[论文解读] PhaBOX: A web server for identifying and characterizing phage contigs in metagenomic data

Jiayu Shang, Cheng Peng+3 more|arXiv (Cornell University)|Mar 28, 2023

Bacteriophages and microbial interactionsEnvironmental Science被引用 3

一句话总结

PhaBOX 是一个网络服务器，通过优化的、用户友好的工具，将宏基因组数据中的噬菌体片段识别、生活方式预测、分类学分类和宿主预测整合在一起。与单独运行各个工具相比，它将端到端噬菌体分析速度提高了 40%，并通过序列同源性和蛋白质组织等关键特征的可视化，提供透明且可解释的结果。

ABSTRACT

Motivation: There is accumulating evidence showing the important roles of bacteriophages (phages) in regulating the structure and functions of the microbiome. However, lacking an easy-to-use and integrated phage analysis software hampers microbiome-related research from incorporating phages in the analysis. Results: In this work, we developed a web server, PhaBOX, which can comprehensively identify and analyze phage contigs in metagenomic data. It supports integrated phage analysis, including phage contig identification from the metagenomic assembly, lifestyle prediction, taxonomic classification, and host prediction. Instead of treating the algorithms as a black box, PhaBOX also supports visualization of the essential features for making predictions. The web server is designed with a user-friendly graphical interface that enables both informatics-trained and non-specialist users to analyze phages in microbiome data with ease. Availability: The web server of PhaBOX is available via: https://phage.ee.cityu.edu.hk. The source code of PhaBOX is available at: https://github.com/KennthShang/PhaBOX Contact: [e-mail]

研究动机与目标

• 解决宏基因组数据中噬菌体分析缺乏集成化、用户友好平台的问题。
• 降低安装和运行多个独立噬菌体分析工具所带来的计算和技术负担。
• 提供对序列同源性、蛋白质组织等关键预测特征的透明、可视化解释。
• 使生物信息学专家和非专业人员都能高效地完成全面的噬菌体表征。
• 通过最先进的方法的优化整合，提升分析速度和准确性。

提出的方法

• PhaBOX 采用模块化网络架构，后端基于 Flask，前端基于 JavaScript/CSS/Bootstrap 实现用户交互。
• 集成四个核心模块：噬菌体识别（PhaMer）、生活方式预测（PhaTYP）、分类学分类（PhaGCN）和宿主预测（CHERRY）。
• 每个模块结合基于比对的方法与深度学习技术，包括用于序列模式学习的 Transformer 模型，以及用于基于知识图谱的特征提取的图卷积网络（GCNs）。
• 序列相似性通过 BlasterJS 可视化，蛋白质特征通过 pViz 展示，拓扑结构通过 R 中的 Plotly 可视化。
• 系统支持完整流程和选择性模块执行，通过优化的数据库查询和多线程处理提升性能。
• 所有预测结果和中间结果均被存储并可下载，结果可通过用户友好的界面访问。

实验结果

研究问题

• RQ1 集成化的网络服务器是否能比独立工具更高效地简化宏基因组数据中噬菌体片段的识别与表征？
• RQ2 与按顺序运行独立工具相比，PhaBOX 在处理速度上提升了多少？
• RQ3 预测结果在多大程度上透明且可解释，特别是对蛋白质同源性和序列相似性等关键生物学特征的可视化？
• RQ4 PhaBOX 是否能在包括短片段和高度分歧片段在内的多样化数据集中，准确预测噬菌体的生活方式、分类学归属和宿主范围？
• RQ5 PhaBOX 的模块化设计在多大程度上支持了不同生物信息学专业水平研究人员的灵活使用？

主要发现

• 对于 145 个样本中的 129,138 个片段，PhaBOX 将总分析时间从单独使用工具的 328 分钟减少至 216 分钟，实现了 40% 的速度提升。
• 该平台在 18 个家族中识别出 4,851 个噬菌体片段，感染了 211 种不同的宿主物种，展示了广泛的检测能力。
• PhaBOX 在噬菌体识别、生活方式预测、分类学分类和宿主预测方面均表现出高准确性，在 RefSeq、低相似性及宏基因组数据等基准数据集上优于现有工具。
• 通过集成可视化工具（如 BlasterJS、pViz、Plotly），用户能够检查蛋白质同源性和序列相似性等关键特征，显著提升了结果的可解释性。
• 系统支持完整分析和选择性模块执行，增强了对多样化用户需求的适应性。
• 该网络服务器公开访问地址为 https://phage.ee.cityu.edu.hk，源代码托管于 GitHub，确保了可访问性和可重复性。