Taxonomic profilers and their influence on metagenomic diversity analyses

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen: „Wer lebt in dieser winzigen, unsichtbaren Stadt?“ In der Welt der Mikrobiomforschung ist diese Stadt eine Probe aus Erde, Speichel oder Kot, und die Bewohner sind Milliarden winziger Mikroben. Um herauszufinden, wer dort lebt, verwenden Wissenschaftler spezielle Software-Werkzeuge, die sogenannte taxonomische Profiler. Diese Werkzeuge fungieren wie superschnelle Bibliothekare, die Millionen von DNA-„Seiten“ scannen und sie mit einer riesigen Referenzbibliothek bekannter Mikroben abgleichen, um eine Gästeliste zu erstellen.

Aber hier kommt der Clou: Genau wie verschiedene Bibliothekare vielleicht unterschiedliche Kataloge verwenden oder andere Regeln dafür haben, was als „Gast“ zählt, sind sich diese Software-Werkzeuge nicht immer über die Gästeliste einig. Diese Arbeit, geleitet von Jonathan Rondeau-Leclaire und Kollegen, beschloss, vier der populärsten „Bibliothekare“ (mOTUs, MetaPhlän, Kraken2 und Sourmash) auf die Probe zu stellen. Sie haben dabei nicht nur fiktive, künstliche Daten verwendet; sie tauchten tief ein in 1.211 echte Metagenome aus acht verschiedenen Datensätzen, die von menschlichem Darm und Haut bis hin zu Moos und Bienen-Darm reichten.

Die große Diskrepanz der Gästelisten

Das Team fand heraus, dass die Wahl des Bibliothekars die Geschichte signifikant verändert. Wenn Sie einen Werkzeugsatz fragen soll, die Gäste zu zählen, sagt dieser vielleicht: „Wow, da sind 500 verschiedene Arten!“ Fragen Sie ein anderes Werkzeug, und es sagt vielleicht: „Eigentlich sehe ich nur 200.“

Die Studie entdeckte, dass die Alpha-Diversität (ein schicker Begriff für: „Wie viele verschiedene Arten von Gästen sind im Raum und wie gleichmäßig sind sie verteilt?“) extrem empfindlich gegenüber der Wahl des Werkzeugs ist.

• Die „DNA-zu-Marker“-Bibliothekare: Werkzeuge wie MetaPhlAn und mOTUs suchen nach spezifischen „Namensschildern“ (Markergenen) auf den Mikroben. Selbst wenn sie denselben Typ von Bibliothek verwendeten, lieferten diese beiden Werkzeuge unterschiedliche Diversitätszahlen. Beispielsweise fand mOTUs4 in 95,5 % der Proben eine höhere Diversität als MetaPhlAn4, wenn die Shannon-Diversität betrachtet wurde.
• Die „DNA-zu-DNA“-Bibliothekare: Werkzeuge wie Kraken2 und Sourmash vergleichen die gesamte DNA-Sequenz, vergleichbar mit dem Abgleich ganzer Absätze. Diese zeigten noch extremere Schwankungen. Bei Verwendung derselben Datenbank berichtete Kraken2 oft von wesentlich mehr Arten als Sourmash. Tatsächlich fand Kraken2 mit einer spezifischen Einstellung durchschnittlich 1.167 ± 625,7 Arten, während Sourmash nur 192 ± 48,69 fand.

Die Autoren legen nahe, dass diese Unterschiede nicht bloß zufälliges Rauschen sind, sondern durch die interne Logik der Werkzeuge getrieben werden. Kraken2 ist zum Beispiel wie ein Bibliothekar, der sagt: „Wenn ich auch nur einen winzigen Hinweis sehe, setze ich diesen Gast auf die Liste“, während Sourmash strenger ist und sagt: „Ich brauche einen ganzen Haufen Beweise, bevor ich einen Namen auf die Liste setze.“

Die Bibliothek spielt ebenfalls eine Rolle

Es ist nicht nur der Bibliothekar; es ist auch die Bibliothek, die er verwendet. Die Arbeit testete zwei massive Referenzdatenbanken: RefSeq (basierend auf der NCBI-Taxonomie) und GTDB (basierend auf phylogenomischen Beziehungen).

• Die GTDB-Bibliothek war viel größer und enthielt über 113.104 Arten, im Vergleich zu den 27.285 von RefSeq.
• Unvorhersehbarerweise führte die Verwendung der größeren Bibliothek (GTDB) dazu, dass mehr Diversität gefunden wurde. Die Arbeit stellt fest, dass ein Werkzeug bei der Verwendung von GTDB vielleicht Shigella-Bakterien unter E. coli gruppiert, was die gesamte Struktur der Gästeliste verändert.

Der „Was bedeutet das eigentlich?“-Moment: Ändern sich die Schlussfolgerungen?

Hier ist der kritischste Teil der Geschichte. Ist es wichtig, ob die Gästelisten unterschiedlich sind? Ja, manchmal.

Als die Forscher fragten: „Ist die Diversität zwischen kranken und gesunden Menschen unterschiedlich?“, hing die Antwort vollständig davon ab, welches Werkzeug sie verwendeten.

• Im Gut PD (Parkinson-Krankheit) Datensatz mit 719 Proben war der Unterschied zwischen den Gruppen für 9 von 13 Methodiken statistisch signifikant. Aber die „Stärke“ dieses Unterschieds (die Effektstärke) variierte stark und reichte von 0,04 bis 0,13.
• Im Gut NAFLD Datensatz fand nur ein spezifisches Setup (Kraken mit RefSeq bei einem hohen Konfidenzniveau) einen signifikanten Unterschied, während die anderen sagten: „Nö, hier ist nichts.“
• Die Arbeit argumentiert explizit gegen die Vorstellung, dass all diese Werkzeuge austauschbar seien. Sie zeigen, dass die Alpha-Diversitätsanalyse durch methodische Entscheidungen beeinflusst werden kann, was bedeutet, dass ein Forscher versehentlich (oder absichtlich) ein Werkzeug wählen könnte, das seine Hypothese entweder wahr oder falsch erscheinen lässt.

Die gute Nachricht: Beta-Diversität ist beständiger

Während die „Anzahl“ der Gäste (Alpha-Diversität) wackelig war, war die „Anordnung“ der Gäste (Beta-Diversität) stabiler. Die Beta-Diversität fragt: „Sehen die Gäste in Gruppe A anders aus als die Gäste in Gruppe B?“

• Die Autoren fanden heraus, dass selbst wenn die spezifischen Zahlen variierten, die statistischen Schlussfolgerungen darüber, ob die Gruppen unterschiedlich waren, meistens gleich blieben.
• Beispielsweise waren sich die meisten Werkzeuge in Bezug auf den Gut RA (Rheumatoide Arthritis) Datensatz einig, dass die Gruppen verschieden waren, selbst wenn sie sich darüber uneinig waren, wie viele Arten genau vorhanden sind.
• Die Arbeit merkt jedoch an, dass die Verwendung der RefSeq-Datenbank mit Kraken manchmal zu anderen Ergebnissen führte als die Verwendung von GTDB, was darauf hindeutet, dass eine größere, vollständigere Bibliothek den Werkzeugen helfen kann, sich beim „großen Ganzen“ einig zu sein.

Das Fazit

Die Autoren kommen zu dem Schluss, dass es kein einzelnes „bestes“ Werkzeug gibt, das für alles funktioniert. Die „richtige“ Wahl hängt von Ihrer spezifischen Frage, Ihrem Probentyp und der Bibliothek ab, auf die Sie Zugriff haben.

Sie warnen Forscher davor, ein Werkzeug nur deshalb auszuwählen („Cherry-Picking“), weil es das gewünschte Ergebnis liefert. Stattdessen schlagen sie vor:

1. Seien Sie transparent: Geben Sie klar an, welches Werkzeug, welche Datenbank und welche Einstellungen Sie verwendet haben.
2. Überprüfen Sie Ihre Arbeit: Führen Sie eine „Sensitivitätsanalyse“ durch, um zu sehen, ob Ihre Hauptschlussfolgerung bestehen bleibt, wenn Sie das Werkzeug oder die Datenbank austauschen.
3. Vergleichen Sie keine Äpfel mit Birnen: Sie können eine Diversitätszahl aus einer Studie, die Tool A verwendet, nicht direkt mit einer Studie vergleichen, die Tool B verwendet, da die Zahlen selbst durch die Software beeinflusst werden.

Kurz gesagt: Die Arbeit legt nahe, dass diese Werkzeuge zwar mächtig sind, aber keine Zauberstäbe sind. Sie sind Linsen, und verschiedene Linsen können Ihnen unterschiedliche Versionen derselben mikroskopischen Welt zeigen. Um das wahrste Bild zu erhalten, müssen Wissenschaftler genau wissen, durch welche Linse sie blicken.