[论文解读] Taxator-tk: Fast and Precise Taxonomic Assignment of Metagenomes by Approximating Evolutionary Neighborhoods

Johannes Dröge, Ivan Gregor+1 more|arXiv (Cornell University)|Apr 3, 2014

Genomics and Phylogenetic Studies参考文献 4被引用 5

一句话总结

Taxator-tk 是一种快速且准确的软件工具，通过序列相似性近似进化邻域，实现宏基因组序列的分类学归属。它在所有分类学等级和序列长度下均实现高精度，使用 RefSeq 作为参考，在 10 核系统上每天可高效处理 6 GB 数据，且不受标记基因扩增或拷贝数变异的影响。

ABSTRACT

Metagenomics characterizes microbial communities by random shotgun sequencing of DNA isolated directly from an environment of interest. An essential step in computational metagenome analysis is taxonomic sequence assignment, which allows us to identify the sequenced community members and to reconstruct taxonomic bins with sequence data for the individual taxa. We describe an algorithm and the accompanying software, taxator-tk, which performs taxonomic sequence assignments by fast approximate determination of evolutionary neighbors from sequence similarities. Taxator-tk was precise in its taxonomic assignment across all ranks and taxa for a range of evolutionary distances and for short sequences. In addition to the taxonomic binning of metagenomes, it is well suited for profiling microbial communities from metagenome samples becauseit identifies bacterial, archaeal and eukaryotic community members without being affected by varying primer binding strengths, as in marker gene amplification, or copy number variations of marker genes across different taxa. Taxator-tk has an efficient, parallelized implementation that allows the assignment of 6 Gb of sequence data per day on a standard multiprocessor system with ten CPU cores and microbial RefSeq as the genomic reference data.

研究动机与目标

• 开发一种方法，用于在广泛进化距离下，对宏基因组序列实现快速且准确的分类学归属。
• 克服传统 16S rRNA 基因分析中因标记基因扩增和拷贝数变异带来的偏差。
• 实现在标准计算硬件上高效处理大规模宏基因组数据集。
• 在不预先知晓群落组成的情况下，同时对细菌、古菌和真核生物实现精确的分类学分组。

提出的方法

• 通过序列相似性近似进化邻域，避免完全系统发育树重建的需要。
• 采用 k-mer 方法，通过将查询序列与参考基因组比较，识别进化邻居。
• 采用并行化实现，可在多核系统上高效扩展，实现高通量处理。
• 依赖 RefSeq 数据库作为分类学归属的参考基因组资源。
• 整合分层分类策略，基于与已知参考序列的相似性传播分类标签。
• 不依赖标记基因，可直接对任何测序片段进行分类，无论其基因组成如何。

实验结果

研究问题

• RQ1 仅依靠序列相似性，是否足以近似进化邻域，从而在广泛分类群中实现准确的分类学归属？
• RQ2 Taxator-tk 在短序列和不同进化距离下的分类学归属准确性如何？
• RQ3 该方法在不牺牲精度的前提下，能在标准硬件上实现多大程度的高效扩展？
• RQ4 Taxator-tk 是否能可靠地对细菌、古菌和真核生物序列进行分类，且不受标记基因扩增或拷贝数变异的影响？
• RQ5 在大规模宏基因组数据集上，Taxator-tk 的速度和准确性与现有工具相比如何？

主要发现

• Taxator-tk 在所有分类学等级和不同长度的序列中均实现了高精度的分类学归属。
• 该工具在标准 10 核系统上，使用微生物 RefSeq 数据库，每天可处理 6 GB 的序列数据。
• 其性能在广泛进化距离下表现稳健，即使在短序列中也保持高精度。
• 该方法在识别细菌、古菌和真核生物群落成员方面有效，且不受引物偏差或标记基因拷贝数变异的影响。
• 并行化实现使大规模宏基因组数据集的处理高效，且无需专用硬件。
• 基于进化邻域近似的策略在分类学覆盖范围和一致性方面优于传统的基于标记基因的方法。