Taxonomic profilers and their influence on metagenomic diversity analyses

Stel je voor dat je een detective bent die een mysterie probeert op te lossen: "Wie woont er in deze minuscule, onzichtbare stad?" In de wereld van microbioomonderzoek is die stad een monster van aarde, speeksel of ontlasting, en de inwoners zijn miljarden piepkleine microben. Om te achterhalen wie daar woont, gebruiken wetenschappers speciale softwaretools die taxonomische profilers worden genoemd. Deze tools fungeren als supersnelle bibliothecarissen die miljoenen DNA-"pagina's" scannen en ze matchen met een gigantische referentielibrari van bekende microben om een gastenlijst te maken.

Maar hier komt de twist: net zoals verschillende bibliothecarissen verschillende catalogi kunnen gebruiken of verschillende regels kunnen hebben voor wat telt als een "gast", komen deze softwaretools niet altijd overeen over de gastenlijst. Dit artikel, geleid door Jonathan Rondeau-Leclaire en vrienden, besloot om vier van de meest populaire "bibliothecarissen" (mOTUs, MetaPhlAn, Kraken2 en Sourmash) op de proef te stellen. Ze keken niet alleen naar nep, verzonnen data; ze groeven in 1.211 echte metagenomen uit acht verschillende datasets, variërend van menselijke darmen en huid tot mos en de darmen van bijen.

De Grote Discrepantie in de Gastenlijst

Het team ontdekte dat de keuze van de bibliothecaris het verhaal aanzienlijk verandert. Als je één tool vraagt om de gasten te tellen, kan die zeggen: "Wauw, er zijn 500 verschillende soorten!" Vraag een andere tool, en die zegt misschien: "Eigenlijk zie ik er slechts 200."

Het onderzoek ontdekte dat alfa-diversiteit (een chique manier om te zeggen "hoeveel verschillende soorten gasten zijn er in de kamer en hoe gelijkmatig zijn ze verspreid") extreem gevoelig is voor de tool die je kiest.

• De "DNA-naar-markers" Bibliothecarissen: Tools zoals MetaPhlAn en mOTUs zoeken naar specifieke "naamkaartjes" (markergenen) op de microben. Zelfs bij het gebruik van hetzelfde type bibliotheek gaven deze twee tools verschillende diversiteitscounts. Zo vond mOTUs4 bijvoorbeeld een hogere diversiteit dan MetaPhlAn4 in 95,5% van de monsters bij het kijken naar Shannon-diversiteit.
• De "DNA-naar-DNA" Bibliothecarissen: Tools zoals Kraken2 en Sourmash vergelijken de volledige DNA-sequentie, alsover als het matchen van hele paragrafen. Deze vertoonden nog wildere schommelingen. Wanneer dezelfde database werd gebruikt, rapporteerde Kraken2 vaak veel meer soorten dan Sourmash. Sterker nog, met een specifieke instelling vond Kraken2 gemiddeld 1.167 ± 625,7 soorten, terwijl Sourmash er slechts 192 ± 48,69 vond.

De auteurs suggereren dat deze verschillen niet zomaar willekeurige ruis zijn; ze worden gedreven door de interne logica van de tools. Kraken2 is bijvoorbeeld als een bibliothecaris die zegt: "Als ik zelfs maar één klein aanwijzing zie, zet ik die gast op de lijst," terwijl Sourmash strenger is en zegt: "Ik heb een hele stapel bewijs nodig voordat ik een naam aan de lijst toevoeg."

De Bibliotheek Maakt Ook Uit

Het is niet alleen de bibliothecaris; het is ook de bibliotheek die ze gebruiken. Het artikel testte twee enorme referentiedatabases: RefSeq (gebaseerd op NCBI-taxonomie) en GTDB (gebaseerd op fylogenomische relaties).

• De GTDB-bibliotheek was veel groter, met meer dan 113.104 soorten, vergeleken met de 27.285 van RefSeq.
• Onverwacht genoeg leidde het gebruik van de grotere bibliotheek (GTDB) tot het vinden van meer diversiteit. Het artikel merkt op dat als je GTDB gebruikt, de tool Shigella-bacteriën onder E. coli kan groeperen, wat de hele structuur van de gastenlijst verandert.

Het "Wat Betekent Dit?" Moment: Veranderen de Conclusies?

Dit is het meest kritieke deel van het verhaal. Maakt het uit dat de gastenlijsten verschillend zijn? Ja, soms.

Wanneer de onderzoekers vroegen: "Is de diversiteit anders tussen zieke mensen en gezonde mensen?", hing het antwoord volledig af van de tool die ze gebruikten.

• In de Gut PD (Parkinson-ziekte) dataset met 719 monsters, was het verschil tussen groepen statistisch significant voor 9 van de 13 methodologieën. Maar de "sterkte" van dat verschil (de effectgrootte) varieerde enorm, van 0,04 tot 0,13.
• In de Gut NAFLD dataset vond slechts één specifieke opstelling (Kraken met RefSeq op een hoog betrouwbaarheidsniveau) een significant verschil, terwijl de anderen zeiden: "Nee, hier is niets aan de hand."
• Het artikel voert expliciet aan tegen het idee dat al deze tools uitwisselbaar zijn. Ze laten zien dat alfa-diversiteitsanalyse gedreven kan worden door methodologische keuzes, wat betekent dat een onderzoeker per ongeluk (of opzettelijk) een tool kan kiezen die zijn hypothese waar of onwaar laat lijken.

Het Goede Nieuws: Beta-diversiteit is Stabieler

Hoewel het "aantal" gasten (alfa-diversiteit) wankel was, was de "schikking" van de gasten (beta-diversiteit) stabieler. Beta-diversiteit vraagt: "Zien de gasten in Groep A er anders uit dan de gasten in Groep B?"

• De auteurs vonden dat, hoewel de specifieke aantallen veranderden, de statistische conclusies over de verschillen tussen groepen meestal hetzelfde bleven.
• Bijvoorbeeld, in de Gut RA (Reumatoïde Artritis) dataset waren de meeste tools het erover eens dat de groepen verschillend waren, zelfs als ze het oneens waren over exact hoeveel soorten er aanwezig waren.
• De paper merkt echter op dat het gebruik van de RefSeq database met Kraken soms leidde tot andere resultaten dan het gebruik van GTDB, wat suggereert dat een grotere, completere bibliotheek tools kan helpen om beter overeen te stemmen over het grote plaatje.

De Kernboodschap

De auteurs concluderen dat er niet één enkele "beste" tool is die voor alles werkt. De "juiste" keuze hangt af van je specifieke vraag, je monstertype en de bibliotheek die je tot je beschikking hebt.

Ze waarschuwen onderzoekers tegen "cherry-picking" van een tool, enkel omdat die de resultaten geeft die zij willen. In plaats daarvan suggereren ze:

1. Wees transparant: Vermeld duidelijk welke tool, database en instellingen je hebt gebruikt.
2. Controleer je werk: Voer een "gevoeligheidsanalyse" uit om te zien of je belangrijkste conclusie standhoudt als je de tool of de database vervangt.
3. Vergelijk geen appels met peren: Je kunt een diversiteitscijfer uit een studie die Tool A gebruikt niet direct vergelijken met een studie die Tool B gebruikt, omdat de cijfers zelf worden beïnvloed door de software.

Kortom, het artikel suggereert dat hoewel deze tools krachtig zijn, ze geen toverstaven zijn. Het zijn lenzen, en verschillende lenzen kunnen je verschillende versies van dezelfde microscopische wereld laten zien. Om het meest ware beeld te krijgen, moeten wetenschappers precies weten door welke lens ze kijken.