《Nucleic Acids Research》：BacMap 3.0: a comprehensive knowledgebase of annotated bacterial genomes
编辑推荐：
BacMap 3.0 是一个综合、可免费访问的资源平台，在同一个交互式平台内整合了 23 524 个细菌与古菌物种、32 866 个基因组、超过 1 亿个基因、1756 条初级代谢通路（primary metabolic pathways）以及 45 284
BacMap 3.0 是一个综合、可免费访问的资源平台，在同一个交互式平台内整合了 23 524 个细菌与古菌物种、32 866 个基因组、超过 1 亿个基因、1756 条初级代谢通路（primary metabolic pathways）以及 45 284 个代谢物（metabolites）。尽管细菌与古菌基因组测序规模增长惊人，相关数据仍分散于众多专业数据库中，阻碍了全面的基因组—功能（genome-to-function）分析。现有微生物资源通常分别侧重基因组注释、分类学、代谢通路或表型，而 BacMap 3.0 在以生物体为中心的框架内统一了这些互补的信息层。该平台通过将基因组、功能、结构、代谢、表型、生态与系统发育（phylogenetic）信息整合为详尽的、物种特异的"BacCards"，解决了数据碎片化问题。每张 BacCard 将交互式基因组图谱与广泛注释相结合，涵盖细菌特异的分类学、生理学、形态学、代谢、蛋白质结构、通路与代谢物。为便于数据探索，BacMap 3.0 支持基于分类学与表型的浏览、化学结构检索、交互式基因组可视化，以及基因、基因组、16S RNA 与蛋白质 BLAST 检索。在主要致力于基因组可视化的早期版本基础上，BacMap 3.0 将生物覆盖度提高逾 13 倍，并将 BacMap 转变为可在多个生物学尺度上开展基因组—功能研究的整合型细菌知识库。通过将多样化生物学信息汇集于单一可检索环境，BacMap 3.0 为比较基因组学、微生物组研究、传染病研究与生物技术提供了强大平台，旨在加速对微生物多样性、生物学与功能的解读。
细菌基因组测序规模的持续扩张，使基因组数据与生物学解读所需的功能、结构、代谢、生理、生态及分类学信息之间的连接需求日益增长。1995 年首个完整细菌基因组公布，当时单个基因组需逾 1 年工作与近 200 万美元经费；此后 DNA 测序、组装算法与计算基础设施的进步，使细菌基因组学从缓慢昂贵的逐基因组工作转变为可生成数百万组装的通量学科，AllTheBacteria 项目以及 GenBank 的持续提交使可获取的细菌基因组组装超过 260 万，编码数十亿预测基因与蛋白质、包含数万亿碱基序列信息。因此细菌基因组学的核心挑战已从产生序列数据转向在更广阔生物学背景中组织、整合、解读与可视化海量基因组信息。与此同时，CGView、DNAPlotter、Proksee 等基因组浏览器与可视化平台提供细菌染色体与质粒的交互式呈现，BASys2、RAST、Prokka、NCBI PGAP 等注释系统支持基因组特征的自动识别与功能注释，GeneMark、GLIMMER 与半自动 BLAST 检索用于基因组特征识别与表征；但这些工具多面向基因组呈现或序列注释，未能在统一框架内将基因组特征与代谢通路、代谢物、蛋白质结构、微生物表型、生态、分类学及疾病关联等其他类型生物学信息相连接。许多微生物数据库同样高度专门化：BacDive、Ensembl Bacteria Database（EBD）、Genome Taxonomy Database（GTDB）、Kyoto Encyclopedia of Genes and Genomes（KEGG）、Microbial Genome Database（MBGD）、human Microbial Metabolome Database（MiMeDB）、NCBI 的 Bacterial and Archaeal Reference Genome Collection（BARGC）、KBase 与 BV-BRC 等提供广泛的细菌与古菌基因组及相关生物学数据，但多数集中于分类学、基因组注释、代谢重建、蛋白质功能、表型特征或微生物生态等特定领域；尽管部分数据库在其领域内覆盖极深，研究人员仍常需查阅并协调多个独立数据库的信息才能全面理解单一生物，命名、标识符、分类学归属、数据结构与更新周期的差异进一步加剧了跨资源整合的困难，限制了高效的基因组—功能分析。BacMap 最初正是为解决这种碎片化而开发，提供以生物体为中心、将细菌染色体组织与功能、结构、代谢、表型、生态及分类学信息相连接的资源。BacMap 3.0 大幅扩展了这一构想，将交互式细菌染色体与质粒图谱与基因组注释、蛋白质结构、代谢通路、代谢物、生理特征、生态信息、分类学、系统发育与表型数据整合于统一知识库，其以生物体为中心的架构使用户能够从基因与基因组区域直接延伸至其编码蛋白质、分子功能、结构、通路、代谢物及更广泛的生物学作用；同时引入扩展的工具集，包括基于分类学与表型的浏览、交互式基因组可视化、基因、基因组、16S RNA 与蛋白质 BLAST 检索、化学结构检索及多化合物查询，支持从核苷酸序列与染色体组织到蛋白质结构、细胞代谢、生物体表型与生态背景的多尺度探索。与早期版本相比，BacMap 3.0 显著扩展了生物覆盖度与生物学范围：现涵盖 23 524 个细菌与古菌物种、由 32 866 个基因组代表，这些基因组取自 EBD（其 31 332 个非冗余基因组集合对已知细菌物种覆盖极为广泛），另纳入 1534 个细菌基因组以进一步拓宽分类学覆盖；基因组选择依据 EBD 定义的标准，优先选择高质量组装、完整基因组及明确物种或菌株，而非低质量草图基因组或高度重复的流行病学分离株。更具体而言，Ensembl Bacteria 收录提交于 International Nucleotide Sequence Database Collaboration（INSDC）的完整测序细菌与古菌基因组，并识别 ENA Genome Assembly Database 中至少含 50 个 CDS 注释的组装集，未通过最低注释或标识符质量检查的基因组被 Ensembl 排除；因此 BacMap 3.0 所代表的物种对应合格 Ensembl Bacteria 基因组组装的分类学身份。这一 13 倍的巨大扩展使 BacMap 从主要聚焦不足 3000 种微生物基因组可视化的适度资源，转变为更全面、自动更新的知识库，用于探索几乎所有已知、经分类学鉴定的细菌与古菌的分子组织、功能能力、代谢特性与表型多样性。
在技术方法上，BacMap 3.0 基于 Ruby on Rails 框架（3.2.1 版）与 SQL 后端，采用模型—视图—控制器（Model–View–Controller）架构，部署于 OVHcloud 托管的 Ubuntu 22.04 专用服务器并采用容器化。数据通过大语言模型（LLM）辅助文献挖掘、人工审编、开放获取数据库采集与 BASys2 基因组注释相结合的方式构建，基因组来源为 EBD。交互式基因组图谱由 CGView.js 生成，蛋白质三维结构来自实验测定结构、AlphaFold 预测模型或在序列相似性大于 50% 时由 Homodeller 生成的同源模型；通路经 PathWhiz 工具人工审编、计算生成与向新物种传播产生；物种描述由 OpenAI GPT-4o mini 基于人工审编的结构化信息生成。图像取自开放获取来源，缺失时以 DaVinci AI 依据形态与革兰氏染色信息生成示意图。数据经标准化审编流程与多级复核，LLM 挖掘采用 Gemma-4 模型结合 NCBI PubMed API，所有 LLM 衍生内容均经人工对照原文核查。
研究结果方面：在"用户界面与站点功能"部分，BacCards 仍是核心组织单元并大幅扩展，BacMap 3.0 提供 Browse Bacteria（可按表型属性过滤或检索）与 Browse Taxonomy（按层级分类探索）两个互补界面，覆盖 23 524 个细菌物种条目；每张 BacCard 的 Overview 部分给出学名、分类、代表性图像与关键表型特征，Description 部分由 GPT-4o mini 依据人工审编数据生成叙述性摘要，Taxonomy and Physiology 部分以涵盖细胞特征、生理性状、环境偏好、生态关联与致病性的属性集合描述生物；下部含 Genome、Genes、Metabolites、Pathways 四个交互模块。在"基因组标签与基因组查看器"部分，基于 CGView.js 的交互式 Genome Viewer 支持多轨环形图谱、从全基因组视图到核苷酸级分辨率的平滑缩放、多复制子间导航、轨道独立显示隐藏、环形与线性表示切换、GO 与 COG 注释调取、按坐标跳转、基因与代谢物关键词检索，并可以 PNG、SVG 或 JSON 导出；注释轨道涵盖蛋白编码基因、RNA 基因、代谢物、操纵子、前噬菌体、生物合成基因簇、可移动遗传元件、GC 含量与 GC 偏斜等；点击特征打开 GeneCard，整合多达 67 项注释，并提供相邻特征间导航。蛋白编码基因的 GeneCard 提供预测氨基酸序列、蛋白长度、分子量、理论等电点（pI）、COG 功能分类、GO 注释、保守结构域、PROSITE 基序、预测二级结构、跨膜区等注释，并链接实验结构、AlphaFold 预测或 Homodeller 同源模型，可在浏览器内旋转、缩放、检视与下载，同时交叉引用 UniProt、Pfam、InterPro、PROSITE 等资源；选用 Homodeller 而非 AlphaFold 基于成本（便宜 10 000 倍）与 GPU 可用性。在"BacMap 检索与浏览工具"部分，通用文本检索支持完整或部分细菌名、基因组名及 GenBank、NCBI、RefSeq 登录号查询并直达 BacCard；表型浏览可组合革兰氏染色、细胞形态、能量来源、运动性、鞭毛、致病性、需氧性、最适生长温度、细胞排列、栖息地与生物关系等过滤器；高级检索菜单提供代谢物结构检索、多化合物检索与四种基于 BLAST 的序列检索模式。代谢物结构检索支持 SMILES、InChI、InChIKey 或 Mol 文件提交或经 Marvin JS 编辑器手绘，可进行精确、相似性或子结构检索，并施加分子量约束，结果化合物链接至全部相关细菌物种。多化合物检索允许提交代谢物名称、结构或标识符集合，识别与全部或部分指定化合物相关的细菌，用于研究物种特异代谢能力、发现候选微生物生产者和比较跨物种代谢谱。四种序列检索为蛋白质—细菌、核苷酸—细菌、16S—细菌与基因组—细菌检索，查询序列可直接输入或以 FASTA、FASTQ 上传；16S RNA 检索专为宏基因组数据分析设计，可处理大规模 16S DNA 或 RNA 序列集合，输出各物种的种群估计、Genome Viewer 链接及可下载的 CSV 代谢物列表；每次序列检索分配唯一作业标识符，单序列检索结果以可排序、可下载的表格报告，含匹配基因或基因组特征、生物信息、序列一致度、期望值（E-value）与登录号。
讨论与结论部分指出，细菌基因组测序的持续扩张产生了将基因组信息与生物学解读所需功能、结构、代谢、生理、生态及分类学数据相连接资源的增长需求；在 BacMap 二十年发展的基础上，BacMap 3.0 实现了从交互式细菌基因组图谱向综合微生物知识库的实质演进，通过将多样生物学信息汇集于单一可检索平台，减少了对多个专业数据库的查阅需求，支持比较基因组学、微生物组研究、传染病调查、生物技术、微生物系统生物学与教育。BASys2 注释平台与 BacMap 3.0 的整合提供了纳入新测序细菌基因组并保持一致高质量注释的自动化框架；LLM 辅助文献挖掘使物种描述的生成与更新及从科学文献中提取表型、生理、生态与代谢信息更为高效；这些自动化注释与审编策略提升了数据库维护的可扩展性与时效性，同时保持信息广度与质量。未来开发将聚焦扩大基因组覆盖、增加审编的表型与代谢注释、纳入新测定与预测的蛋白质结构、扩展与互补微生物资源的链接、开发比较基因组学与微生物组研究的更多工具，计划中的增强包括改进的比较基因组可视化以及查询、探索和交互 BacMap 的新人工智能辅助方法。随着细菌测序与计算技术不断进步，BacMap 将作为以生物体为中心的活知识库持续演进，为基因组—功能研究提供有力基础，并有望在微生物基因组学、计算生物学与人工智能进步中继续作为重要的社区资源发展。研究结论可译为：细菌基因组测序的持续扩张产生了将基因组信息与功能、结构、代谢、生理、生态及分类学数据相连接资源的增长需求；BacMap 3.0 在二十年发展基础上从交互式细菌基因组图谱演变为综合微生物知识库，通过统一可检索平台汇集多样生物学信息，减少了对多个专业数据库的依赖，支持比较基因组学、微生物组研究、传染病调查、生物技术、微生物系统生物学与教育；BASys2 注释平台与 BacMap 3.0 的整合为新测序基因组的自动化纳入与一致高质量注释提供了框架，LLM 辅助文献挖掘提升了物种描述生成更新及表型、生理、生态与代谢信息提取的效率，自动化注释与审编策略增强了数据库维护的可扩展性与时效性；未来将扩大基因组覆盖、增加审编注释、纳入新测定与预测的蛋白质结构、扩展资源链接并开发比较基因组学、微生物组研究及人工智能辅助的新工具，BacMap 将作为以生物体为中心的活知识库持续演进，为基因组—功能研究提供有力基础。该论文发表于《Nucleic Acids Research》。
