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

技术摘要：针对 30,495 个原核类型株基因组的 16S rRNA、FastANI、Mash 和 FastAAI 的分类学解析

问题陈述
原核生物分类学目前依赖于一种双重框架：标记基因分析（主要是 16S rRNA）和全基因组序列比较。然而，这些方法在分类范围、可扩展性以及对基因组组装质量的敏感性方面存在显著差异。虽然类型株基因组是有效命名物种的命名法锚点，但目前缺乏全面的基准测试来评估这些基于序列的方法在整个分类阶元谱系（从物种到域）中与既定分类分配的匹配程度。此外，从草图（draft）到完整基因组的过渡、标记基因在草图组装中的缺失现象，以及不同阶元间 16S rRNA 身份值的重叠范围，都为定义通用的分类阈值带来了模糊性。

方法论
作者利用截至 2026 年 5 月 4 日从 NCBI 获取的 30,495 个原核类型株基因组（包括 29,383 个细菌和 1,112 个古菌）进行了一项大规模基准测试研究。

1. 数据策展与标准化： 作者使用截至检索日期的 NCBI 分类 ID 对所有基因组进行标准化分类，并利用 LPSN、GTDB 和 GBIF 等来源手动和自动填充缺失的阶元（从“域”到“物种”）。
2. 质量控制： 基因组质量流水线评估了完整性、必需基因以及 rRNA/tRNA 含量。研究特别关注了是否存在全长 16S rRNA 基因（1450–1700 nt），这对于标记基因分析是必需的。
3. 方法论基准测试： 四种不同的方法在成对基因组比较中得到了评估：
   • 16S rRNA 身份值： 使用 RNAmmer 提取并使用 VSEARCH 进行比较。
   • FastANI： 使用 FastANI v1.33 计算平均核苷酸身份值（ANI）。
   • Mash： 使用 MinHash 草图（k-mer 大小为 21，草图大小为 1000）估算基因组距离。
   • FastAAI/Jaccard： 使用通用蛋白质的四聚体谱（FastAAI v0.1.17）计算基于氨基酸的相似性。
4. 失败分类： 研究区分了初始失败（由于数据缺失或技术限制导致方法无法产生评分）和阈值失败（产生了有效评分，但落在特定分类阶元的经验范围之外）。
5. 系统发育比较： 使用 56 个代表性基因组（每个官方认可的门各一个）构建了 16S rRNA 和 FastAAI 邻接树（Neighbor-Joining trees），通过 Robinson–Foulds 距离、四分体距离（quartet distance）和 Mantel 相关性来评估拓扑一致性。

关键结果

• 数据集组成： 30,495 个基因组代表了 21,971 个独特物种。数据集以草图组装为主（47.1% 为 contig 级，31.7% 为 scaffold 级），仅有 21.2% 是完整或染色体级的。分类采样高度不均，Bacillati 和 Pseudomonadati 占据了细菌基因组的 95% 以上。
• 16S rRNA 的局限性：
  • 数据可用性： 5,925 个基因组（约 19%）缺乏可恢复的全长 16S rRNA 序列。因此，27.7% 的同物种比较（4,551 对）出现了初始失败。
  • 分辨率： 在有效的比较中，97.1% 通过了经验性的同物种阈值。然而，身份值范围在物种、属及更高阶元之间显著重叠，限制了通用截断值的效用。
• 全基因组方法表现：
  • FastANI： 展示了强大的物种水平分辨率（88% 的有效同物种比较通过了阈值）。然而，它在有效全基因组比较中表现出最高的阈值失败率（12.4%），并在更深的分类阶元中失去了分辨率。
  • Mash： 提供了快速筛选能力。同物种比较集中在接近零的距离处，但该方法在更深的阶元中会失去可检测的相似性，许多比较会累积在最大距离处。
  • FastAAI： 提供了一种全基因组层面的氨基酸信号，具有较低的初始失败率（0.03%）以及针对同物种比较的 7.8% 阈值失败率。在核苷酸方法（ANI、16S）难以处理的属、科及更深层分类边界处，它保持了有效的分辨率。
• 树一致性： 由 16S rRNA 和 FastAAI 构建的系统发育树均恢复了 Archaea 和 Bacteria 之间的广泛分离。尽管两者在内部分支上表现出显著的拓扑不一致性（归一化 Robinson–Foulds 距离为 0.811），但它们共享相似的宽泛距离结构（Mantel 相关性 $r \approx 0.91$）。
• 基因组内异质性： 虽然大多数类型株具有单个 16S rRNA 拷贝，但一些类型株表现出高拷贝数（最高达 37 个，如 Tumebacillus avium）。在具有多个拷贝的基因组子集中，最小两两身份值范围为 95.26% 至 99.87%，其中两个基因组的身份值低于 99%。

核心贡献

• 经验阈值： 本研究基于大规模、标准化的类型株基因组集，提供了 16S rRNA、FastANI、Mash 和 FastAAI 的经验推导阈值，并区分了技术性失败与生物学阈值违背。
• 失败模式分析： 通过区分初始失败（数据缺失）与阈值失败，作者阐明了在本研究中 16S rRNA 的主要局限在于缺失全长序列，而全基因组方法的局限则在于无法解析深层进化关系或特定的阈值边界。
• 互补效用： 结果表明，没有单一方法在所有分类水平上都是最优的：16S rRNA 适用于宏观定位；FastANI 擅长物种划分；Mash 提供快速的大规模筛选；而 FastAAI 则为物种边界之外的关系解析提供最稳健的信号。

意义与主张
作者声称本研究支持一种“具备阶元感知能力的基准测试框架”，即将这四种方法视为互补工具而非竞争标准。论文强调：

1. 语境至关重要： 由于不同阶元间身份值范围存在重叠以及谱系间的差异，通用的分类截断值是不充分的。
2. 数据质量是关键： 标记基因方法的效用深受基因组草图质量以及是否存在全长 16S rRNA 序列的制约。
3. 方法选择： 研究人员应根据其研究的分类尺度选择工具：使用 16S 进行历史连续性和宏观定位，使用 FastANI 进行物种水平的分辨，使用 Mash 进行快速大规模筛选，以及使用 FastAAI 来解析物种边界之外的关系。
4. 基准测试的必要性： 研究强调了在现代原核生物分类学中使用透明且感知基因组质量的方法的重要性，并利用类型株基因组作为评估基于序列方法的命名法锚点。

论文结论指出，尽管类型株基因组提供了一个有价值的框架，但由于分类分布不均以及草图组装的普遍存在，必须谨慎解释经验阈值，这些阈值应被视为全数据集范围内的指南，而非不变的命名法规则。