Taxonomic Resolution of 16S rRNA, FastANI, Mash, and FastAAI across 30,495 Prokaryotic Type-Strain Genomes

技術要約：30,495個のプロカリオート型株ゲノムにおける16S rRNA、FastANI、Mash、およびFastAAIの分類学的解像度

問題提起
プロカリオート（原核生物）の分類学は、現在、マーカー遺伝子解析（主に16S rRNA）とゲノムワイドな配列比較という二重の枠組みに依存している。しかし、これらの手法は、分類学的範囲、スケーラビリティ、およびゲノムアセンブリの品質に対する感度が大きく異なる。型株ゲノムは、有効に命名された種の名前を保証する命名上のアンカーとして機能するが、現在の配列ベースの手法が、全分類階級（種からドメインまで）にわたって確立された分類割り当てとどの程度一致しているかを評価する包括的なベンチマークは不足している。さらに、ドラフトゲノムから完全ゲノムへの移行、マーカー遺伝子の欠損、および異なる階級間での16S rRNAの同一性範囲の重複は、普遍的な分類学的閾値を定義する上で曖昧さを生じさせている。

方法論
著者らは、2026年5月4日時点でNCBIから取得された30,495個のプロカリオート型株ゲノム（細菌29,383、古細菌1,112）のデータセットを用いて、大規模なベンチマーク研究を実施した。

1. データキュレーションと標準化： 著者らは、取得日時点のNCBIタクソンIDを使用して全ゲノムの分類を標準化し、LPSN、GTDB、GBIFなどのソースを用いて欠落している階級（ドメインから種まで）を手動および自動的に補完した。
2. 品質管理： ゲノム品質パイプラインを用いて、完全性、必須遺伝子、およびrRNA/tRNA含有量を評価した。マーカー遺伝子解析のために、フルレングスの16S rRNA遺伝子（1450–1700 nt）の存在に特に焦点を当てた。
3. 手法のベンチマーク： 以下の4つの異なるアプローチを、ペアワイズゲノム比較において評価した：
   • 16S rRNA 同一性： RNAmmerを用いて抽出し、VSEARCHを用いて比較した。
   • FastANI： FastANI v1.33を用いて平均塩基同一性（ANI）を算出した。
   • Mash： MinHashスケッチング（k-merサイズ21、スケッチサイズ1000）を用いてゲノム距離を推定した。
   • FastAAI/Jaccard： ユニバーサルタンパク質のテトラマープロファイルを用いて、アミノ酸ベースの類似性を算出した（FastAAI v0.1.17）。
4. 失敗の分類： 著者らは、初期失敗（データの欠損や技術的制限によりスコアを算出できなかった場合）と、閾値失敗（有効なスコアは生成されたが、特定の分類階級の経験的範囲から外れた場合）を区別した。
5. 系統学的比較： 56個の代表的なゲノム（公式に認められた各門から1つずつ）のサブセットを用い、Robinson–Foulds距離、クアルテット距離、およびMantel相関を用いて、16S rRNAおよびFastAAIのNeighbor-Joining樹のトポロジー的一致性を評価した。

主要な結果

• データセットの構成： 30,495個のゲノムは21,971のユニークな種を表していた。データセットはドラフトアセンブリ（コンティグレベルが47.1%、スキャフォールドレベルが31.7%）に支配されており、完全または染色体レベルのものは21.2%のみであった。分類学的サンプリングは極めて偏っており、BacillatiとPseudomonadatiが細菌ゲノムの95%以上を占めていた。
• 16S rRNAの限界：
  • データの可用性： 5,925個のゲノム（約19%）において、フルレングスの16S rRNA配列の回収が不可能であった。その結果、同種の比較（4,551ペア）の27.7%が初期失敗となった。
  • 解像度： 有効な比較のうち、97.1%が経験的な同種閾値を通過した。しかし、同一性の範囲は種、属、およびより高い階級間で大きく重複しており、普遍的なカットオフ値の有用性を制限していた。
• ゲノムワイド手法の性能：
  • FastANI： 強固な種レベルの解像度を示した（有効な同種比較の88%が閾値を通過）。しかし、有効なゲノムワイド比較の中で最も高い閾値失敗率（12.4%）を示し、より深い分類階級では解像度が低下した。
  • Mash： 高速なスクリーニング能力を提供した。同種の比較はゼロに近い距離に集中していたが、この手法はより深い階級において検出可能な類似性を失い、多くの比較が最大距離に蓄積した。
  • FastAAI： ユニバーサルタンパク質のテトラマープロファイルによるゲノムワイドなアミノ酸シグナルを提供し、低い初期失敗率（0.03%）と、同種比較における閾値失敗率（7.8%）を示した。ANIや16Sといった塩基ベースの手法が苦戦する属、科、およびより深い分類境界においても、有用な解像度を維持した。
• 樹の整合性： 16S rRNAとFastAAIの両方によって構築された系統樹は、古細菌と細菌の間の広範な分離を回復した。しかし、内部分岐においては顕著なトポロジー的不一致（正規化されたRobinson–Foulds距離 0.811）を示したが、同様の広範な距離構造（Mantel相関 $r \approx 0.91$）を共有していた。
• ゲノム内不均一性： ほとんどの型株は単一の16S rRNAコピーを持っていたが、一部の株は高いコピー数（Tumebacillus aviumでは最大37個）を示した。複数のコピーを持つゲノムのサブセットにおいて、最小ペアワイズ同一性は95.26%から99.87%の範囲にあり、2つのゲノムが99%を下回る同一性を示した。

主な貢献

• 経験的閾値： 本研究は、大規模で標準化された型株ゲノムに基づき、16S rRNA、FastANI、Mash、およびFastAAIの経験的に導出された閾値を提供し、技術的な失敗と生物学的な閾値違反を区別している。
• 失敗モードの分析： 初期失敗（データの欠損）と閾値失敗を分離することで、本データセットにおける16S rRNAの主な制限はフルレングス配列の欠如であり、ゲノムワイド手法の主な制限は深い進化関係や特定の閾値境界を解明できないことにあることを明確にした。
• 相補的有用性： 結果は、単一の手法がすべての分類レベルにおいて最適であるわけではないことを示している。16S rRNAは広範な配置には効果的だがデータの可用性に制約され、FastANIは種レベルの識別において優れ、Mashは高速な大規模スクリーニングを提供し、FastAAIは種境界を超えた深い進化関係の解明において最も堅牢なシグナルを提供する。

意義と主張
著者らは、これら4つの手法を競合する標準ではなく、相補的なツールとして解釈する「階級認識型ベンチマークフレームワーク」を支持すると主張している。論文は以下の点を強調している：

1. 文脈が重要である： 階級間で同一性の範囲が重複し、系統ごとに変動するため、普遍的な分類学的カットオフは不十分である。
2. データ品質が極めて重要である： マーカー遺伝子アプローチの有用性は、ドラフトアセンブリの品質およびフルレングスの16S rRNA配列の存在によって大きく制約される。
3. 手法の選択： 研究者は、特定の分類学的スケールに基づいてツールを選択すべきである：歴史的な継続性と広範な配置には16S、種レベルの解像度にはFastANI、高速な大規模スクリーニングにはMash、そして種境界を超えた関係の解明にはFastAAIを用いる。
4. ベンチマークの必要性： 本研究は、現代のプロカリオート分類学において、透明性の高い、ゲノム品質を考慮したアプローチが必要であることを強調しており、配列ベースの手法を評価するための命名上のアンカーとして型株ゲノムを使用している。

結論として、型株ゲノムは貴重な枠組みを提供するものの、分類学的代表性の偏りやドラフトアセンブリの普及により、経験的閾値は不変の命名規則ではなく、データセット全体のガイドとして解釈されるべきであるとしている。