[论文解读] Phage family classification under Caudoviricetes: a review of current tools using the latest ICTV classification framework

Yilin Zhu, Jiayu Shang+2 more|arXiv (Cornell University)|Sep 5, 2022

Bacteriophages and microbial interactions被引用 5

一句话总结

本研究在2022年ICTV更新的Caudoviricetes分类框架下，评估并比较了四种噬菌体家族分类工具——PhaGCN、CAT、MMseqs2和vConTACT 2.0。在使用新标注的数据库重新训练后，工具在多样化数据集上进行了测试，结果显示PhaGCN在短序列（>3,000 bp）上的预测率最高，而CAT和MMseqs2在短序列上表现出更优的速度与鲁棒性，所有工具在更保守的新家族框架下均显示出更高的准确性。

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.

研究动机与目标

• 在2022年ICTV更新的Caudoviricetes分类框架下，评估现有噬菌体家族分类工具的性能。
• 通过在多样化的真实世界数据集上测试工具，解决病毒宏基因组测序与分类学分类之间日益扩大的差距。
• 根据数据类型（完整基因组、序列片段、低相似性序列）和性能指标（准确性、预测率、速度），为选择最优分类流程提供实用指导。
• 在反映最新ICTV分类法的新标注数据库上，对四种最先进的工具——PhaGCN、CAT、MMseqs2和vConTACT 2.0——进行重新训练与基准测试。
• 评估工具在数据偏差（包括低相似性和短序列输入）下的鲁棒性，并识别其在处理分布外或稀有分类群时的局限性。

提出的方法

• 在根据2022年ICTV Caudoviricetes分类法新标注的数据库上，对四种分类工具——PhaGCN、CAT、MMseqs2和vConTACT 2.0——进行重新训练。
• 在多个数据集上评估工具表现：RefSeq完整基因组、短序列片段（3,000–5,000 bp）、模拟宏基因组数据集以及低相似性序列。
• 采用留一类别交叉验证方法，评估工具在分布外序列上的性能，特别关注对稀有或新家族的敏感性。
• 通过测量不同CPU数量下的准确率、预测率和运行时间，评估计算效率。
• 在相同基准测试框架下，比较基于比对的方法（MMseqs2、CAT）与基于深度学习（PhaGCN）和基于网络（vConTACT 2.0）的方法。
• 采用标准指标如F1-score和准确率，并分析在数据分布偏移下的性能退化情况。

实验结果

研究问题

• RQ1 与旧系统相比，当前噬菌体家族分类工具在2022年ICTV Caudoviricetes更新分类框架下的表现如何？
• RQ2 在短序列（3,000–5,000 bp）和极短序列（<2,000 bp）上，哪一工具的准确率和预测率最高？
• RQ3 当对与参考基因组相似性较低的序列进行分类时，性能如何退化？在这些情况下，哪一工具最具鲁棒性？
• RQ4 训练数据偏差对分类准确率有何影响，特别是对基于比对的工具与基于深度学习的工具而言？
• RQ5 在使用多核CPU扩展至大规模数据集时，各工具在计算效率方面的表现如何比较？

主要发现

• PhaGCN在短序列（>3,000 bp）上的预测率最高（超过90%），优于CAT、MMseqs2和vConTACT 2.0。
• CAT在完整RefSeq基因组上的准确率最高（92.5%），在短序列上的准确率下降6%，在该数据类型上优于PhaGCN。
• MMseqs2处理速度最快，使用4个CPU在2分钟内完成500个完整噬菌体的分类，适用于高通量应用。
• vConTACT 2.0在完整基因组上的预测率最高（92%），但因基因共享显著性评分较低，在短序列上表现不佳，导致在短序列上的准确率相比完整基因组下降10%。
• 所有工具在新ICTV框架下均表现出更高的准确性，该框架家族更具保守性，表明更新的分类系统提升了家族水平分类的可行性。
• PhaGCN对低相似性序列和数据分布偏移最具鲁棒性，在测试序列与训练数据高度偏离时仍能保持稳定性能。