💻 bioinformatics

Taxonomic profilers and their influence on metagenomic diversity analyses

Este estudio demuestra que la elección del perfilador taxonómico, la base de datos de referencia y la parametrización influye significativamente en las estimaciones de la diversidad alfa y en las conclusiones estadísticas en los análisis metagenómicos, subrayando la necesidad crítica de que los investigadores realicen análisis de sensibilidad para garantizar hallazgos científicos robustos y fiables.

Autores originales: Rondeau-Leclaire, J., Blanchet, G., Jacques, P.-E., Laforest-Lapointe, I.

Publicado 2026-07-14

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Rondeau-Leclaire, J., Blanchet, G., Jacques, P.-E., Laforest-Lapointe, I.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina que eres un detective tratando de resolver un misterio: "¿Quién vive en esta ciudad diminuta e invisible?". En el mundo de la investigación del microbioma, esa ciudad es una muestra de tierra, saliva o heces, y sus residentes son miles de millones de microbios diminutos. Para descubrir quién vive allí, los científicos utilizan herramientas de software especiales llamadas perfiladores taxonómicos. Estas herramientas actúan como bibliotecarios superrápidos, escaneando millones de "páginas" de ADN y cotejándolas con una gigantesca biblioteca de referencia de microbios conocidos para crear una lista de invitados.

Pero aquí está el giro: al igual que diferentes bibliotecarios podrían usar diferentes catálogos o tener diferentes reglas sobre lo que cuenta como un "invitado", estas herramientas de software no siempre están de acuerdo con la lista de invitados. Este artículo, liderado por Jonathan Rondeau-Leclaire y amigos, decidió poner a prueba a cuatro de los "bibliotecarios" más populares (mOTUs, MetaPhlAn, Kraken2 y Sourmash). No se limitaron a mirar datos falsos o inventados; profundizaron en 1,211 metagenomas reales de ocho conjuntos de datos diferentes, que van desde intestinos y piel humanos hasta musgo y tripas de abejas.

La gran discrepancia en la lista de invitados

El equipo descubrió que la elección del bibliotecario cambia la historia significativamente. Si le pides a una herramienta que cuente a los invitados, podría decir: "¡Vaya, hay 500 especies diferentes!". Si le preguntas a una herramienta distinta, podría decir: "En realidad, solo veo 200".

El artículo descubrió que la diversidad alfa (una forma elegante de decir "cuántos tipos diferentes de invitados hay en la sala y qué tan uniformemente están distribuidos") es extremadamente sensible a la herramienta que elijas.

Los bibliotecarios de "ADN a marcadores": Herramientas como MetaPhlAn y mOTUs buscan "etiquetas de nombre" específicas (genes marcadores) en los microbios. Incluso utilizando el mismo tipo de librería, estas dos herramientas dieron conteos de diversidad diferentes. Por ejemplo, mOTUs4 encontró una mayor diversidad que MetaPhPhlAn4 en el 95.5% de las muestras al observar la diversidad de Shannon.
Los bibliotecarios de "ADN a ADN": Kraken2 y Sourmash comparan la secuencia completa de ADN, como si cotejaran párrafos enteros. Estos mostraron cambios aún más salvajes. Al usar la misma base de datos, Kraken2 a menudo reportaba muchas más especies que Sourmash. De hecho, con una configuración específica, Kraken2 encontró un promedio de 1,167 ± 625.7 especies, mientras que Sourmash encontró solo 192 ± 48.69.

Los autores sugieren que estas diferencias no son solo ruido aleatorio; son impulsadas por la lógica interna de las herramientas. Por ejemplo, Kraken2 es como un bibliotecario que dice: "Si veo incluso una pequeña pista, anotaré a ese invitado", mientras que Sourdash es más estricto, diciendo: "Necesito un montón de evidencia antes de añadir un nombre a la lista".

La biblioteca también importa

No es solo el bibliotecario; también es la biblioteca que están usando. El artículo probó dos bases de datos de referencia masivas: RefSeq (basada en la taxonomía de NCBI) y GTDB (basada en relaciones filogenómicas).

La librería GTDB era mucho más grande, conteniendo más de 113,104 especies, en comparación con las 27,285 de RefSeq.
Como era de esperar, el uso de la librería más grande (GTDB) resultó en el hallazgo de más diversidad. El artículo señala que si usas GTDB, la herramienta podría agrupar bacterias como Shigella bajo E. coli, cambiando toda la estructura de la lista de invitados.

El momento del "¿Y esto qué tiene que ver?": ¿Cambian las conclusiones?

Aquí está la parte más crítica de la historia. ¿Importa si las listas de invitados son diferentes? Sí, a veces.

Cuando los investigadores preguntaron: "¿Es la diversidad diferente entre personas enfermas y personas sanas?", la respuesta dependió enteramente de la herramienta que utilizaran.

En el conjunto de datos Gut PD (enfermedad de Parkinson) con 719 muestras, la diferencia entre grupos fue estadísticamente significativa para 9 de 13 metodologías. Pero la "fuerza" de esa diferencia (el tamaño del efecto) varió enormemente, oscilando entre 0.04 y 0.13.
En el conjunto de datos Gut NAFLD, solo una configuración específica (Kraken con RefSeq a un nivel de confianza alto) encontró una diferencia significativa, mientras que los demás dijeron: "No, aquí no hay nada".
El artículo argumenta explícitamente contra la idea de que todas estas herramientas sean intercambiables. Muestran que el análisis de la diversidad alfa puede ser impulsado por elecciones metodológicas, lo que significa que un investigador podría accidentalmente (o intencionadamente) elegir una herramienta que haga que su hipótesis parezca verdadera o falsa.

La buena noticia: La diversidad beta es más estable

Aunque el "conteo" de invitados (diversidad alfa) era inestable, la "disposición" de los invitados (diversidad beta) fue más estable. La diversidad beta pregunta: "¿Los invitados del Grupo A se ven diferentes de los invitados del Grupo B?".

Los autores encontraron que, aunque los números específicos cambiaban, las conclusiones estadísticas sobre si los grupos eran diferentes generalmente se mantenían iguales.
Por ejemplo, en el conjunto de datos Gut RA (Artritis Reumatoide), la mayoría de las herramientas coincidieron en que los grupos eran distintos, incluso si no estaban de acuerdo en exactamente cuántas especies había presentes.
Sin embargo, el artículo señala que el uso de la base de datos RefSeq con Kraken a veces llevó a resultados diferentes que el uso de GTDB, sugiriendo que una librería más grande y completa puede ayudar a las herramientas a ponerse de acuerdo mejor en el panorama general.

La conclusión

Los autores concluyen que no existe una única "mejor" herramienta que funcione para todo. La elección "correcta" depende de tu pregunta específica, el tipo de muestra y la librería a la que tengas acceso.

Advierten a los investigadores que no elijan una herramienta solo porque les dé el resultado que desean. En su lugar, sugieren:

Ser transparentes: Indique claramente qué herramienta, base de datos y configuraciones utilizó.
Verificar su trabajo: Realice un "análisis de sensibilidad" para ver si su conclusión principal se mantiene si cambia la herramienta o la base de datos.
No comparar manzanas con naranjas: No puede comparar directamente un número de diversidad de un estudio que usa la Herramienta A con un estudio que usa la Herramienta B, porque los números mismos están influenciados por el software.

En resumen, el artículo sugiere que, si bien estas herramientas son poderosas, no son varitas mágicas. Son lentes, y diferentes lentes pueden mostrarle versiones distintas del mismo mundo microscópico. Para obtener la imagen más fiel, los científicos deben saber exactamente a través de qué lente están mirando.

Resumen Técnico: Perfiladores Taxonómicos y su Influencia en los Análisis de Diversidad Metagenómica

Planteamiento del Problema
El perfilado taxonómico es un paso fundamental en la investigación del microbioma; sin embargo, la elección de las herramientas bioinformáticas y sus parámetros introduce una variabilidad metodológica significativa. Si bien los estudios de evaluación comparativa (p. ej., CAMI) han evaluado el rendimiento de las herramientas utilizando datos simulados, existe una falta de comprensión sobre cómo estas elecciones influyen en las estimaciones de diversidad y en las conclusiones estadísticas cuando se aplican a metagenomas del mundo real que contienen ruido y diversidad no caracterizada. Los autores señalan que diferentes perfiladores estiman distintos tipos de abundancia (taxonómica vs. de secuencias) y emplean estrategias algorítmicas distintas, lo que conduce a perfiles no interconvertibles. En consecuencia, el alcance con el que la selección de la herramienta afecta las métricas de diversidad alfa y beta, así como la robustez de las pruebas de hipótesis posteriores, permanece insuficientemente caracterizado.

Metodología
El estudio evaluó cuatro perfiladores taxonómicos ampliamente utilizados: mOTUs v4, MetaPhlAn v4, Kraken2 y Sourmash. Estas herramientas representan dos enfoques principales:

ADN-a-Marcadores (D2M): MetaPhlAn y mOTUs, que estiman las abundancias taxonómicas alineando lecturas a genes marcadores.
ADN-a-ADN (D2D): Kraken2 y Sourmash, que estiman las abundancias de secuencias mediante el emparejamiento de k-meros con genomas de referencia.

El análisis utilizó 1,211 metagenomas shotgun a través de ocho conjuntos de datos distintos (incluyendo intestino humano, saliva, piel y muestras ambientales como musgo y el intestino de abejas). El estudio probó 13 diseños metodológicos, variando:

Bases de Datos de Referencia: NCBI RefSeq vs. GTDB (Genome Taxonomy Database).
Versiones de la Base de Datos: Diferentes fechas de lanzamiento para MetaPhlAn y mOTUs.
Parámetros: El umbral de --confidence de Kraken2 (0.10, 0.45, 0.90) y el --threshold_bp de Sourmash.

Enfoque Analítico:

Diversidad Alfa: Calculada utilizando Riqueza, entropía de Shannon, Simpson inverso y la estadística de la Cola (Tail statistic). Para tener en cuenta las diferencias en el tamaño de la base de datos y la sensibilidad de la herramienta, los valores de diversidad fueron centrados y escalados dentro de cada metodología. La varianza en las diferencias escaladas entre pares de herramientas se evaluó mediante la prueba de Pitman-Morgan.
Diversidad Beta: Se generaron matrices de disimilitud de Bray-Curtis para cada metodología. Las ordenaciones se compararon mediante análisis de Procrustes para medir la correlación entre los resultados metodológicos.
Inferencia Estadística: El impacto de la metodología en las conclusiones científicas se probó realizando pruebas de Mann-Whitney (para la diversidad alfa) y PERMANOVA (para la diversidad beta) a través de los grupos predefinidos en cada conjunto de datos (p. ej., sano vs. enfermo).

Resultados Clave

Variabilidad Sustancial en las Estimaciones: Las estimaciones de la diversidad alfa variaron significamente entre las metodologías. Por ejemplo, mOTUs4 generalmente produjo una mayor diversidad de Shannon e Índice de Simpson que MetaPhlAn4, mientras que Kraken2 reportó consistentemente una mayor riqueza que Sourmash.
Impulsor de la Variabilidad:
- Estrategia Algorítmica: Las herramientas D2D (Kraken2, Sourmash) mostraron una mayor sensibilidad a la elección de la herramienta que las herramientas D2M.
- Base de Datos de Referencia: La elección entre RefSeq y GTDB impactó significativamente la riqueza y la estadística de la Cola, particularmente para las herramientas D2D. GTDB, al contener más especies, produjo estimaciones de riqueza más altas.
- Parámetros: El parámetro --confidence de Kraken2 influyó fuertemente en las estimaciones de diversidad; los umbrales más bajos aumentaron los valores de diversidad, superando en ocasiones a los de Sourmash.
Impacto en las Conclusiones Estadísticas:
- Diversidad Alfa: Las elecciones metodológicas frecuentemente alteraron la significancia estadística y los tamaños de efecto. En varios conjuntos de datos (p. ej., Gut COV, Saliva COV), una diferencia de grupo fue significativa con una herramienta pero no con otra. Los tamaños de efecto (correlaciones de rango-biseriales) variaron ampliamente dependiendo de la herramienta y la base de datos utilizada.
- Diversidad Beta: Aunque las estructuras de ordenación (correlaciones de Procrustes) fueron sensibles a la elección de la herramienta y la base de datos, la inferencia estadística (significancia de PERMANOVA y $R^2$ ) se mantuvo mayormente estable a través de las metodologías. La mayoría de las herramientas coincidieron en si una variable de agrupación estaba significativamente asociada con la disimilitud de la comunidad, aunque la varianza explicada ( $R^2$ ) pudo diferir.

Significancia y Reivindicaciones
El artículo argumenta que los análisis de diversidad taxonómica son altamente sensibles a la elección del perfilador, la base de datos de referencia y la parametrización. Los autores afirman que:

Conclusiones Biológicas Divergentes: Los investigadores pueden alcanzar diferentes conclusiones biológicas respecto a la presencia o magnitud de las diferencias de diversidad basándose únicamente en sus elecciones metodológicas.
No Equivalencia de Herramientas: Las herramientas D2M y D2D producen perfiles de abundancia no interconvertibles, e incluso las herramientas dentro de la misma categoría (p. ej., Kraken vs. Sourmash) producen resultados divergentes debido a heurísticas algorítmicas.
Necesidad de Análisis de Sensibilidad: El estudio subraya la necesidad de que los investigadores evalúen la robustez de sus resultados frente a las elecciones de herramientas, parámetros y bases de datos.
Transparencia: Para asegurar la reproducibilidad y evitar el "cherry-picking" de resultados, los autores recomiendan el reporte transparente de todos los detalles metodológicos y la justificación de la selección de la herramienta basada en objetivos de investigación específicos.

El estudio concluye que, si bien los resultados de la diversidad beta fueron relativamente robustos en los conjuntos de datos probados, las conclusiones de la diversidad alfa son frágiles y dependen altamente de la metodología. Los autores abogan por un cambio de preguntar "¿qué herramienta es mejor?" a "¿cómo afectan las elecciones metodológicas a lo que concluimos?", para fomentar una investigación metagenómica más confiable y transparente.

La gran discrepancia en la lista de invitados

La biblioteca también importa

El momento del "¿Y esto qué tiene que ver?": ¿Cambian las conclusiones?

La buena noticia: La diversidad beta es más estable

La conclusión

Más como este