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。

ゲノムアセンブリからウイルスゲノムを発見して正確なアノテーションをつける Cenote-Taker 3

2025 Preprint virome virus annotation metagenome

 

　ウイルスは地球上のあらゆる環境に豊富に存在し、あらゆる細胞生物を感染させる。にもかかわらず、ウイルスはゲノム科学者にとって一種のブラックボックスである。その遺伝的多様性は他の全ての生命体を合わせたものよりも大きく、そのゲノムはシーケンシングデータセットで見落とされることが多く、ほとんどの遺伝子について機能は推測できない。こうした理由から、科学者たちは、既知の参照ゲノムから大きく逸脱したウイルスゲノムでさえも発見し、その遺伝子に注釈を付けるために、シーケンスデータを高感度かつ特異的に解析できる、堅牢で高性能、かつ文書化され拡張性のあるツールを必要としている。本稿ではCenote-Taker 3を紹介する。このコマンドラインインターフェースツールは、ウイルス発見、プロファージ抽出、遺伝子およびその他の遺伝的特徴のアノテーションを行うモジュールを備え、ゲノムアセンブリおよび／またはメタゲノムアセンブリを処理する。ベンチマークでは、Cenote-Taker 3がウイルス遺伝子アノテーションにおいて、速度（ウォールタイム）と精度の両面でほとんどのツールを上回ることが示されている。ウイルス発見ベンチマークでは、Cenote-Taker 3はgeNomadと比較して良好な性能を示し、両ツールは補完的な結果を生成する。Cenote-Taker 3はBiocondaで自由に利用可能であり、そのオープンソースコードはGitHub（https://github.com/mtisza1/Cenote-Taker3）で管理されている。

 

Githubより

Cenote-Taker 3は、個々のゲノム配列から大規模なメタゲノムアセンブリまで対応可能なウイルスバイオインフォマティクスツールであり、以下の機能を提供する：

１、ウイルス固有の遺伝子（ウイルスの特徴的遺伝子）を含む配列の同定

２、ウイルス配列のアノテーション（以下を含む）：

---a) 適応型ORFコール
---b) 機能注釈のためウイルス遺伝子ファミリーのHMM大規模カタログの使用

---c) 特徴遺伝子に基づく階層的分類アサインメント

---d) mmseqs2ベースのCDDデータベース検索

---e) 表形式（.tsv）およびインタラクティブゲノムマップ（.gbf）出力

また、Cenote-Taker 3は非常に高速であり、大規模データセットではCenote-Taker 2よりもはるかに高速である。さらに、ウイルス遺伝子に対してより多くの機能注釈を行うpharokkaを用いた同等のアノテーションよりも高速である。

 

インストール

macbook air（M1）でテストした。

Versions used in test installations

  • mamba 1.5.8
  • conda 24.7.1

Github

# macos
mamba create --platform osx-64 -n ct3_env -c conda-forge -c bioconda cenote-taker3=3.4.1 mmseqs2=15.6f452
conda activate ct3_env

#linux
mamba create -n ct3_env -c conda-forge -c bioconda cenote-taker3=3.4.1
conda activate ct3_env

#or
git clone https://github.com/mtisza1/Cenote-Taker3.git
cd Cenote-Taker3
mamba env create -f environment/ct3_env.yaml
pip install .

> cenotetaker3 -h

this script dir: /Users/kazu_1/mambaforge/envs/ct3_env/lib/python3.12/site-packages/cenote

usage: cenotetaker3 [-h] -c ORIGINAL_CONTIGS -r RUN_TITLE -p PROPHAGE [-t CPU] [--version] [-am ANNOTATION_MODE] [-wd C_WORKDIR]

                    [--template_file TEMPLATE_FILE] [--reads READS [READS ...]] [--minimum_length_circular CIRC_LENGTH_CUTOFF]

                    [--minimum_length_linear LINEAR_LENGTH_CUTOFF] [-db {virion,rdrp,dnarep} [{virion,rdrp,dnarep} ...]]

                    [--lin_minimum_hallmark_genes LIN_MINIMUM_DOMAINS] [--circ_minimum_hallmark_genes CIRC_MINIMUM_DOMAINS] [-hh {none,hhblits,hhsearch}]

                    [--caller {prodigal-gv,prodigal,phanotate,adaptive}] [--isolation_source ISOLATION_SOURCE] [--collection_date COLLECTION_DATE]

                    [--metagenome_type METAGENOME_TYPE] [--srr_number SRR_NUMBER] [--srx_number SRX_NUMBER] [--biosample BIOSAMPLE] [--bioproject BIOPROJECT]

                    [--assembler ASSEMBLER] [--molecule_type MOLECULE_TYPE] [--data_source DATA_SOURCE] [--cenote-dbs C_DBS] [--hmmscan_dbs HMM_DBS]

                    [--wrap WRAP] [--genbank GENBANK] [--taxdb {refseq,hallmark}] [--seqtech SEQTECH] [--max_dtr_assess MAXDTR] [--circ-file CIRCF]

 

Cenote-Taker 3 is a pipeline for virus discovery and thorough annotation of viral contigs and genomes. Visit https://github.com/mtisza1/Cenote-Taker3 for

help. Version 3.4.1

 

options:

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

 

 REQUIRED ARGUMENTS for Cenote-Taker 3 :

  -c ORIGINAL_CONTIGS, --contigs ORIGINAL_CONTIGS

                        Contig file with .fasta extension in fasta format. Each header must be unique before the first space character

  -r RUN_TITLE, --run_title RUN_TITLE

                        Name of this run. A directory of this name will be created. Must be unique from older runs or older run will be renamed. Must be less

                        than 18 characters, using ONLY letters, numbers and underscores (_)

  -p PROPHAGE, --prune_prophage PROPHAGE

                        True or False. Attempt to identify and remove flanking chromosomal regions from non-circular contigs with viral hallmarks (True is

                        highly recommended for sequenced material not enriched for viruses. Virus-enriched samples probably should be False (you might check

                        enrichment with ViromeQC). Also, please use False if --lin_minimum_hallmark_genes is set to 0)

 

 OPTIONAL ARGUMENTS for Cenote-Taker 3. See                                             https://www.ncbi.nlm.nih.gov/Sequin/sequin.hlp.html#ModifiersPage for more                                             information on GenBank metadata fields:

  -t CPU, --cpu CPU     Default: 8 -- Example: 32 -- Number of CPUs available for Cenote-Taker 3.

  --version             show program's version number and exit

  -am ANNOTATION_MODE, --annotation_mode ANNOTATION_MODE

                        Default: False -- Annotate sequences only (skip discovery). Only use if you believe each provided sequence is viral

  -wd C_WORKDIR, --working_directory C_WORKDIR

                        Default: /Users/kazu_1/Downloads -- Set working directory with absolute or relative path. run directory will be created within.

  --template_file TEMPLATE_FILE

                        Template file with some metadata. Real one required for GenBank submission. Takes a couple minutes to generate:

                        https://submit.ncbi.nlm.nih.gov/genbank/template/submission/

  --reads READS [READS ...]

                        read file(s) in .fastq format. You can specify more than one separated by a space

  --minimum_length_circular CIRC_LENGTH_CUTOFF

                        Default: 1000 -- Minimum length of contigs to be checked for circularity. Bare minimun is 1000 nts

  --minimum_length_linear LINEAR_LENGTH_CUTOFF

                        Default: 1000 -- Minimum length of non-circualr contigs to be checked for viral hallmark genes.

  -db {virion,rdrp,dnarep} [{virion,rdrp,dnarep} ...], --virus_domain_db {virion,rdrp,dnarep} [{virion,rdrp,dnarep} ...]

                        default: virion rdrp -- Hits to which domain types should count as hallmark genes? 'virion' database: genes encoding virion

                        structural proteins, packaging proteins, or capsid maturation proteins (DNA and RNA genomes) with LOWEST false discovery rate. 'rdrp'

                        database: For RNA virus-derived RNA-dependent RNA polymerase. 'dnarep' database: replication genes of DNA viruses. mostly useful for

                        small DNA viruses, e.g. CRESS viruses

  --lin_minimum_hallmark_genes LIN_MINIMUM_DOMAINS

                        Default: 1 -- Number of detected viral hallmark genes on a non-circular contig to be considered viral and recieve full annotation.

                        '2' might be more suitable, yielding a false positive rate near 0.

  --circ_minimum_hallmark_genes CIRC_MINIMUM_DOMAINS

                        Default:1 -- Number of detected viral hallmark genes on a circular contig to be considered viral and recieve full annotation. For

                        samples physically enriched for virus particles, '0' can be used, but please treat circular contigs without known viral domains

                        cautiously. For unenriched samples, '1' might be more suitable.

  -hh {none,hhblits,hhsearch}, --hhsuite_tool {none,hhblits,hhsearch}

                        default: none -- hhblits: query any of PDB, pfam, and CDD (depending on what is installed) to annotate ORFs escaping identification

                        via upstream methods. hhsearch: a more sensitive tool, will query PDB, pfam, and CDD (depending on what is installed) to annotate

                        ORFs. (WARNING: hhsearch takes much, much longer than hhblits and can extend the duration of the run many times over. Do not use on

                        large input contig files). 'none': forgoes annotation of ORFs with hhsuite. Fastest way to complete a run.

  --caller {prodigal-gv,prodigal,phanotate,adaptive}

                        ORF caller for viruses. default: prodigal-gv prodigal-gv: prodigal-gv only (prodigal with extra models for unusual viruses) (meta

                        mode) prodigal: prodigal classic only (meta mode). phanotate: phanotate only Note: phanotate takes longer than prodigal,

                        exponentially so for LONG input contigs. adaptive: will choose based on preliminary taxonomy call (phages = phanotate, others =

                        prodigal-gv)

  --isolation_source ISOLATION_SOURCE

                        Default: unknown -- Describes the local geographical source of the organism from which the sequence was derived

  --collection_date COLLECTION_DATE

                        Default: unknown -- Date of collection. this format: 01-Jan-2019, i.e. DD-Mmm-YYYY

  --metagenome_type METAGENOME_TYPE

                        Default: unknown -- a.k.a. metagenome_source

  --srr_number SRR_NUMBER

                        Default: unknown -- For read data on SRA, run number, usually beginning with 'SRR' or 'ERR'

  --srx_number SRX_NUMBER

                        Default: unknown -- For read data on SRA, experiment number, usually beginning with 'SRX' or 'ERX'

  --biosample BIOSAMPLE

                        Default: unknown -- For read data on SRA, sample number, usually beginning with 'SAMN' or 'SAMEA' or 'SRS'

  --bioproject BIOPROJECT

                        Default: unknown -- For read data on SRA, project number, usually beginning with 'PRJNA' or 'PRJEB'

  --assembler ASSEMBLER

                        Default: unknown_assembler -- Assembler used to generate contigs, if applicable. Specify version of assembler software, if possible.

  --molecule_type MOLECULE_TYPE

                        Default: DNA -- viable options are DNA - OR - RNA

  --data_source DATA_SOURCE

                        default: original -- original data is not taken from other researchers' public or private database. 'tpa_assembly': data is taken

                        from other researchers' public or private database. Please be sure to specify SRA metadata.

  --cenote-dbs C_DBS    DB path. If not set here, Cenote-Taker looks for environmental variable CENOTE_DBS. Then, if this variable is unset, DB path is

                        assumed to be /Users/kazu_1/mambaforge/envs/ct3_env/lib/python3.12

  --hmmscan_dbs HMM_DBS

                        HMMscan DB version. looks in cenote_db_path/hmmscan_DBs/

  --wrap WRAP           Default: True -- Wrap/rotate DTR/circular contigs so the start codon of an ORF is the first nucleotide in the contig/genome

  --genbank GENBANK     Default: True -- Make GenBank files (.gbf, .sqn, .fsa, .tbl, .cmt, etc)?

  --taxdb {refseq,hallmark}

                        Default: hallmark -- Which taxonomy database to use, just refseq virus OR virus hallmark genes from nr virus containing genus,

                        family, and class taxonomy labels and clustered at 90 percent AAI plus all hallmark genes from refseq virus

  --seqtech SEQTECH     Default: Illumina -- Which sequencing technology produced the reads? Common options: Illumina, Nanopore, PacBio, Onso, Aviti

  --max_dtr_assess MAXDTR

                        Default: 1000000 -- maximum sequence length to assess DTRs. Extra long contigs with DTRs are likely to be bacterial chromosomes, not

                        virus genomes.

  --circ-file CIRCF     Provide a file with the names of contigs (header line sans ">") you believe are circular, one per line. If using this option, CT3

                        will treat listed contigs as circular but will not search for DTRs in sequences. Useful for long read assembly outputs (flye,

                        myloasm) that report circular contigs. --max_dtr_assess will still be considered.

> get_ct3_dbs -h

usage: get_ct3_dbs [-h] -o C_DBS [--hmm HMM_DB] [--refseq_tax REFSEQ_TAX] [--hallmark_tax HALLMARK_TAX] [--mmseqs_cdd MMSEQS_CDD] [--domain_list DOM_LIST]

                   [--hhCDD HHCDD] [--hhPFAM HHPFAM] [--hhPDB HHPDB]

 

Update and/or download databases associated with Cenote-Taker 3. HMM (hmmer) databases: updated January 10th, 2024. RefSeq Virus taxonomy DB compiled July

31, 2023. hallmark taxonomy database added March 19th, 2024

 

options:

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

 

 REQUIRED ARGUMENTS:

  -o C_DBS              output directory when database will be downloaded

 

Use options to pick databases to update.:

  --hmm HMM_DB          Default: False -- choose: True -or- False

  --refseq_tax REFSEQ_TAX

                        Default: False -- choose: True -or- False

  --hallmark_tax HALLMARK_TAX

                        Default: False -- choose: True -or- False

  --mmseqs_cdd MMSEQS_CDD

                        Default: False -- choose: True -or- False

  --domain_list DOM_LIST

                        Default: False -- choose: True -or- False

  --hhCDD HHCDD         Default: False -- choose: True -or- False

  --hhPFAM HHPFAM       Default: False -- choose: True -or- False

  --hhPDB HHPDB         Default: False -- choose: True -or- False

 

データベース

get_ct3_dbs -o ct3_DBs --hmm T --hallmark_tax T --refseq_tax  T --mmseqs_cdd T --domain_list T
=> "-o"で指定したct3_DBs/ができる

#CENOTE_DBS環境変数にパスを設定
conda env config vars set CENOTE_DBS=/path/to/ct3_DBs
conda deactivate
conda activate ct3_env

 

あるいはhhsuite DBも含める（任意だが推奨）。

get_ct3_dbs -o ct3_DBs --hmm T --hallmark_tax T --refseq_tax T \
--mmseqs_cdd T --domain_list T --hhCDD T --hhPFAM T --hhPDB T

#CENOTE_DBS環境変数にパスを設定
conda env config vars set CENOTE_DBS=/path/to/ct3_DBs
conda deactivate
conda activate ct3_env

DBフットプリント。PDB70はかなり大きいので注意する。レポジトリより。

 

テストラン

git clone https://github.com/mtisza1/Cenote-Taker3.git
cd Cenote-Taker3/test_data/
cenotetaker3 -c testcontigs_DNA_ct2.fasta -r test_ct3 -p T

this script dir: /Users/kazu_1/mambaforge/envs/ct3_env/lib/python3.12/site-packages/cenote

000000000000000000000000000000

000000000000000000000000000000

0000000000 ^^^^^^^^ 0000000000

0000000 ^^^^^^^^^^^^^^ 0000000

00000 ^^^^^ CENOTE ^^^^^ 00000

00000 ^^^^^ TAKER! ^^^^^ 00000

00000 ^^^^^^^^^^^^^^^^^^ 00000

0000000 ^^^^^^^^^^^^^^ 0000000

0000000000 ^^^^^^^^ 0000000000

000000000000000000000000000000

000000000000000000000000000000

FASTA checked.

test_ct3

time update: configuring run directory  09-10-25---05:46:11

@@@@@@@@@@@@@@@@@@@@@@@@@

Your specified arguments:

Cenote-Taker version:              3.4.1

original contigs:                  testcontigs_DNA_ct2.fasta

title of this run:                 test_ct3

output directory:                  /Users/kazu_1/Downloads/Cenote-Taker3-main/test_data/test_ct3

Prune prophages?                   True

CPUs used for run:                 8

Annotation only?                   False

minimum circular contig length:    1000

minimum linear contig length:      1000

virus hallmark type(s) to count:   virion rdrp

min. viral hallmarks for linear:   1

min. viral hallmarks for circular: 1

Wrap contigs?                      True

HMM db version                     v3.1.1

ORF Caller:                        prodigal-gv

Cenote DBs directory:              /Users/kazu_1/ct3_DBs

Cenote scripts directory:          /Users/kazu_1/mambaforge/envs/ct3_env/lib/python3.12/site-packages/cenote

Template file:                     /Users/kazu_1/mambaforge/envs/ct3_env/lib/python3.12/site-packages/cenote/dummy_template.sbt

read file(s):                      none

HHsuite tool:                      none

Taxonomy DB:                       ct3_hallmark.taxDB

Sequencing Technology:             Illumina

Max seq length to assess DTRs:     1000000

File with circular contig IDs:     not given

 

メモリ8Gのmacbook airでテストすると100分ほどかかった。

出力例

（出力ファイルについてはレポジトリのOutput Filesの説明を参照）

 

実行方法

メタゲノムアセンブリからviromeを同定してアノテーションをつける。

cenotetaker3 -c metagenome.fna -r my_meta_ct3 -p T
  • -c    Contig file with .fasta extension in fasta format. Each header must be unique before the first space character
  • -r    Name of this run. A directory of this name will be created. Must be unique from older runs or older run will be renamed. Must be less than 18 characters, using ONLY letters, numbers and underscores (_) 
  • -t    Number of CPUs available for Cenote-Taker 3. Default: 8. 
                             

微生物ゲノムでの推奨設定

cenotetaker3 -c my_metagenome.fna -r my_meta_ct3 -p T --lin_minimum_hallmark_genes 2
  • --lin_minimum_hallmark_genes    Default: 1 -- Number of detected viral hallmark genes on a non-circular contig to be considered viral and recieve full annotation.'2' might be more suitable, yielding a false positive rate near 0.
  • -p     True or False. Attempt to identify and remove flanking chromosomal regions from non-circular contigs with viral hallmarks (True is highly recommended for sequenced material not enriched for  viruses. Virus-enriched samples probably should be False (you might check  enrichment with ViromeQC). Also, please use False if --lin_minimum_hallmark_genes is set to 0)
                                                                         

Prodigalを強制的に使用（デフォルトはprodigal-gv）

cenotetaker3 -c my_metagenome.fna -r my_meta_ct3pr -p T --caller prodigal
  • --caller {prodigal-gv,prodigal,phanotate,adaptive}   ORF caller for viruses. default: prodigal-gv prodigal-gv: prodigal-gv only (prodigal with extra models for unusual viruses) (meta mode) prodigal: prodigal classic only (meta mode). phanotate: phanotate only Note: phanotate takes longer than prodigal, exponentially so for LONG input contigs. adaptive: will choose based on preliminary taxonomy call (phages = phanotate, others = prodigal-gv)                        

 

リードカバレッジを計算

cenotetaker3 -c my_metagenome.fna -r my_meta_ct3 -p T --reads my_reads/*fastq
  • --reads    read file(s) in .fastq format. You can specify more than one separated by a space

 

その他（Githubより）

  • 下流解析のアイデアとして、ウイルスゲノム完全性推定にCheckVを使用。また

    ファージの生活環予測にはBACPHLIPを使用（完全/ほぼ完全なファージゲノムのみ使用）、ゲノムクラスタリングと分類にはVContact3を使用、原核生物ウイルス宿主予測にはiPHoPを使用など挙げることができる。

Cenote-Taker 3の利用例

  • メタゲノムデータにおけるウイルスコンティグの発見
  • 高度に類似した注釈付き参照配列なしでのウイルス配列の注釈付け
  • 微生物ゲノムにおけるプロファージ（またはプロウイルス）の発見

引用

Cenote-Taker 3 for Fast and Accurate Virus Discovery and Annotation of the Virome

Michael J. Tisza,  Joseph F. Petrosino,  Sara J. Javornik Cregeen

bioRxiv, Posted August 24, 2025.

 

関連