Pre-binning correction of chimeric contigs reduces reference-discordant gene annotations in near-complete metagenome-assembled genomes
本研究介绍了 DeepMM，这是一种深度学习工具，用于在分箱（binning）之前检测并纠正宏基因组组装基因组（MAGs）中的物种间嵌合重叠群（interspecies chimeric contigs），从而显著减少了标准基于标记的质量控制往往会遗漏的、与参考序列不一致的基因和毒力因子注释。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在人类肠道、海洋底层以及我们脚下土壤的隐秘世界里，居住着数以万亿计的微生物，它们构成了复杂的群落。科学家无法在实验室中培养大多数这类微生物，因此他们依赖一种被称为“宏基因组学”的技术来进行研究。研究人员并非分离出单一的微生物，而是采集环境样本，对其中的所有 DNA 进行测序，并利用强大的计算机将遗传代码重新拼接起来。其目标是重建单个物种的完整基因组，创建一个被称为“宏基因组组装基因组”（MAG）的数字蓝图。这些蓝图对于理解这些隐形生命形式的功能及其如何与环境相互作用至关重要。然而，重建这些基因组的过程就像是在尝试解决一个巨大的拼图游戏，其中许多碎片看起来完全一样，而且连盒子上展示的参考图也是缺失的。有时，计算机不小心将两个不同拼图的碎片粘在了一起，创造出一条属于两个不同生物体的单一长链 DNA。
多年来，科学家一直使用一份标准清单来评判这些重建基因组的质量。他们寻找每种细菌都应该具备的特定通用基因。如果一个基因组拥有几乎所有的这些基因且重复项极少，它就会被视为“近乎完整”且值得信赖。但这种方法存在一个盲点。它能告诉你一个基因组是否基本完整，却无法察觉是否有一段外源 DNA 被错误地粘在了单条链的中间。这种被称为“嵌合体”（chimera）的隐藏错误，意味着基因组在纸面上看起来可能很完美，实际上却包含了两个不同物种的混合物。如果那段外源片段携带了毒素或疾病相关的基因，科学家可能会误以为正在研究的无害生物具有危险性。这正是来自香港浸会大学和江西中医药大学的研究团队致力于解决的问题。他们发现，即使是在通过了所有标准质量检查的基因组中，这些隐藏的混淆现象也比任何人预想的都要普遍，并开发了一种新工具，在最终分析开始前修复这些问题。
研究人员检查了来自八个不同测试环境（从人类肠道到植物根部）的海量数据。他们发现，在由一种流行计算机程序生成的近 70% 的高质量基因组中，以及在另一种程序生成的约 20% 的基因组中，至少存在一处将两个不同物种的 DNA 融合在一起的情况。在受影响最严重的案例中，这些融合的片段占据了整个基因组近 4% 的比例。更重要的是，这些融合部分经常携带不属于主体生物体的基因。在某些情况下，融合的 DNA 包含了毒力因子（virulence factors）的指令，而毒力因子是细菌用来致病的一种工具。由于标准质量检查仅关注通用基因的总数，这些危险或外源性的指令便得以在未被检测到的情况下溜过，可能导致科学家误判微生物的能力。
为了解决这个问题，该团队构建了一个名为 DeepMM 的新软件工具。DeepMM 不仅仅是计数基因，它还会观察 DNA 读取序列是如何与原始遗传物质对齐的。想象一段长长的 DNA 链就像一条路；如果一辆车行驶到一个路面纹理突然发生变化的区域，它会留下特定的标记。DeepMM 会扫描对齐数据中的这些细微“路面变化”，例如覆盖某处的 DNA 片段数量的突然变化，或是片段方向的变化。它利用一种经过数百万种模拟场景训练的人工智能来识别这些模式，并精准定位融合发生的地点。一旦找到该位置，它会在计算机尝试将它们组合成基因组之前，将这条长 DNA 链切分成两个独立的片段。这使得软件能够保留正确的序列部分并丢弃外源部分，从而确保最终的基因组是纯净的。
当研究人员测试这种新方法时，结果令人瞩目。在测试数据集中，DeepMM 在发现这些隐藏错误方面明显优于现有工具。更重要的是，当他们使用 DeepMM 在构建基因组之前清理数据时，他们能够恢复的高质量、近乎完整的基因组数量实际上增加了。切割融合链的过程并没有破坏数据；相反，它让计算机能够组装出更准确、更完整的基因组。在可以与已知真相进行对比的具体测试案例中，新方法减少了 35% 的外源基因，并将错误的致病基因调用减少了 43%。有一个具体的例子涉及一种看似携带强力毒素基因的细菌。在 DeepMM 将融合链拆分后，情况变得明朗：该毒素基因其实属于完全不同的另一种细菌，并已被移除，最终留下的只有正确的遗传信息。
研究结论指出，仅仅依靠标准的质量检查不足以保证微生物基因组的准确性。即使一个基因组根据传统指标看起来完整且干净，它仍可能隐藏着扭曲生物体生物学特征的错误。通过在最终组装前拆分这些融合链，科学家可以防止外源 DNA 污染数据。这种方法不仅是在修复错误，它还提升了基因组的整体回收率，让研究人员能够看到一个更清晰的微生物世界。虽然该工具是在特定的数据集和模拟环境中进行测试的，但研究结果表明，通过检查并纠正这些融合现象，可以显著提高未来研究那浩瀚、未被培养的微生物世界的可靠性。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。