《NAR Genomics and Bioinformatics》:PyamilySeq: exposing the fragility of conventional gene (re)clustering and prokaryotic pangenomic inference methods
编辑推荐:
本研究针对基因聚类和泛基因组推断方法中存在的隐藏偏差问题,开发了PyamilySeq这一透明灵活的诊断工具包。研究人员通过系统评估发现,聚类阈值、旁系同源基因处理、甚至CPU/内存分配等参数都会显著改变基因家族组成,挑战了"相同阈值产生一致结果"的假设。该研究揭示了当前方法在可重复性和生物学解释性方面的系统性缺陷,为构建更可靠的泛基因组分析方法提供了重要见解。
在微生物学研究领域,泛基因组分析已成为探索微生物多样性和进化的核心框架,能够帮助研究人员区分定义共享生物学功能的基因与驱动适应性进化的基因。然而,这种分析依赖于基于序列相似性的基因聚类过程,而这一过程远非如通常假设的那样具有确定性。当前广泛使用的基因聚类和泛基因组推断工具存在算法不透明、参数设置僵化等问题,其隐藏的方法学偏差可能显著影响基因家族组成的判定,进而误导生物学解释。
传统上,基因聚类通常使用CD-HIT、BLAST等启发式算法,这些工具为了提高计算效率而引入的近似处理可能影响聚类准确性。更令人担忧的是,即使是看似无关的参数,如小数精度(0.8与0.80)、CPU和内存分配等,都可能改变基因家族分配结果。此外,工具通常无法为基因家族报告具有生物学意义或代表性的序列,这进一步削弱了下游分析的可靠性。
为了系统评估这些方法学问题,Nicholas J. Dimonaco开发了PyamilySeq,这是一个旨在诊断和量化基因聚类和泛基因组推断方法中隐藏偏差的透明灵活工具包。该研究通过对比分析Roary、Panaroo等常用工具,在两组不同规模的大肠杆菌基因组数据集上评估了方法学选择对泛基因组推断的影响。
研究采用的关键技术方法包括:PyamilySeq工具包的开发与验证、基于CD-HIT的基因聚类分析、Robinson-Foulds(RF)系统发育树比较、功能注释分析(使用eggNOG-mapper)以及递归聚类方法的实现。研究使用了来自Ensembl Bacteria的10个和74个大肠杆菌基因组数据集,通过GTDB-TK进行 taxonomic 验证,确保样本质量。
Pangenomic analysis of 10 Escherichia coli genomes reports a consensus of approaches
研究人员首先在10个大肠杆菌基因组上应用PyamilySeq,使用90%的序列同一性阈值和80%的长度差异 cutoff。结果显示,PyamilySeq报告的核心基因数量与Roary和Panaroo结果接近,表明在相对严格参数配置下,基于CD-HIT的聚类能够与成熟工具的结果合理吻合。系统发育树分析显示工具间RF距离为0,表明在这个相对小而碎片化的基因组集合上,不同方法 yield 一致结果。
Pangenomic analysis of 74 Escherichia coli genomes reports significant differences based on approach
当分析扩展到74个大肠杆菌基因组时,不同工具间的差异变得显著。PyamilySeq的DNA聚类识别出432个核心基因家族,AA聚类识别出357个,而Roary报告1023个,Panaroo则报告2824个,差异高达近七倍。尽管核心基因数量存在显著差异,基于核心基因构建的系统发育树却表现出较大相似性,RF距离在0.15-0.18之间。功能注释分析显示,核心基因的膨胀并非随机误分类附属基因,而是系统性招募特定功能类别进入核心基因集,显著改变了物种的功能景观认知。
Influence of CPU, memory, parameter precision, and core gene alignment on gene clustering results
研究发现,CPU线程数、内存分配和参数精度等看似无关的因素都会影响聚类结果。例如,改变CD-HIT的CPU和内存设置会导致基因被重新分配到不同簇中。更令人意外的是,参数的小数精度(如0.9与0.90)也会改变聚类结果,这可能源于编程语言中浮点数处理的差异。甚至请求核心基因多序列比对也会影响基因家族分布,这挑战了生物信息学工具确定性的基本假设。
Does it matter whether we cluster on DNA or AA?
研究表明,在DNA和AA空间进行聚类会产生不同结果。在74个基因组分析中,DNA聚类产生432个核心基因家族,而AA聚类产生357个。分析发现,CD-HIT的聚类算法存在局限性:空位不贡献于序列差异,意味着包含任意数量空位的比对仍可报告100%同一性。这种差异在系统发育分析中被掩盖,突显了方法学效应对泛基因组组成变异的影响。
Paralogs, orthologs, and gene duplication
旁系同源基因处理对泛基因组推断有显著影响。关闭Roary的paralog splitting功能后,核心基因家族数量从1026个增加到2554个。分析发现,Roary的默认设置可能依赖基因共线性而非序列变异来区分旁系同源基因,这需要高质量组装和注释支持。Panaroo的"refound"系统尝试恢复可能被遗漏的基因,但可能引入片段化序列,影响基因家族分配的可靠性。
The impact of sequence length on gene clustering
基因长度差异对聚类结果有显著影响。将CD-HIT长度差异cutoff从80%降至0%时,PyamilySeq的核心基因家族数量从357个急剧增加到1953个。CD-HIT默认参数允许长度差异极大的序列基于局部高相似区域聚类在一起,这可能导致系统发育或功能不同基因的错误分组,显著影响推断的泛基因组大小和结构。
There is significant variation in single-gene phylogenies
对单基因树一致性的分析显示,即使在同一工具的数据集中,大多数单基因树也表现出较高的标准化RF距离(平均0.89-0.91),表明核心基因树间存在显著拓扑变异。单基因拓扑与串联"物种"树之间的不一致性突出表明,在得出生物学结论时需要谨慎对待此类树。
Reclustering breaks gene clusters
通过添加StORF-Reporter注释的额外序列评估注释完整性对泛基因组推断的影响,发现Panaroo的核心基因家族从2824个增加到3594个。然而,新序列的整合并不总是直观的,有时会导致原有簇的碎片化。PyamilySeq的递归聚类功能允许在保持原有簇的同时系统跟踪新序列的整合,提供了一种受控的方法来评估注释驱动的变化。
These aren't the genes you're looking for
研究发现,核心基因家族的代表性序列选择可能具有误导性。工具通常选择最长序列而非最具代表性的序列作为簇代表。实例如Panaroo中,一个包含73个短序列(564 nt)和1个长序列(1494 nt)的簇选择长序列作为代表,而该长序列与簇中大多数序列功能不同,这从根本上削弱了下游功能分析的可靠性。
研究结论强调,基因聚类和泛基因组推断中存在多个变异和偏差来源,参数选择和算法决策能显著重塑核心和附属基因家族的报告组成。广泛使用的工具存在不透明、不灵活和方法学偏差问题,硬编码阈值和任意方法学决策导致基因错误分组,扭曲生物学关系。PyamilySeq作为一个灵活透明框架,能够系统识别基因聚类和泛基因组推断中的挑战,指导开发更透明的方法学。该研究呼吁在序列聚类和泛基因组学中更加重视参数敏感性分析,并整合超越序列相似性的生物学信息聚类技术。
这些发现对依赖泛基因组分析的研究领域具有重要启示,包括抗菌素耐药性监测、病原体检测和进化分析。方法学的改进将推动更准确、可重复和具有生物学意义的见解产生,最终增强我们对微生物多样性和进化理解的可信度。