メタゲノム由来コンティグから真核生物のタンパク質配列を予測する MetaEuk

 2020 7/26 更新完了

　メタゲノミクスは、微生物とその生物学的、生物医学的、地球化学的プロセスへの関与の研究に革命をもたらしており、事前の培養を必要とせずに、膨大な数の生物を直接シーケンスして調査することが可能になっている。単細胞真核生物は、主な捕食者、分解者、光栄養剤、細菌宿主、共生体、植物や動物への寄生体として、ほとんどの微生物群集において重要な役割を果たしている。そのため、これらの役割を研究することは、生態学、バイオテクノロジー、人の健康、進化に大きな関心を寄せている。しかし、一般的にシークエンシングのカバレッジが低く、遺伝子やゲノムの構造が複雑で、真核生物に特有の実験や計算方法がないため、メタゲノミクスの傍観者として扱われてきた。
　MetaEukは、真核生物のメタゲノムコンティグにおけるタンパク質コード遺伝子のハイスループット、リファレンスベースの発見、アノテーションのためのツールキットである。可能なすべてのエクソンをカバーする6フレーム翻訳フラグメントの高速検索を行い、マッチしたものを複数のエクソンタンパク質に最適に結合する。7つの多様なアノテーションされたゲノムのベンチマークを使用して、リファレンスデータベースとの配列類似性が低い条件下でもMetaEukが高感度であることを示した。大規模なメタゲノムデータから新規の真核生物タンパク質を発見するMetaEukの能力を実証するために、Tara Oceansプロジェクトの912サンプルからコンティグを収集した。MetaEukは、10台の16コアサーバー上で8日間で1,200万以上のタンパク質コード遺伝子を予測した。発見されたタンパク質のほとんどは、既知のタンパク質と高度に乖離しており、サンプル数が非常に少ない真核生物のスーパーグループに由来するものである。

MetaEukはBUSCOのゲノムモードで、保存されたタンパク質コード遺伝子を見つけるためにも使用されています。

インストール

ubuntu18.04でテストした（CPUはxeon platinum）。

Github

ソースからコンパイルするか、静的コンパイルされたバージョンをダウンロードして使用できる（SSE4.1以上のSIMD対応CPU）。

# static build sse4.1
wget https://mmseqs.com/metaeuk/metaeuk-linux-sse41.tar.gz
tar xvfz metaeuk-linux-sse41.tar.gz
export PATH=$(pwd)/metaeuk/bin/:$PATH

# static build AVX2
wget https://mmseqs.com/metaeuk/metaeuk-linux-avx2.tar.gz
tar xvfz metaeuk-linux-avx2.tar.gz
export PATH=$(pwd)/metaeuk/bin/:$PATH

> metaeuk

$ metaeuk

MetaEuk is homology-based strategy to efficiently query many contigs assembled from metagenomic samples against a comprehensive protein/profile target database to describe their protein repertoire. It does not require preliminary binning of the contigs and makes no assumption concerning the splicing signal when searching for multi-exon proteins.

Please cite:

Levy Karin E, Mirdita M, Soding J: MetaEuk — sensitive, high-throughput gene discovery, and annotation for large-scale eukaryotic metagenomics. Microbiome (2020) 8:48.

metaeuk Version: e7e2d95f454105e5d4aa40bc221a8b18fdc1ce41

© Eli Levy Karin, eli.levy.karin@gmail.com

usage: metaeuk <command> [<args>]

Main workflows for database input/output

  predictexons      Call optimal exon sets based on protein similarity

  easy-predict      Predict protein-coding genes from contigs (fasta/database) based on similarities to targets (fasta/database) and return a fasta of the predictions in a single step

  taxtocontig       Assign taxonomic labels to predictions and aggregate them per contig

  reduceredundancy  Cluster metaeuk calls that share an exon and select representative prediction

  unitesetstofasta  Create a fasta output from optimal exon sets

  groupstoacc       Create a TSV output from representative prediction to member

An extended list of all modules can be obtained by calling 'metaeuk -h'.

> metaeuk easy-predict

$ metaeuk easy-predict

usage: metaeuk easy-predict <i:contigs> <i:targets> <o:predictionsFasta> <tmpDir> [options]

options:                             

 -s FLOAT                     Sensitivity: 1.0 faster; 4.0 fast; 7.5 sensitive [4.000]

 --max-seqs INT               Maximum results per query sequence allowed to pass the prefilter (affects sensitivity) [300]

 -a BOOL                      Add backtrace string (convert to alignments with mmseqs convertalis module) [0]

 --alignment-mode INT         How to compute the alignment:

                              0: automatic

                              1: only score and end_pos

                              2: also start_pos and cov

                              3: also seq.id

                              4: only ungapped alignment [2]

 -e FLOAT                     List matches below this E-value (range 0.0-inf) [100.000]

 --min-seq-id FLOAT           List matches above this sequence identity (for clustering) (range 0.0-1.0) [0.000]

 --min-aln-len INT            Minimum alignment length (range 0-INT_MAX) [0]

 --seq-id-mode INT            0: alignment length 1: shorter, 2: longer sequence [0]

 --alt-ali INT                Show up to this many alternative alignments [0]

 -c FLOAT                     List matches above this fraction of aligned (covered) residues (see --cov-mode) [0.000]

 --cov-mode INT               0: coverage of query and target

                              1: coverage of target

                              2: coverage of query

                              3: target seq. length has to be at least x% of query length

                              4: query seq. length has to be at least x% of target length

                              5: short seq. needs to be at least x% of the other seq. length [0]

 --max-rejected INT           Maximum rejected alignments before alignment calculation for a query is stopped [2147483647]

 --max-accept INT             Maximum accepted alignments before alignment calculation for a query is stopped [2147483647]

 --e-profile FLOAT            Include sequences matches with < e-value thr. into the profile (>=0.0) [0.001]

 --num-iterations INT         Number of iterative profile search iterations [1]

 --rescore-mode INT           Rescore diagonals with:

                              0: Hamming distance

                              1: local alignment (score only)

                              2: local alignment

                              3: global alignment

                              4: longest alignment fullfilling window quality criterion [0]

 --allow-deletion BOOL        Allow deletions in a MSA [0]

 --min-length INT             Minimum codon number in open reading frames [15]

 --max-length INT             Maximum codon number in open reading frames [32734]

 --max-gaps INT               Maximum number of codons with gaps or unknown residues before an open reading frame is rejected [2147483647]

 --contig-start-mode INT      Contig start can be 0: incomplete, 1: complete, 2: both [2]

 --contig-end-mode INT        Contig end can be 0: incomplete, 1: complete, 2: both [2]

 --orf-start-mode INT         Orf fragment can be 0: from start to stop, 1: from any to stop, 2: from last encountered start to stop (no start in the middle) [1]

 --forward-frames STR         Comma-seperated list of frames on the forward strand to be extracted [1,2,3]

 --reverse-frames STR         Comma-seperated list of frames on the reverse strand to be extracted [1,2,3]

 --translate INT              Translate ORF to amino acid [0]

 --use-all-table-starts BOOL  Use all alteratives for a start codon in the genetic table, if false - only ATG (AUG) [0]

 --id-offset INT              Numeric ids in index file are offset by this value [0]

 --add-orf-stop BOOL          Add stop codon '*' at complete start and end [0]

 --search-type INT            Search type 0: auto 1: amino acid, 2: translated, 3: nucleotide, 4: translated nucleotide alignment [0]

 --start-sens FLOAT           Start sensitivity [4.000]

 --sens-steps INT             Number of search steps performed from --start-sens to -s [1]

 --metaeuk-eval FLOAT         maximal combined evalue of an optimal set [0.0, inf] [0.001]

 --metaeuk-tcov FLOAT         minimal length ratio of combined set to target [0.0, 1.0] [0.500]

 --max-intron INT             Maximal allowed intron length [10000]

 --min-intron INT             Minimal allowed intron length [15]

 --min-exon-aa INT            Minimal allowed exon length in amino acids [11]

 --max-overlap INT            Maximal allowed overlap of consecutive exons in amino acids [10]

 --set-gap-open INT           Gap open penalty (negative) for missed target amino acids between exons [-1]

 --set-gap-extend INT         Gap extend penalty (negative) for missed target amino acids between exons [-1]

 --overlap INT                allow predictions to overlap another on the same strand. when not allowed (default), only the prediction with better E-value will be retained [0,1] [0]

 --protein INT                translate the joint exons coding sequence to amino acids [0,1] [0]

 --target-key INT             write the target key (internal DB identifier) instead of its accession. By default (0) target accession will be written [0,1] [0]

 --reverse-fragments INT      reverse AA fragments to compute under null [0,1] [0]

 --threads INT                Number of CPU-cores used (all by default) [56]

 --compressed INT             Write compressed output [0]

 -v INT                       Verbosity level: 0: quiet, 1: +errors, 2: +warnings, 3: +info [3]

examples:

 Combines the following MetaEuk modules into a single step: predictexons, reduceredundancy and unitesetstofasta

references:

 - Levy Karin E, Mirdita M, Soeding J: MetaEuk – sensitive, high-throughput gene discovery and annotation for large-scale eukaryotic metagenomics. biorxiv, 851964 (2019).

Show an extended list of options by calling 'metaeuk easy-predict -h'.

Not enough input paths provided. 4 paths are required.

実行方法

１、必要ならデータベースを作成する。

metaeuk createdb database_proteins.faa database

easy-predict

このワークフローはMetaEukのpredictexons、reduceredundancy、unitesetstofastaモジュールを1つのステップにまとめたものになる。入力はFastaファイルまたは以前に作成されたデータベース）、そしてターゲットのタンパク質配列のFastaファイルまたは以前に作成されたタンパク質またはタンパク質プロファイルのデータベースになる。

メタゲノムアセンブリのコンティグ配列をクエリにして、アミノ酸データベースを検索する。predictexonsがコンティグからタンパク質配列（最適なexon配列セット）を予測し、冗長性を除いてからfasta出力する。

metaeuk easy-predict query_nucleotides.fasta database predsResults tempFolder

出力

他に、予測されたMetaEukタンパク質にtaxonomic labelを割り当て、その予測値をコンティグに付与する機能もある。手順はGithubで確認して下さい。

引用

MetaEuk—sensitive, high-throughput gene discovery, and annotation for large-scale eukaryotic metagenomics

Eli Levy Karin, Milot Mirdita & Johannes Söding
Microbiome volume 8, Article number: 48 (2020)

関連