PanGBank: a large-scale resource of precomputed microbial pangenomes built with PPanGGOLiN

PanGBank に関する技術要約

問題提起
微生物ゲノムシーケンシングの指数関数的な増加により、プロカリオート（原核生物）の膨大なデータリポジトリが形成されている。NCBI RefSeq は 516,000 組以上のアセンブリを保持し、GenBank には 330 万を超えるアセンブリが存在する。比較ゲノミクスを支援するために、IMG/M、BV-BRC、AllTheBacteria などの専門的なデータベースが存在するが、これらは主に個々のゲノムアセンブリを通じて種を表現しており、種内多様性の解析に対するサポートは限定的である。パンゲノム解析は微生物の進化や適応形質（薬剤耐性など）の拡散を理解する上で中心的な役割を果たすが、既存のリソースには不十分な点がある。Roary や Panaroo のようなツールは、ユーザーに「全対全（all-against-all）」の比較を要求する一方、PanX や ProPan のようなプラットフォームは、計算済みのパンゲノムを提供しているものの、分類学的範囲の限定、更新の欠如、およびデータのアクセシビリティの制限（例：基礎となるデータのダウンロードが不可能）という課題を抱えている。広範な分類学的範囲、定期的な更新、標準化された品質管理、そして計算済みの微生物パンゲノムに対する完全なデータアクセシビリティを組み合わせたリソースへの切実なニーズが存在する。

手法
PanGBank は、統計的なグラフベースのモデルである PPanGGOLiN を用いて、任意の頻度閾値に依存することなく遺伝子ファミリーを持続的（persistent）、シェル（shell）、クラウド（cloud）成分へと分類し、計算済みのプロカリオート・パンゲノムの大規模かつオープンアクセスなデータベースを提供することで、このギャップを埋める。

本システムは、定義されたタクソノミーに関連するゲノムセットを処理するために設計された、Nextflow によって実装されたモジュール式ワークフロー（PanGBank-wf）に基づいている。このワークフローは、主に 4 つのステップで構成される：

1. 入力フィルタリングと種の選択： 高度に不完全な MAG または SAG を除外するため、ゲノットは品質指標（個々のゲノムについては完全性 >70%、代表ゲノムについては >85%）に基づいてフィルタリングされる。少なくとも 15 個のゲノムを持つ種のみが保持される。
2. 分割された種の統合： Genome Taxonomy Database (GTDB) をリファレンスとして使用する場合、平均ヌクレオチド同一性 (ANI) が 95% を超え、かつアライメントフラクション (AF) が 50% を超える場合、アルファベットの接尾辞のみが異なる近縁の種クラスター（例：s Proteus vulgaris と s Proteus vulgaris B）を統合する。
3. ゲノムのデレプリケーション（重複除去）： ストレージと計算リソースを管理するため、2,000 個を超えるゲノムを持つ種グループは、ツリーベースのクラスタリング戦略（Mash および Quicktree）を用いてデレプリケーションされ、完全性とアセンブリ品質に基づいた代表ゲノムが保持される。
4. パンゲノム構築： PPanGGOLiN を実行して分割されたパンゲノムグラフを生成し、panRGP を通じてゲノム可塑性領域 (RGP) と挿入部位を予測し、panModule を通じて共局在する機能モジュールを特定する。

初期リリースでは、GTDB リリース 232 から派生した 2 つの補完的なコレクションを特徴とする：

• GTDB all： GenBank と RefSeq の両方のゲノム（FASTA 形式）を含み、MAG や SAG を組み込むことで、分類学的および環境的な多様性を最大化している。
• GTDB refseq： 高品質で注釈が豊富な RefSeq ゲノム（GenBank 形式）に限定されており、機能解析に適している。

主な貢献と結果

• 規模とカバレッジ： 初期リリースでは、4,600 種を超えるプロカリオートにわたる 393,000 個以上のゲノムをカバーしている。GTDB all コレクションは 4,679 種にわたる 382,760 個のゲノムを含み、GTDB refseq は 2,044 種にわたる 219,611 個のゲノムを含んでいる。
• データの豊かさ： GTDB all コレクションには、14,389,864 個の RGP、1,010,214 個のモジュール、および 40,239,843 個の遺伝子ファミリーが含まれている。
• アクセシビリティ： PanGBank は 3 つのアクセスモードを提供する：
  • REST API： 計算ワークフローへの統合のためのコンパニオン Python SDK を備えたプログラム・インターフェース。
  • Web インターフェース： パンゲノム指標、遺伝子ファミリー分布、およびゲノムマップ (CGView) を閲覧、検索、可視化するためのインタラクティブなプラットフォーム。
  • コマンドライン・インターフェース (CLI)： 自動化された検索、メタデータ取得、および HDF5 形式のパンゲノムファイルのダウンロードを可能にする。また、Mash スケッチを用いた match-pangenome コマンドを含み、クエリゲノムに対して最も適切なリファレンス・パンゲノムを迅速に特定できる。
• ユースケースの検証： 著者らは、Acinetobacter baumannii のパンゲノム解析を通じて PanGBank の有用性を実証した。彼らは薬剤耐性 (AMR) 遺伝子の分布をマッピングすることに成功し、固有の耐性が持続的ゲノムに限定される一方で、レジストームの大部分はアクセサリゲノム（シェルおよびクラウド）に属することを特定した。この解析により、多様な耐性アイランド（AbaR1 を含む）を保有する特定のゲノムホットスポット（例：spot 47）が特定された。さらに、本システムは、リファレンスセットに含まれていない新規株 (ABO21-A003) に対してパンゲノム注釈を投影することに成功し、耐性アイランドと挿入ホットスポットを正確に特定した。

意義
PanGBink は、微生物の多様性、ゲノム進化、および適応形質の拡散を探索するためのスケーラブルなフレームワークを提供する。PPanGGOLiN ワークフローを大規模で標準化されたデータセットと密接に統合することで、大規模な比較ゲノミクスと詳細な機能解析の間のギャップを埋める。このリソースにより、研究者は、計算負荷の高いパンゲノム再構築をゼロから行うことなく、新たにシーケンシングされたゲノムを包括的な進化の枠組みの中に位置づけることが可能となる。

本論文は、分類学的整合性を確保するために、GTDB リリースに合わせた定期的な更新を行うよう PanGBank が設計されていることを強調している。今後の展開としては、機能注釈（代謝経路、防御システム）の組み込み、および MicroScope プラットフォームや MetaPanG ツールとの統合を目指している。著者らは、PanGBank をローカル解析ツールの代替としてではなく、広範な分類学的範囲にわたって、計算済みのパンゲノムデータの探索、ダウンロード、およびダウンストリームへの適用をシームレスに可能にするリファレンス・エコシステムとして位置づけている。