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

Resumo Técnico: Resolução Taxonômica de 16S rRNA, FastANI, Mash e FastAAI em 30.495 Genomas de Linhagens-Tipo Procarióticas

Declaração do Problema
A taxonomia procariótica baseia-se atualmente num quadro dual de análise de genes marcadores (principalmente 16S rRNA) e comparações de sequências em todo o genoma. No entanto, estes métodos diferem significativamente em termos de alcance taxonómico, escalabilidade e sensibilidade à qualidade da montagem do genoma. Embora as linhagens-tipo sirvam como âncoras nomenclaturais para espécies validamente nomeadas, há uma carência de uma avaliação abrangente que avalie quão bem os atuais métodos baseados em sequências correspondem às atribuições taxonómicas estabelecidas através de todo o espectro de ranks taxonómicos (desde a espécie até ao domínio). Além disso, a transição de genomas de rascunho (draft) para genomas completos, a prevalência de genes marcadores ausentes em montagens de rascunho e a sobreposição de intervalos de identidade do 16S rRNA em diferentes ranks criam ambiguidades na definição de limiares taxonómicos universais.

Metodologia
Os autores realizaram um estudo de benchmarking em larga escala utilizando um conjunto de dados de 30.495 genomas de linhagens-tipo procarióticas recuperados do NCBI até 4 de maio de 2026 (29.383 Bacteria e 1.112 Archaea).

1. Curadoria e Padronização de Dados: Os autores padronizaram a taxonomia para todos os genomas utilizando IDs de táxons do NCBI à data da recuperação, preenchendo manual e automaticamente os ranks ausentes (Domínio através de Espécie) utilizando fontes como LPSN, GTDB e GBIF.
2. Controlo de Qualidade: Um pipeline de qualidade genómica avaliou a completude, genes essenciais e conteúdo de rRNA/tRNA. Foi colocado um foco específico na presença de sequências de 16S rRNA de comprimento total (1450–1700 nt), que foram exigidas para a análise de genes marcadores.
3. Benchmarking Metodológico: Quatro abordagens distintas foram avaliadas através de comparações genómicas pareadas:
   • Identidade de 16S rRNA: Extraída através de RNAmmer e comparada utilizando VSEARCH.
   • FastANI: Calculou a Identidade de Nucleotídeo Médio (ANI) utilizando FastANI v1.33.
   • Mash: Estimou distâncias genómicas utilizando sketching de MinHash (tamanho de k-mer 21, tamanho de sketch 1000).
   • FastAAI/Jaccard: Calculou a semelhança baseada em aminoácidos utilizando perfis de tetrâmeros de proteínas universais (FastAAI v0.1.17).
4. Classificação de Falhas: O estudo distinguiu entre falhas iniciais (onde um método não conseguiu produzir uma pontuação devido a dados ausentes ou limites técnicos) e falhas de limiar (onde uma pontuação válida foi produzida, mas caiu fora do intervalo empírico para um rank taxonómico específico).
5. Comparação Filogenética: Um subconjunto de 56 genomas representativos (um por cada filo oficialmente reconhecido) foi utilizado para construir árvores de Neighbor-Joining de 16S rRNA e FastAAI para avaliar a concordância topológica utilizando a distância de Robinson–Foulds, distância de quartetos e correlações de Mantel.

Principais Resultados

• Composição do Conjunto de Dados: Os 30.495 genomas representavam 21.971 espécies únicas. O conjunto de dados foi dominado por montagens de rascunho (draft assemblies) (47,1% ao nível de contigs, 31,7% ao nível de scaffolds), sendo apenas 21,2% completos ou ao nível de cromossoma. A amostragem taxonómica foi altamente desigual, com Bacillati e Pseudomonadati a representar mais de 95% dos genomas bacterianos.
• Limitações do 16S rRNA:
  • Disponibilidade de Dados: 5.925 genomas (aprox. 19%) careciam de uma sequência de 16S rRNA de comprimento total recuperável. Consequentemente, 27,7% das comparações da mesma espécie (4.551 pares) resultaram em falhas iniciais.
  • Resolução: Entre as comparações válidas, 97,1% passaram pelo limiar empírico da mesma espécie. No entanto, os intervalos de identidade se sobrepuseram significativamente entre espécies, géneros e ranks superiores, limitando a utilidade de cortes universais.
• Desempenho dos Métodos de Genoma Completo:
  • FastANI: Demonstrou uma forte resolução ao nível de espécie (88% das comparações de mesma espécie válidas passaram o limiar). Contudo, apresentou a maior taxa de falha de limiar (12,4%) entre as comparações de genoma completo válidas e perdeu resolução em ranks taxonómicos mais profundos.
  • Mash: Forneceu capacidades de triagem rápida. As comparações de mesma espécie concentraram-se perto de zero de distância, mas o método perdeu a semelhança detetável em ranks mais profundos, com muitas comparações a acumularem-se na distância máxima.
  • FastAAI: Forneceu um sinal de aminoácidos em todo o genoma com uma baixa taxa de falha inicial (0,03%) e uma taxa de falha de limiar de 7,8% para comparações de mesma espécie. Manteve uma resolução útil através de fronteiras de género, família e fronteiras mais profundas onde os métodos baseados em nucleótidos (ANI, 16S) encontraram dificuldades.
• Concordância de Árvores: As árvores filogenéticas construídas com 16S rRNA e FastAAI recuperaram ambas a separação ampla entre Archaea e Bacteria. No entanto, exibiram uma discordância topológica significativa (distância de Robinson–Foulds normalizada de 0,811), embora partilhassem estruturas de distância amplas semelhantes (correlação de Mantel $r \approx 0,91$).
• Heterogeneidade Intragenómica: Embora a maioria das linhagens-tipo possuísse cópias únicas de 16S rRNA, algumas exibiram números de cópias elevados (até 37 em Tumebacillus avium). No subconjunto de genomas com múltiplas cópias, a identidade mínima pareada variou de 95,26% a 99,87%, com dois genomas apresentando identidades abaixo de 99%.

Principais Contribuições

• Limiares Empíricos: O estudo fornece limiares derivados empiricamente para 16S rRNA, FastANI, Mash e FastAAI com base num conjunto massivo e padronizado de genomas de linhagens-tipo, distinguindo entre falhas técnicas e violações de limiar biológico.
• Análise de Modo de Falha: Ao separar as falhas iniciais (dados ausentes) das falhas de limiar, os autores esclarecem que a principal limitação do 16S rRNA neste conjunto de dados foi a ausência de sequências de comprimento total, enquanto a principal limitação dos métodos de genoma completo foi a sua incapacidade de resolver relações evolutivas profundas ou limites de limiar específicos.
• Utilidade Complementar: Os resultados demonstram que nenhum método único é ideal em todos os níveis taxonómicos. O 16S rRNA é eficaz para o posicionamento amplo e continuidade histórica; o FastANI é excelente para a delineação de espécies; o Mash oferece triagem rápida para parentes próximos; e o FastAAI fornece o sinal mais robusto para comparações evolutivas mais profundas.

Significância e Alegações
Os autores alegam que este estudo apoia um "quadro de benchmarking consciente do rank" (rank-aware benchmarking framework), onde estes quatro métodos são interpretados como ferramentas complementares e não como padrões concorrentes. O artigo enfatiza que:

1. O Contexto Importa: Cortes taxonómicos universais são insuficientes devido aos intervalos de identidade sobrepostos entre os ranks e às variações específicas de linhagem.
2. A Qualidade dos Dados é Crítica: A utilidade das abordagens de genes marcadores é fortemente condicionada pela qualidade das montagens de rascunho e pela presença de sequências de 16S rRNA de comprimento total.
3. Seleção de Métodos: Os investigadores devem selecionar ferramentas com base na escala taxonómica da sua investigação: 16S para continuidade histórica e posicionamento amplo, FastANI para resolução ao nível de espécie, Mash para triagem rápida de larga escala e FastAAI para resolver relações além da fronteira de espécie.
4. Necessidade de Benchmarking: O estudo destaca a necessidade de abordagens transparentes e conscientes da qualidade genómica na taxonomia procariótica moderna, utilizando genomas de linhagens-tipo como a âncora nomenclatural para avaliar os métodos baseados em sequências.

O artigo conclui que, embora as linhagens-tipo forneçam um quadro valioso, a representação desigual de táxons e a prevalência de montagens de rascunho necessitam de uma interpretação cuidadosa dos limiares empíricos, que devem ser vistos como guias para todo o conjunto de dados e não como regras nomenclaturais imutáveis.