macでインフォマティクス

macでインフォマティクス

HTS (NGS) 関連のインフォマティクス情報についてまとめています。

バクテリアのゲノムやプラスミドのアノテーションを行う Bakta

2021 5/18 ツイート追加

2021 11/11 論文引用

2022/03/10 help更新

 

Baktaは、バクテリアのゲノムやプラスミドのローカルなアノテーションを迅速かつ標準化するためのツールである。dbxref-richやsORF-including annotationsを機械的に読めるJSONバイオインフォマティクスの標準的なファイル形式で提供し、下流の自動解析を可能にしている。

 

Githubより

 Baktaはバクテリアとプラスミドのみをアノテーションするために設計されました。

FAIRアノテーション FAIRの原則に則った標準的なアノテーションを提供するために、BaktaはUniProtのUniRef100とUniRef90のタンパク質クラスタ(FAIR -> DOI/DOI)をベースに、dbxrefs(GO, COG, EC)で強化された包括的なカスタムアノテーションデータベースを利用し、専門のニッチデータベースでアノテーションを行う。dbバージョンごとに、インポートされたすべての配列とアノテーションの包括的なログファイルを提供する。

FAIRの観点から、BaktaはRefSeq (WP_*), UniRef100 (UniRef100_*), UniParc (UPI*)へのデータベース相互参照(dbxref)でアノテーションされたMD5ダイジェストを介して、同一のタンパク質配列(IPS)を同定している。これにより、IPSでは、異なる遺伝子のアレルを監視し、比較分析を効率化することができる。また、これらの正確で安定した識別子を介して既存のCDSマッピングすることができる、推定および仮説的なタンパク質配列の後付け(外部)アノテーションも可能である。現在、BaktaはUniParc、UniRef100、RefSeqからそれぞれ約1億9800万、約1億8500万、約1億5000万の異なるタンパク質配列を同定している。したがって、特定のゲノムについては、コストのかかるホモロジー検索を省略して、全CDSの99%までをこの方法で同定することができる。

ショートオープンリーディングフレーム 標準的なフィーチャータイプ(tRNA、tmRNA、rRNA、ncRNA遺伝子、ncRNAシス制御領域、CRISPR、CDS、oriC/V/T、gaps)に加えて、BaktaはProdigalのようなツールでは予測されない低分子タンパク質やショートオープンリーディングフレーム(sORF)を検出し、アノテーションを付ける。

Baktaは、典型的なバクテリアのゲノムをラップトップで10±5分、プラスミドを数秒/数分でアノテーションできる。

AMRやVF遺伝子など、関心の高い特定のタンパク質に対して高品質なアノテーションを提供するために、Baktaは様々なエキスパートアノテーションシステムを統合している。現在、BaktaではAMR遺伝子のアノテーションNCBIのAMRFinderPlusを使用している。また、各配列に対して明確なカバレッジアイデンティティ、プライオリティーの値を持つ一般化されたタンパク質配列のエキスパートシステムは、現在VFDBとNCBIのBlastRulesで構成されている。

標準化された、分類群に依存しない、ハイスループットでローカルな方法でバクテリアのゲノムをアノテーションすることで、Baktaは、PGAPのような完全な機能を持つが計算負荷の高いパイプラインと、Prokkaのような迅速で高度にカスタマイズ可能なオフラインツールの間のニッチをターゲットにしている。実際、BaktaはProkkaに大きくインスパイアされており(Torsten Seemann氏に感謝)、多くのコマンドライン・オプションは、相互運用性とユーザーの利便性のために互換性がある。したがって、もしBaktaがあなたのニーズに合わなければ、ぜひProkkaを試してみてください。

 

2021 8/24

2021 5/18

 

インストール

condaで仮想環境を作ってテストした。また、オーサーのdocker imageもpullしてテストした。

Github

mamba create -n bakta python=3 -y
conda activate bakta
mamba install -c conda-forge -c bioconda -c defaults bakta -y

#pip
python3 -m pip install --user bakta

#docker image (hub link)
docker pull oschwengers/bakta:latest

#singularity
singularity build bakta.sif docker://oschwengers/bakta:latest
singularity run bakta.sif --help

> bakta -h

usage: bakta [--db DB] [--min-contig-length MIN_CONTIG_LENGTH] [--prefix PREFIX] [--output OUTPUT] [--genus GENUS] [--species SPECIES] [--strain STRAIN] [--plasmid PLASMID] [--complete]

             [--prodigal-tf PRODIGAL_TF] [--translation-table {11,4}] [--gram {+,-,?}] [--locus LOCUS] [--locus-tag LOCUS_TAG] [--keep-contig-headers] [--replicons REPLICONS] [--compliant]

             [--proteins PROTEINS] [--skip-trna] [--skip-tmrna] [--skip-rrna] [--skip-ncrna] [--skip-ncrna-region] [--skip-crispr] [--skip-cds] [--skip-sorf] [--skip-gap] [--skip-ori] [--help]

             [--verbose] [--threads THREADS] [--tmp-dir TMP_DIR] [--version]

             <genome>

 

Rapid & standardized annotation of bacterial genomes, MAGs & plasmids

 

positional arguments:

  <genome>              Genome sequences in (zipped) fasta format

 

Input / Output:

  --db DB, -d DB        Database path (default = <bakta_path>/db). Can also be provided as BAKTA_DB environment variable.

  --min-contig-length MIN_CONTIG_LENGTH, -m MIN_CONTIG_LENGTH

                        Minimum contig size (default = 1; 200 in compliant mode)

  --prefix PREFIX, -p PREFIX

                        Prefix for output files

  --output OUTPUT, -o OUTPUT

                        Output directory (default = current working directory)

 

Organism:

  --genus GENUS         Genus name

  --species SPECIES     Species name

  --strain STRAIN       Strain name

  --plasmid PLASMID     Plasmid name

 

Annotation:

  --complete            All sequences are complete replicons (chromosome/plasmid[s])

  --prodigal-tf PRODIGAL_TF

                        Path to existing Prodigal training file to use for CDS prediction

  --translation-table {11,4}

                        Translation table: 11/4 (default = 11)

  --gram {+,-,?}        Gram type for signal peptide predictions: +/-/? (default = ?)

  --locus LOCUS         Locus prefix (default = 'contig')

  --locus-tag LOCUS_TAG

                        Locus tag prefix (default = autogenerated)

  --keep-contig-headers

                        Keep original contig headers

  --replicons REPLICONS, -r REPLICONS

                        Replicon information table (tsv/csv)

  --compliant           Force Genbank/ENA/DDJB compliance

  --proteins PROTEINS   Fasta file of trusted protein sequences for CDS annotation

 

Workflow:

  --skip-trna           Skip tRNA detection & annotation

  --skip-tmrna          Skip tmRNA detection & annotation

  --skip-rrna           Skip rRNA detection & annotation

  --skip-ncrna          Skip ncRNA detection & annotation

  --skip-ncrna-region   Skip ncRNA region detection & annotation

  --skip-crispr         Skip CRISPR array detection & annotation

  --skip-cds            Skip CDS detection & annotation

  --skip-sorf           Skip sORF detection & annotation

  --skip-gap            Skip gap detection & annotation

  --skip-ori            Skip oriC/oriT detection & annotation

 

General:

  --help, -h            Show this help message and exit

  --verbose, -v         Print verbose information

  --threads THREADS, -t THREADS

                        Number of threads to use (default = number of available CPUs)

  --tmp-dir TMP_DIR     Location for temporary files (default = system dependent auto detection)

  --version             show program's version number and exit

 

Version: 1.3.3

DOI: 10.1099/mgen.0.000685

URL: github.com/oschwengers/bakta

 

Citation:

Schwengers O., Jelonek L., Dieckmann M. A., Beyvers S., Blom J., Goesmann A. (2021).

Bakta: rapid and standardized annotation of bacterial genomes via alignment-free sequence identification.

Microbial Genomics, 7(11). https://doi.org/10.1099/mgen.0.000685

 

 

データベースの準備

ダウンロードする。圧縮状態で30GB近くあるので注意。

#2022/03/10更新
wget https://zenodo.org/record/5961398/files/db.tar.gz
tar -xzf db.tar.gz
rm db.tar.gz
amrfinder_update --force_update --database db/amrfinderplus-db/

ランの際はこのdb/を指定する。

 

2022/03/10

データベースのダウンロードコマンドが使えるようになった。

#利用可能なDBのチェック
bakta_db list

$ bakta_db list
Required database schema version: 3

Available DB versions:
3.0    2021-08-05    10.5281/zenodo.5215743
3.1    2022-02-03    10.5281/zenodo.5961398

最新のDBをダウンロードする。

bakta_db download --output outdir_name

 

 

実行方法

データベースとゲノムの(zipped)fastaファイルを指定する。

bakta --db db/ genome.fasta --threads 12

出力

f:id:kazumaxneo:20210413183613p:plain

 

アノテーションがつかなかったタンパク質配列はhypothetical proteinとして別ファイル出力される。

genome.gbff

f:id:kazumaxneo:20210413193605p:plain

rRNAがtRNAとなっていたので修正した。

 

 

bakta --db db/ --verbose --output results/ --prefix outprefix --locus-tag locus --threads 8 genome.fna

出力

f:id:kazumaxneo:20210413190746p:plain

 

ループ処理

mkdir protein
for file in `\find *fasta -maxdepth 1 -type f`; do

 genome=${file}
folder=${file%.fasta}

bakta --db db/ --output ${folder} --locus-tag locus --threads 8 $genome
cp ${folder}/${file%.fasta}.faa protein/
done

引用

Schwengers O., Goesmann A. (2021) Bakta: Rapid & standardized annotation of bacterial genomes & plasmids. GitHub https://github.com/oschwengers/bakta

 

2021/11/11

Bakta: rapid and standardized annotation of bacterial genomes via alignment-free sequence identification

Oliver Schwengers, Lukas Jelonek, Marius Alfred Dieckmann, Sebastian Beyvers, Jochen Blom, Alexander Goesmann

Microb Genom. 2021 Nov;7(11)

 

関連