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

Technische Samenvatting: Taxonomische Resolutie van 16S rRNA, FastANI, Mash en FastAAI over 30.495 Prokaryotische Type-stam Genomen

Probleemstelling
De prokaryotische taxonomie steunt momenteel op een duaal kader van markergenen-analyse (primair 16S rRNA) en genoombrede sequentievergelijkingen. Deze methoden verschillen echter aanzienlijk in hun taxonomische bereik, schaalbaarheid en gevoeligheid voor de kwaliteit van de genoomassemblage. Hoewel type-stam genomen dienen als de nomenclatuur-ankers voor geldig benoemde soorten, is er een gebrek aan uitgebreide benchmarking die evalueert hoe goed huidige sequentiegebaseerde methoden corresponderen met gevestigde taxonomische toewijzingen over het volledige spectrum van taxonomische rangen (van soort tot domein). Bovendien creëren de overgang van draft naar complete genomen, de prevalentie van ontbrekende markergenen in draft-assemblages, en de overlappende identiteitsbereiken van 16S rRNA over verschillende rangen ambiguïteit bij het definiëren van universele taxonomische drempelwaarden.

Methodologie
De auteurs voerden een grootschalige benchmarkingstudie uit met een dataset van 30.495 prokaryotische type-stam genomen afkomstig van NCBI per 4 mei 2026 (29.383 Bacteria en 1.112 Archaea).

1. Data Curatie en Standaardisatie: De auteurs standaardiseerden de taxonomie voor alle genomen met behulp van NCBI taxon-ID's per de datum van ophalen, waarbij ontbrekende rangen (Domein tot Soort) handmatig en automatisch werden ingevuld met bronnen zoals LPSN, GTDB en GBIF.
2. Kwaliteitscontrole: Een genoomkwaliteitspipeline beoordeelde volledigheid, essentiële genen en rRNA/tRNA-gehalte. Er werd specifieke aandacht besteed aan de aanwezigheid van volledige 16S rRNA-genen (1450–1700 nt), die vereist waren voor de markergenen-analyse.
3. Methodologische Benchmarking: Vier verschillende benaderingen werden geëvalueerd tijdens pairwise genoomvergelijkingen:
   • 16S rRNA Identiteit: Geëxtraheerd met RNAmmer en vergeleken met VSEARCH.
   • FastANI: Berekende Average Nucleotide Identity met FastANI v1.33.
   • Mash: Schatte genomische afstanden met MinHash sketching (k-mer grootte 21, sketch grootte 1000).
   • FastAAI/Jaccard: Berekende aminozuur-gebaseerde gelijkenis met tetrameerprofielen van universele eiwitten (FastAAI v0.1.17).
4. Classificatie van Falen: De studie maakte onderscheid tussen initiële fouten (waarbij een methode geen score kon produceren door ontbrekende data of technische limieten) en drempel-fouten (waarbij een geldige score werd geproduceerd maar buiten het empirische bereik voor een specifieke taxonomische rang viel).
5. Fylogenetische Vergelijking: Een subset van 56 representatieve genomen (één per officieel erkend fylum) werd gebruikt om 16S rRNA en FastAAI Neighbor-Joining bomen te construeren om de topologische concordantie te beoordelen met behulp van Robinson–Foulds afstand, quartet afstand en Mantel-correlaties.

Belangrijkste Resultaten

• Dataset Samenstelling: De 30.495 genomen vertegenwoordigden 21.971 unieke soorten. De dataset werd gedomineerd door draft-assemblages (47,1% contig-niveau, 31,7% scaffold-niveau), waarbij slechts 21,2% compleet of op chromosoomniveau was. De taxonomische bemonstering was zeer ongelijkmatig, waarbij Bacillati en Pseudomonadati meer dan 95% van de bacteriële genomen vormden.
• Beperkingen van 16S rRNA:
  • Beschikbaarheid van Data: 5.925 genomen (ca. 19%) misten een herstelbare volledige 16S rRNA-sequentie. Bijgevolg resulteerden 27,7% van de vergelijkingen tussen dezelfde soorten (4.551 paren) in initiële fouten.
  • Resolutie: Onder de geldige vergelijkingen slaagde 97,1% voor de empirische zelfde-soort drempelwaarde. Echter, de identiteitsbereiken overlapten significant over soorten, genera en hogere rangen, wat het nut van universele cut-offs beperkte.
• Prestaties van Genoombrede Methoden:
  • FastANI: Toonde een sterke resolutie op soortniveau (88% van de geldige zelfde-soort vergelijkingen haalde de drempelwaarde). Het vertoonde echter de hoogste drempel-foutratio (12,4%) onder de geldige genoombrede vergelijkingen en verloor resolutie bij diepere taxonomische rangen.
  • Mash: Bood snelle screeningmogelijkheden. Vergelijkingen binnen dezelfde soort waren geconcentreerd nabij een afstand van nul, maar de methode verloor detecteerbare gelijkenis bij diepere rangen, waarbij veel vergelijkingen zich ophoopten bij de maximale afstand.
  • FastAAI: Bood een genoombreed aminozuur-signaal met een lage initiële foutratio (0,03%) en een drempel-foutratio van 7,8% voor zelfde-soort vergelijkingen. Het behield nuttige resolutie over genus, familie en diepere taxonomische grenzen waar nucleotide-gebaseerde methoden (ANI, 16S) moeite hadden.
• Boomconcordantie: Fylogenetische bomen geconstrueerd uit 16S rRNA en FastAAI herstelden beide de brede scheiding tussen Archaea en Bacteria. Ze vertoonden echter een significante topologische discordantie (genormaliseerde Robinson–Foulds afstand van 0,811) in de interne vertakking, hoewel ze vergelijkbare brede afstandstructuren deelden (Mantel correlatie $r \approx 0,91$).
• Intragenomische Heterogeniteit: Hoewel de meeste type stammen een enkelvoudige 16S rRNA kopie hadden, vertoonden sommige een hoog aantal kopieën (tot 37 in Tumebacillus avium). In de subset van genomen met meerdere kopieën varieerde de minimale paarwijze identiteit van 95,26% tot 99,87%, waarbij twee genomen identiteiten onder de 99% vertoonden.

Belangrijkste Bijdragen

• Empirische Drempelwaarden: De studie levert empirisch afgeleide drempelwaarden voor 16S rRNA, FastANI, Mash en FastAAI op basis van een massale, gestandaardiseerde set van type-stam genomen, waarbij onderscheid wordt gemaakt tussen technische fouten en biologische drempelovertredingen.
• Analyse van Foutmodi: Door initiële fouten (ontbrekende data) te scheiden van drempel-fouten, verduidelijken de auteurs dat de primaire beperking van 16S rRNA in deze dataset de aanwezigheid van volledige 16S rRNA-sequenties was, terwijl de primaire beperking van genoombrede methoden het onvermogen was om diepe evolutionaire relaties of specifieke drempelgrenzen te resolveren.
• Complementair Nut: De resultaten laten zien dat geen enkele methode optimaal is over alle taxonomische niveaus. 16S rRNA is effectief voor brede plaatsing; FastANI blinkt uit in soort-delineatie; Mash biedt snelle screening voor nauwe verwanten; en FastAAI biedt het meest robuuste signaal voor diepere evolutionaire vergelijkingen.

Betekenis en Claims
De auteurs beweren dat deze studie een "rang-bewust benchmarking-kader" ondersteunt waarbij deze vier methoden worden geïnterpreteerd als complementaire instrumenten in plaats van concurrerende standaarden. Het artikel benadrukt dat:

1. Context Belangrijk Is: Universele taxonomische cut-offs zijn onvoldoende vanwege overlappende identiteitsbereiken over rangen en lijn-specifieke variaties.
2. Datakwaliteit Cruciaal Is: Het nut van markergenen-benaderingen wordt zwaar beperkt door de kwaliteit van draft-assemblages en de aanwezigheid van volledige 16S rRNA-sequenties.
3. Methodekeuze: Onderzoekers moeten tools selecteren op basis van de specifieke taxonomische schaal van hun onderzoek: 16S voor historische continuïteit en brede plaatsing, FastANI voor soort-resolutie, Mash voor snelle grootschalige screening, en FastAAI voor het oplossen van relaties voorbij de soortgrens.
4. Noodzaak van Benchmarking: De studie benadrukt de noodzaak van transparante, genoomkwaliteit-bewuste benaderingen in de moderne prokaryotische taxonomie, waarbij type-stam genomen als het nomenclatuur-anker worden gebruikt voor het evalueren van sequentiegebaseerde methoden.

Het artikel concludeert dat hoewel type-stam genomen een waardevol kader bieden, de ongelijke representatie van taxa en de prevalentie van draft-assemblages een zorgvuldige interpretatie van empirische drempelwaarden vereisen, die als dataset-brede gidsen moeten worden beschouwd in plaats van onveranderlijke nomenclatuurregels.