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。

不完全なMAGからコア遺伝子セットを推定する CELEBRIMBOR

 

メタゲノム由来ゲノム(MAG)やシングルセル増幅ゲノム(SAG)は、アセンブリの誤りやカバレッジ不足により配列が欠落し、不完全な状態であることが少なくない。これは微生物集団内における真の遺伝子頻度を特定する上で特に大きな課題となる。なぜなら、ごく一部のアセンブリでコア遺伝子が欠落しているだけでも、現在のパンゲノム解析手法では誤った判定がなされてしまうからである。本論文では、Snakemakeを用いたパンゲノム解析パイプラインCELEBRIMBORを提案する。本ツールは、ゲノムの完全性指標を用いてコア遺伝子を特定する際の頻度閾値を自動的に調整することで、MAGやSAGにおけるコア遺伝子の正確な特定を可能にする。CELEBRIMBORは、オープンソースのApache 2.0ライセンスの下、https://github.com/bacpop/CELEBRIMBOR にて公開されており、同リポジトリからDockerコンテナとしても利用できる。

 

インストール

CELEBRIMBORはSnakemakeを中心としたワークフローで、Bakta、MMseqs2、Panaroo、CheckM、cgtなどを利用する。ここではdockerを使用してテストした。

依存

  • Snakemake
  • MMseqs2
  • Bakta
  • Biopython
  • CheckM
  • Pandas
  • Rust toolchain
  • Panaroo

Github

#conda
git clone https://github.com/bacpop/CELEBRIMBOR.git
cd CELEBRIMBOR
mamba env create -f environment.yml
conda activate celebrimbor

#
CELEBRIMBORで利用するcgtをインストールする。Rustのcargoを使う
cargo install cgt_bacpop --root .

#公式READMEに記載されているDockerコンテナ
docker pull samhorsfield96/celebrimbor:main

 

データベース

Baktaのデータベースをダウンロードする。

bakta_db download --output /path/to/database

軽量版のBaktaデータベースを利用する場合は--type lightを指定する。

 

実行方法

CELEBRIMBORは以下のフローで進む。

  1. 入力FASTAの各ゲノムについてBaktaで遺伝子を予測
  2. MMseqs2またはPanarooで遺伝子をクラスタリングし、presence/absence matrixを作成
  3. 各遺伝子クラスターが、解析したゲノムのうち何個で検出されたかを集計
  4. CheckMで各ゲノムの完全性を計算
  5. cgtで、ゲノム完全性を考慮したcore、middle、rareの区分を推定

CELEBRIMBORでは、CheckMの完全性の値をそのまま採用せず、観測遺伝子頻度の閾値を確率モデルで補正し、その補正後の閾値に基づいてcore、middle、rareに分類する

 

実行するには、FASTAファイルのディレクトリを指定する(.fastaである必要がある)。config.yamlでパスを指定する。リポジトリにテンプレートがある。

主な設定項目

  • core:コア遺伝子と判定する頻度のカットオフ
  • output_dir:結果を保存するディレクトリ
  • genome_fasta:FASTAファイルを含むディレクトリ
  • bakta_db:Baktaデータベースのパス
  • cgt_exe:cgt_bacpop実行ファイルのパス
  • cgt_breaks:rare、middle、coreの境界値
  • cgt_error:頻度区分への誤分類率
  • clustering_method:mmseqs2またはpanaroo
  • panaroo_stringency:strict、moderate、sensitive

 

以下のように実行する。

snakemake --cores 4 --config genome_fasta=fastadir output_dir=outdir bakta_db=bakta_db cgt_exe=/path/to/cgt_bacpop cgt_breaks=0.05,0.95 cgt_error=0.05 clustering_method=panaroo panaroo_stringency=moderate
  • --cores   gene frequency cutoff for core gene, anything above this frequency is annotated as a core gene.
  • output_dir   path to output directory. Does not need to exist prior to running.
    genome_fasta: path to directory containing fasta files (must have .fasta extension).
  • bakta_db   path to bakta db downloaded above.
  • cgt_exe    path to cgt executable.
  • cgt_breaks  frequency for rare/core gene cutoff, e.g. 0.1,0.9, meaning genes predicted at <0.1 frequency will be rare, 0.1<=x<0.9 will be middle and >=0.9 will be core.
  • cgt_error    sets false assignment rate of gene to particular frequency compartment. clustering_method: choice of either mmseqs2 (for speed) or panaroo (for accuracy).
    panaroo_stringency   Stringency of Panaroo quality control measures. One of strict, moderate or sensitive.

cgt_exe=/path/to/cgt_bacpop は、CELEBRIMBORが内部で呼び出すcgt_bacpop実行ファイルの場所。

 

テストラン

git clone https://github.com/bacpop/CELEBRIMBOR.git
cd CELEBRIMBOR
mkdir -p test_output

#ラン
#bakta_db=bakta_db/db-lightはDockerコンテナ内部のデータベースを指定している。
#cgt_exe=cgt_bacpopもコンテナ内部の実行ファイル
docker run --rm --platform linux/amd64 -v "$(pwd)/test_output:/output"\
-v "$(pwd)/test/fasta:/data:ro" samhorsfield96/celebrimbor:main snakemake --cores 4 --config\
genome_fasta=/data output_dir=/output bakta_db=bakta_db/db-light\
cgt_exe=cgt_bacpop cgt_breaks=0.05,0.95 cgt_error=0.05 clustering_method=panaroo panaroo_stringency=moderate

 

出力例

test_output/

  • annotated:Baktaによる遺伝子アノテーション
  • mmseqs2またはpanaroo:遺伝子クラスタリングの結果
  • presence_absence_matrix.txt:各遺伝子の各ゲノムにおける有無を示すTSV
  • pangenome_summary.tsv:遺伝子の頻度と補正前の区分
  • checkm_out.tsv:ゲノムの完全性とコンタミネーションの概要
  • cgt_output.txt:観測頻度と補正後の頻度区分

pangenome_summary.tsv

cgtによる補正前の単純な観測頻度に基づくコアかどうかの分類結果。1.0=>全ゲノムで検出された

 

cgt_output.txt

MAGやSAGの完全性を考慮した上で、各遺伝子ファミリーがcore、middle、rareのどの区分に入るかを確認できる。これが最終的な補正後のコア遺伝子判定結果となる。補正後にcoreと判定された遺伝子を集めて、連結アラインメントや連結FASTAを作るところまでは実行されない。

 

その他

  • 一般的なパンゲノム解析では、ある遺伝子が全ゲノムの95%以上で見つかればcore geneとする、といったように、遺伝子が実際に検出された割合をそのまま使って分類する。しかしMAGやSAGはゲノム配列の一部が欠けていることが多いため、本当はすべての株が持っている遺伝子であっても、一部のゲノムでは配列そのものが欠落し、遺伝子が見つからないことがある。

  • CELEBRIMBORでは、このようなゲノムが不完全だから見つからなかった遺伝子を考慮する。まずCheckMが定義する生命の必須遺伝子セットを探索し、各ゲノムがどの程度完全かを調べ、その完全性から、本来広く存在する遺伝子が実際には何%程度のゲノムで検出されると予想されるかを計算する。例えば不完全なMAGが多いデータセットでは、本来95%以上の株が持つcore geneでも、実際の解析では80%程度のゲノムからしか見つからない可能性がある。その場合、CELEBRIMBORはcore geneと判定するために必要な検出割合を95%からより低い値へ調整してコア遺伝子を定義する。

  • 性能評価では、500個のEscherichia coli完全ゲノムから配列の一部をランダムに削除し、実際のMAGに近い不完全ゲノムを人工的に作成してパンゲノム解析を行った。95%以上のゲノムで検出された遺伝子をcore geneとする通常の方法では、配列削除後にはMMseqs2でわずか2個、Panarooでも3個しかcore geneとして検出されなかった。一方、CELEBRIMBORで各ゲノムの完全性を考慮すると、それぞれ2,850個、2,936個のcore geneを推定できた。完全ゲノムを用いた場合のcore gene数はそれぞれ3,299個、3,434個であり、不完全なMAGだけを用いた場合でも本来のcore genomeの大部分が復元された。
  • またMMseqs2では、CELEBRIMBORによってcoreと判定された2,850遺伝子のうち、実際にはaccessory geneだったものは36個(1.3%)にとどまり、偽陽性はわずかだった。
  • CELEBRIMBORは、ゲノム中のどの遺伝子も同じ確率でランダムに欠落すると仮定する。特定領域だけcoverageが低い、反復配列周辺だけassembly/binningされていない、といった系統的な欠失は補正しない。
  • 解析の中心はBakta、遺伝子クラスタリング、CheckM、cgtであり、CELEBRIMBOR自体はSnakemakeでこれらを管理している。クラスタリングには速度を優先するMMseqs2と、精度を優先するPanarooを選択できるため、データセットの規模と目的に合わせて使い分ける。
  • cgt_bacpopは、CELEBRIMBORの中で使われている遺伝子を core / rare / その中間に分類するための閾値を、ゲノム完全性を考慮して計算するプログラム。独立したRust製プログラムとしてbacpop/cgtで公開されている。
  • 出力されたcore、middle、rareの区分は、入力ゲノムの品質、遺伝子予測、クラスタリング条件、cgtの設定に依存する。CheckMの完全性・コンタミネーション、使用したクラスタリング手法、core genome threshold calculation (cgt) の境界値を記録する。

コメント

MAGを多く含むコレクションでは、コア遺伝子がほぼゼロになることも珍しくありません。CELEBRIMBORは、MAGやSAGを含めたゲノムコレクションからのパンゲノム解析に便利なパイプラインかと思います。

引用

CELEBRIMBOR: core and accessory genes from metagenomes

Joel Hellewell, Samuel T. Horsfield, Johanna von Wachsmann, Tatiana A. Gurbich, Robert D. Finn, Zamin Iqbal, Leah W. Roberts, John A. Lees

Bioinformatics, Volume 40, Issue 9, September 2024

 

関連