는가?

주요 결과

• OptimOTU는 조상 분류군별로 최적화된 임계값을 사용하여 분류군 인도 클러스터링을 수행하고 계통학과의 합치를 각 계급에서 개선한다.
• 파이프라인은 품질 필터링, 노이즈 제거, 인공물 제거 및 계층적 클러스터링을 통합하고 필요 시 명명된 분류군과 의사분류군을 생성한다.
• 클러스터링은 대규모 데이터 세트를 지원하고 HPC 클러스터에서의 처리을 가능하게 하며 기본 알고리즘은 트리 기반이고 다수의 병렬화 전략이 있다.
• 거리는 내부에서 계산되거나 외부 소스에서 읽을 수 있으며, ITS와 같은 복잡한 마커의 속도를 위해 USEARCH 기반 옵션도 포함된다.
• 이 워크플로우는 원시 리드에서 OTU 수준의 분류학적 할당까지의 Illumina 쌍대 엔드 파이프라인을 제공하며, 곰팡이 ITS2와 절족생물 COI 분석에 적합하다.