膣内細菌叢の16S rRNA遺伝子の分類学的分類を配列ごとに迅速かつ正確に行う SpeciateIT

　大量の16S rRNA遺伝子配列を分類学的に分類するには、OTUへのクラスタリングやノイズ除去法が主流である。本著者らは、個々のアンプリコン配列を迅速かつ正確に分類する新しい分類学的分類ツールspeciateITを開発した（https://github.com/Ravel-Laboratory/speciateIT）。環境特異的な参照データベースは一般的に最適な分類学的割り当てをもたらす。この目的のために、膣内細菌叢からの16S rRNA遺伝子アンプリコン配列の分類学的分類のためのカスタム参照データベースであるvSpeciateDBも紹介する。speciateITは、他のアルゴリズムと比較して最小限の計算資源しか必要とせず、vSpeciateDBと組み合わせることで、環境特異的な方法で正確な種レベルの分類が可能であることを示す。

ここでは、新しく実用的に重要な 2 つのリソースについて説明する。新規の分類アルゴリズムであるspeciateITは、7次マルコフ連鎖モデルに基づいており、高速かつ正確な配列ごとの分類学的割り当てが可能である（107配列で最短10分）。その意義は、この環境特異的データベースの優位性にあり、普遍的なデータベースと比較して、より多くの種の解像度を提供する。

レポジトリより

SpeciateITは、高速で正確な個々の配列の分類学的分類が可能なアルゴリズムである。また、モデルvSpeciateDBは、膣内細菌叢を分類するためカスタム参照配列セットから構築されたモデルである。分類学的に調整されたアンプリコン特異的領域配列でトレーニングされた細菌種を表現するモデルガイドツリーと7次マルコフ連鎖モデルを使用することで、speciateITはわずかな計算リソースで、大規模な配列データセットを迅速に処理することができる。

インストール

Makefileがmacosx用に設定されているのでmacでビルドした（Linuxマシン用にビルドする場合、CC、CXX、LINKをそれぞれgcc、g++、g++に変更する。また、LDFLAGSも変更する必要がある）。

git clone https://github.com/ravel-lab/speciateIT.git
cd speciateIT/
figshare(link)から３つのモデルをダウンロードし、vSpeciateDB_modelsに配置する
#それから
make all
export PATH="$PWD/bin/:$PATH"

> classify

$ classify

ERROR in ./classify.cc at line 285: Input fasta file is missing. Please specify it with the -i flag.

Given a fasta file of query sequences, a directory of MC model files and the reference tree

classify each sequence of the fasta file to a taxonomic rank corresponding to model

with the highest probability given that the | log( p(x | M_L) / p(x | M_R) | > thld (obsolete)

USAGE

Using prebuilt MC models to classify sequences of an input fasta file

classify -d < MC models directory> -i <input fasta file> -o <output directory> [Options]

Options:

-d <mcDir> - directory containing MC model files

-o <outDir> - output directory for MC taxonomy files

-i <inFile> - input fasta file with sequences for which -log10(prob(seq | model_i)) are to be computed

-r <model tree> - model tree with node labels corresponding to the names of the model files

-t <trgFile> - file containing paths to training fasta files

-f <fullTx> - fullTx file. Its optional parameter for printing classification output in a long format like in RDP classifier

-g <faDir> - directory with reference fasta files

--rev-comp, -c - reverse complement query sequences before computing classification posterior probabilities

--skip-err-thld - classify all sequences to the species level

--pp-embedding - for each internal node report pp's of all children on the given sequence.

Each internal node's table is written to a file <node name>_ref_lpps.txt (log posterior probabilities)

--max-num-amb-codes <n> - maximal acceptable number of ambiguity codes for a sequence

above this number sequence's log10prob() is not computed and

the sequence's id it appended to <genus>_more_than_<n>_amb_codes_reads.txt file.

Default value: 5

--pseudo-count-type, -p <f> - f=0 for add 1 to all k-mer counts zero-offset

f=1 for add 1/4^k to k-mer counts zero-offset

f=2 the pseudocounts for a order k+1 model be alpha*probabilities from

an order k model, recursively down to pseudocounts of alpha/num_letters

for an order 0 model.

-q|--quiet - suppers pregress messages

-v|--verbose - verbose mode

-h|--help - this message

Conditional probabitity tables are store in

<file_i>.MC<order>.log10cProb

Output file format:

seqId model1 model2 ...

seq_1 log10prob11 log10prob12 ...

seq_2 log10prob21 log10prob22 ...

...

where log10prob_ij is log10 of the prob(seq_i | model_j)

Example:

classify -d vaginal_v2_MCdir -f vaginal_v2.fullTx -i vaginal_v2.1.fa -o testDir

classify -d vaginal_v2_MCdir -r vaginal_v2_dir/model.tree -i vaginal_v2.1.fa -o testDir

classify -e 2BVBACT-97 -t vaginal_v2_dir/spp_paths.txt -k 8 -r vaginal_sppCondensed_v2i.tree -o testDir

テストラン

モデルと配列を指定する。

cd speciateIT/
classify -d vSpeciateDB_models/vSpeciateIT_V3V4 -i test.fasta -o MyProject

#force species-level annotations
classify -d vSpeciateDB_models/vSpeciateIT_V3V4 -i test.fasta -o MyProject --skip-err-thld

-d directory containing MC model files
-o output directory for MC taxonomy files
-i input fasta file with sequences for which -log10(prob(seq | model_i)) are to be computed
--skip-err-thld classify all sequences to the species level

膣内細菌叢の SpeciateIT モデルには、16S rRNA 遺伝子 V1-V3、V3-V4、および V4 領域配列のトレーニングセットが含まれている。

出力