[论文解读] MetaPalette: A $k$-mer painting approach for metagenomic taxonomic profiling and quantification of novel strain variation

David Koslicki, Daniel Falush|arXiv (Cornell University)|Feb 17, 2016

Genomics and Phylogenetic Studies被引用 4

一句话总结

MetaPalette 引入了一种基于 k-mer 绘画的方法用于宏基因组分类学分析，采用长 k-mer（k=30,50）将样本的 k-mer 频率与参考生物体的色板进行匹配，从而实现对新型菌株水平变异的精确检测与定量。该方法在分类学分析中达到最先进水平的准确性，并通过包含假设生物体的线性混合模型重建进化关系，优于现有方法在识别高度分化、非参考菌株方面的表现。

ABSTRACT

Metagenomic profiling is challenging in part because of the highly uneven sampling of the tree of life by genome sequencing projects and the limitations imposed by performing phylogenetic inference at fixed taxonomic ranks. We present the algorithm MetaPalette which uses long $k$-mer sizes ($k=30, 50$) to fit a $k$-mer "palette" of a given sample to the $k$-mer palette of reference organisms. By modeling the $k$-mer palettes of unknown organisms, the method also gives an indication of the presence, abundance, and evolutionary relatedness of novel organisms present in the sample. The method returns a traditional, fixed-rank taxonomic profile which is shown on independently simulated data to be one of the most accurate to date. Tree figures are also returned that quantify the relatedness of novel organisms to reference sequences and the accuracy of such figures is demonstrated on simulated spike-ins and a metagenomic soil sample. The software implementing MetaPalette is available at: https://github.com/dkoslicki/MetaPalette. Pre-trained databases are included for Archaea, Bacteria, Eukaryota, and viruses.

研究动机与目标

• 为解决宏基因组样本中包含未在参考数据库中表示的新型、高度分化的生物体所带来的分类学分析挑战。
• 通过建模未知生物体的 k-mer 色板，将菌株水平的分类分辨率提升至属或种以上。
• 开发一种方法，用于量化未知生物体相对于参考序列的丰度及其进化亲缘关系。
• 克服基于标记基因的方法和 k-mer 频率方法在检测高度分化菌株方面的局限性。
• 提供一种灵活且具有生物学依据的分类学分配方法，通过基于 LCA 的映射将假设生物体整合到分类层级中。

提出的方法

• 该方法通过统计每个参考生物体基因组中所有 k-mer（k=30,50）来构建其 k-mer 色板。
• 将宏基因组样本的 k-mer 组成建模为参考生物体色板与不同遗传距离下假设生物体色板的线性混合。
• 采用带有 Tikhonov 正则化（Tikhonov 参数 λ=200）的非负最小二乘优化，以估计每个参考生物体和假设生物体的丰度。
• 该算法通过稀疏、非负解识别出最可能贡献于样本 k-mer 色板的生物体集合。
• 分类学分配通过将解向量中的非零项映射到最近参考生物体的最低共同祖先（LCA）实现，从而实现具有生物学意义的分类等级分配。
• 该方法支持多种 k-mer 尺寸，并利用参考数据库中的所有 k-mer，避免依赖于唯一或标记性 k-mer。

实验结果

研究问题

• RQ1 基于长 k-mer（k=30,50）的 k-mer 绘画方法能否在未包含于参考数据库的新型菌株水平变异下，实现对宏基因组样本的高精度分类学分析？
• RQ2 该方法在量化未知生物体相对于参考序列的丰度及其进化亲缘关系方面表现如何？
• RQ3 与固定等级或基于标记的方法相比，使用包含假设生物体的线性混合模型是否能提升分类学分辨率？
• RQ4 该方法能否在保持高分类学分析精度的同时，为新型生物体生成可靠的系统发育树？
• RQ5 在模拟和真实宏基因组数据中，MetaPalette 在检测和量化高度分化菌株方面的性能与现有方法相比如何？

主要发现

• 在独立模拟数据上，MetaPalette 达到了迄今为止最精确的分类学分析结果，在菌株水平分辨率上优于现有方法。
• 在含有 50K 个模拟读取的加标实验中，该方法成功检测并量化了与参考菌株遗传差异高达 30% 的新型生物体。
• 在模拟的土壤宏基因组样本中，MetaPalette 准确重建了进化关系，邻接法构建的系统发育树对新型生物体与其最近亲缘关系生物体的正确聚类具有较高的自 resampling 支持度（≥50%）。
• 该算法通过基于 LCA 的方法正确分配了分类学等级，且通过结合固定等级与 LCA 映射的混合方法，显著提升了敏感度与特异度。
• 对于病毒、细菌、古菌和真核生物门，MetaPalette 在各类群中均保持了高精度，且在 HMP 模拟群落加标实验中一致表现出对新型生物体的高效检测能力。
• 使用长 k-mer（k=50）显著提升了特异性，并实现了对菌株水平变异的稳健检测，即使在参考生物体亲缘关系较远的情况下亦然。