[论文解读] Assembling large, complex environmental metagenomes

Adina Howe, Janet Jansson+4 more|arXiv (Cornell University)|Dec 12, 2012

Genomics and Phylogenetic Studies参考文献 23被引用 7

一句话总结

本文提出一种基于数字归一化和分区的可扩展从头宏基因组组装流程，通过降低计算负载同时保持基因组恢复率，实现高效处理。该方法应用于人体肠道和土壤宏基因组，与未过滤组装相比，相似度超过95%，尽管在匹配的玉米田和草原土壤中功能谱相似，但揭示了显著的系统发育差异。

ABSTRACT

The large volumes of sequencing data required to sample complex environments deeply pose new challenges to sequence analysis approaches. De novo metagenomic assembly effectively reduces the total amount of data to be analyzed but requires significant computational resources. We apply two pre-assembly filtering approaches, digital normalization and partitioning, to make large metagenome assemblies more comput\ ationaly tractable. Using a human gut mock community dataset, we demonstrate that these methods result in assemblies nearly identical to assemblies from unprocessed data. We then assemble two large soil metagenomes from matched Iowa corn and native prairie soils. The predicted functional content and phylogenetic origin of the assembled contigs indicate significant taxonomic differences despite similar function. The assembly strategies presented are generic and can be extended to any metagenome; full source code is freely available under a BSD license.

研究动机与目标

• 为解决因数据量庞大和多样性高而导致大型复杂环境宏基因组组装计算不可行的问题。
• 评估通过数字归一化和分区进行预组装过滤是否能保留基因组内容和准确性，相较于未过滤组装。
• 实现对大型土壤宏基因组（特别是匹配的爱荷华州玉米田和原生草原土壤）的从头组装，而传统组装工具在未过滤数据上无法处理。
• 比较在生态上截然不同的土壤中，尽管功能潜力相似，其组装出的序列片段在功能和系统发育组成上的差异。

提出的方法

• 数字归一化通过丢弃冗余的高覆盖度读段，降低测序深度，从而提升计算效率并改善错误校正。
• 分区基于传递连通性将组装图分解为更小的连通分量，实现并行和可扩展的组装。
• 该流程在使用 Velvet、SOAPdenovo 和 Meta-IDBA 等组装工具对模拟和真实环境数据集进行从头组装前应用这些过滤方法。
• 通过将组装结果与参考基因组的序列恢复率、读段比对率以及来自未过滤和过滤数据集的丰度估计值进行比较，验证组装质量。
• 通过 SEED 分系统进行系统发育和功能注释，以比较不同土壤宏基因组之间的分类和功能谱。
• 使用配对 t 检验对过滤和未过滤组装的丰度估计值与参考基因组覆盖度进行统计验证。

实验结果

研究问题

• RQ1 在大型宏基因组数据集中，数字归一化和分区是否能在降低计算负载的同时保留基因组内容和组装准确性？
• RQ2 在参考基因组恢复率和序列片段长度分布方面，过滤后的组装与未过滤组装相比如何？
• RQ3 尽管功能谱相似，匹配的玉米田和草原土壤宏基因组在系统发育起源上有多大程度的差异？
• RQ4 所提出的流程是否能成功组装原本在未过滤形式下无法处理的大型复杂土壤宏基因组？
• RQ5 与未过滤组装相比，过滤组装的丰度估计值是否显著更接近预期值？

主要发现

• 数字归一化和分区使数据集规模减少 40%（移除 590 万个读段），但仍保留了 91% 的参考基因组覆盖度，而未过滤数据集为 93%。
• 过滤组装恢复了 43–45% 的参考基因组，且在多个组装工具下与未过滤组装的基因组内容相似度达 95%。
• 未过滤的爱荷华州玉米田和草原土壤数据集无法用标准工具组装，但经过过滤/分区处理后，成功生成了每份 180 万至 310 万个序列片段。
• 尽管系统发育组成存在显著差异，爱荷华州玉米田和草原土壤宏基因组的功能谱高度相似，SEED 分系统注释相似度达 98%。
• 读段比对结果显示，玉米土壤中 9.7% 的配对末端读段和 8.4% 的单端读段，以及草原土壤中 11.2% 的配对末端读段和 9.5% 的单端读段，可比对到组装出的序列片段。
• 单侧配对 t 检验证实，过滤组装的丰度估计值显著更接近预测的参考基因组丰度（p = 0.032），表明准确性有所提升。