[论文解读] The MetaSUB Microbiome Core Analysis Pipeline Enables Large Scale Metagenomic Analysis

David Danko, Chris Mason|arXiv (Cornell University)|Sep 25, 2020

Genomics and Phylogenetic Studies被引用 9

一句话总结

MetaSUB核心分析流程（CAP）是一种标准化、可复现的大规模宏基因组分析框架，将Kraken2、HUMANn2和MetaSPAdes等成熟工具整合为统一工作流。该框架实现了稳定的质控、分类和功能谱分析，并可估算基因组大小，关键结果表明环境微生物组中平均基因组大小与功能谱变异之间存在弱但显著的皮尔逊等级相关性（*rho* = 0.24，*p* < 2e-16）。

ABSTRACT

Motivation: Accurate data analysis and quality control is critical for metagenomic studies. Though many tools exist to analyze metagenomic data there is no consistent framework to integrate and run these tools across projects. Currently, computational analysis of metagenomes is time consuming, often misses potentially interesting results, and is difficult to reproduce. Further, comparison between metagenomic studies is hampered by inconsistencies in tools and databases. Results: We present the MetaSUB Core Analysis Pipeline (CAP) a comprehensive tool to analyze metagenomes and summarize the results of a project. The CAP is designed in a bottom up fashion to perform QC, preprocessing, analysis and even to build relevant databases and install necessary tools. Availability and Implementation: The CAP is available under an MIT License on GitHub at https://github.com/MetaSUB/CAP2 and on the Python Package Index. Documentation and examples are available on GitHub.

研究动机与目标

• 解决因临时开发分析流程和工具差异导致的宏基因组分析结果不一致问题。
• 通过提供标准化、版本化的分析框架，降低研究摩擦并提升宏基因组研究的可复现性。
• 通过统一数据处理、工具使用和数据库管理，实现跨项目比较。
• 通过在一个工作流中整合多种分析工具（如分类、功能和基因组大小分析），支持新型生态学洞见的发现。
• 提供灵活可扩展的框架，使用户能够以最少的配置更改替换工具或数据库。

提出的方法

• CAP以基于Python的管道实现，各模块对应特定分析步骤或工具。
• 自动化依赖项安装（通过PyPI/Conda）和数据库构建或下载，缺省使用版本化数据库。
• 该流程包含五个阶段：质量控制（FastQC、MultiQC）、预处理（去除接头、去除宿主DNA、纠错）、短读长分析（Kraken2/Bracken用于分类，HUMANn2/Diamond用于功能）、组装（MetaSPAdes、MetaBAT2）以及下游报告生成。
• 采用多层版本控制系统，通过版本树和基于哈希的追踪技术，记录模块版本、上游依赖项和子程序版本，确保可复现性。
• 使用UMAP对分类和功能谱进行降维，以可视化其相互关系。
• 生成项目级汇总报告（CSV格式），并通过Python API支持程序化访问。

实验结果

研究问题

• RQ1 标准化、可复现的分析流程是否能提升大规模宏基因组研究的一致性并降低研究摩擦？
• RQ2 在环境微生物组中，分类谱和功能谱在样本间相关性如何？
• RQ3 微生物群落中估计的平均基因组大小与功能容量之间是否存在可测量的关系？
• RQ4 版本化、模块化的分析流程在多大程度上能提升宏基因组研究的可复现性和跨项目可比性？
• RQ5 在统一工作流中集成多工具分析是否能揭示宏基因组数据中的新型生态关系？

主要发现

• CAP通过标准化工具使用、文件结构和版本控制，实现了在大规模宏基因组项目中的一致且可复现的分析。
• 在1,521个环境样本中，功能谱的第二主成分与估计的平均基因组大小之间观察到弱但具有统计学显著性的相关性（Spearman等级相关系数 *rho* = 0.24，*p* < 2e-16）。
• 分类谱相似的样本（通过UMAP可视化）也倾向于具有相似的功能谱，表明分类与功能之间存在可检测到的关系。
• 该流程成功处理了来自PathoMAP项目的1,521个宏基因组样本，用户干预极少，证明了其可扩展性。
• 版本控制系统（包括版本树和基于哈希的追踪）确保了管道运行和工具版本的完全可复现性。
• CAP支持灵活定制，用户可轻松替换工具或数据库，且仅需极少配置更改。