[논문 리뷰] Phage family classification under Caudoviricetes: a review of current tools using the latest ICTV classification framework

Yilin Zhu, Jiayu Shang외 2명|arXiv (Cornell University)|2022. 09. 05.

Bacteriophages and microbial interactions인용 수 5

한 줄 요약

이 연구는 Caudoviricetes의 업데이트된 2022년 ICTV 분류 프레임워크 하에서 네 가지 페지 가족 분류 도구—PhaGCN, CAT, MMseqs2, vConTACT 2.0—의 평가 및 비교를 수행한다. 새로 레이블링된 데이터베이스로 재학습한 후, 다양한 데이터셋에서 테스트한 결과, PhaGCN는 3,000bp 이상의 짧은 컨티그에서 가장 높은 예측률을 기록했으며, CAT와 MMseqs2는 짧은 서열에서 뛰어난 속도와 강건성을 보였으며, 모든 도구가 더 공통성이 높은 새로운 가족 프레임워크에서 정확도가 향상됨을 확인했다.

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.

연구 동기 및 목표

• 2022년 ICTV Caudoviricetes 분류 프레임워크로 업데이트된 최신 기준 하에서 기존 페지 가족 분류 도구의 성능 평가.
• 바이러스 메타게놈 시퀀싱과 분류 간의 증가하는 격차를 해소하기 위해 실제 세계의 다양한 데이터셋에서 도구를 테스트함으로써 문제 해결.
• 데이터 유형(완전 게놈, 컨티그, 저유사도 서열)과 성능 지표(정확도, 예측률, 속도)에 기반한 최적의 분류 파이프라인 선택을 위한 실용적 지침 제공.
• 최신 ICTV 분류 체계를 반영한 새로 레이블링된 데이터베이스를 기반으로 최신 기술인 PhaGCN, CAT, MMseqs2, vConTACT 2.0 도구를 재학습하고 벤치마킹.
• 저유사도 또는 짧은 컨티그 입력과 같은 데이터 분포의 변화에 대한 도구의 강건성 평가 및 외부 분포 또는 희귀 속에 대한 처리 한계점 규명.

제안 방법

• 2022년 ICTV Caudoviricetes 분류 기준에 따라 레이블링된 새로 총정리된 데이터베이스를 기반으로 네 가지 분류 도구—PhaGCN, CAT, MMseqs2, vConTACT 2.0—를 재학습.
• RefSeq 완전 게놈, 짧은 컨티그(3,000–5,000bp), 시뮬레이션된 메타게놈 데이터셋, 저유사도 서열을 포함한 다양한 데이터셋에서 도구 성능 평가.
• 외부 가족에 대한 예측 성능 평가를 위해 '한 가족씩 제외한 교차검증'을 적용하여, 특히 희귀 또는 새로운 가족에 대한 민감도 분석.
• CPU 수 변화에 따라 정확도, 예측률, 실행 시간을 측정하여 계산 효율성 평가.
• 동일한 벤치마킹 프레임워크 하에서 정렬 기반 방법(MMseqs2, CAT)과 딥러닝 기반(PhaGCN), 네트워크 기반(vConTACT 2.0) 접근 방식 간 비교.
• 표준 지표인 F1 점수 및 정확도를 사용하고, 데이터 분포 이탈 상황에서의 성능 저하 분석.

실험 결과

연구 질문

• RQ1 현재 페지 가족 분류 도구들은 이전 시스템 대비 업데이트된 2022년 ICTV Caudoviricetes 분류 프레임워크 하에서 어떻게 성능을 발휘하는가?
• RQ2 짧은 컨티그(3,000–5,000bp)와 매우 짧은 컨티그(<2,000bp)에서 가장 높은 정확도와 예측률을 기록하는 도구는 무엇인가?
• RQ3 기본 게놈과 저유사도 서열을 분류할 경우 성능이 어떻게 저하되는가? 이러한 상황에서 가장 강건한 도구는 무엇인가?
• RQ4 학습 데이터의 분포 차이가 분류 정확도에 미치는 영향은 무엇이며, 특히 정렬 기반 도구와 딥러닝 기반 도구 간에 어떻게 다를까?
• RQ5 여러 CPU를 사용해 대규모 데이터셋을 처리할 때 계산 효율성 측면에서 도구 간 성능은 어떻게 비교되는가?

주요 결과

• PhaGCN는 3,000bp 이상의 짧은 컨티그에서 가장 높은 예측률(90% 이상)을 기록했으며, 이 분야에서 CAT, MMseqs2, vConTACT 2.0를 모두 앞섰다.
• CAT는 RefSeq 완전 게놈에서 가장 높은 정확도(92.5%)를 기록했으며, 짧은 컨티그에서는 정확도가 6% 감소했지만, 이 데이터 유형에서 PhaGCN를 능가했다.
• MMseqs2는 가장 빠른 처리 시간을 보였으며, 4개의 CPU를 사용해 500개의 완전한 페지 분류를 2분 이내에 완료해 고처리량 응용에 이상적이다.
• vConTACT 2.0는 완전 게놈에서 가장 높은 예측률(92%)을 기록했지만, 유전자 공유 유의미도 점수가 낮아 짧은 컨티그에서는 성능 저하를 보였으며, 완전 게놈 대비 짧은 컨티그에서 정확도가 10% 감소했다.
• 모든 도구가 새로운 ICTV 프레임워크 하에서 정확도가 향상되었으며, 이는 더 공통성이 높은 가족 구조로 인해 가족 수준의 분류 가능성이 향상되었음을 시사한다.
• PhaGCN는 저유사도 서열과 데이터 분포 이탈에 가장 강건했으며, 훈련 데이터에서 크게 떨어진 시험 서열에서도 안정된 성능을 유지했다.