基于序列布隆树与分类学感知的MetaSBT大规模表征微生物暗物质

《Nature Biotechnology》：Characterization of microbial dark matter at scale with MetaSBT and taxonomy-aware Sequence Bloom Trees

　　

准确表征宏基因组组装基因组(MAG)因测序错误、组装不完整及污染而仍具挑战。研究人员提出MetaSBT，一种用于组织、索引和表征微生物参考基因组与MAG的工具，本研究以病毒为例进行演示。MetaSBT利用序列布隆树(SBT)数据结构，基于布隆过滤器(BF)依据k-mer组成索引大量基因组，在全部七个分类层级识别基因组簇。研究人员构建了由公共来源逾190,000条病毒基因组组成的初始数据库，分组为不同分类层级的序列一致簇，定义了逾40,000个候选物种，其中约80%据研究人员所知迄今未匹配参考数据库中的病毒物种。进一步表明，该数据库可辅助现有定量宏基因组分析工具，实现未知微生物检测及其在宏基因组样本中丰度估计。开源框架与数据库已完全整合进Galaxy平台。

研究背景与问题提出：微生物基因组学与宏基因组学虽革新了微生物多样性认知，但海量宏基因组数据的计算解析面临严峻挑战。传统基于系统发育的比对方法在数十万至百万级基因组规模下计算不可行；现有k-mer方法（如基于平均连锁层次聚类的物种级基因组分箱）依赖固定遗传距离阈值（物种5%、属10%、科30%），难以刻画界限模糊的未培养谱系，且阈值源自细菌古菌不能直接套用于病毒等其他微生物界。针对参考数据库（GTDB、MGnify、ICTV、vConTACT2、VIRIDIC）无法规模化至当前宏基因组产出量的现状，研究人员将“微生物暗物质”定义为原核与病毒中未被表征的实体，开展本研究。论文发表于《Nature Biotechnology》。

主要关键技术方法：研究人员采用KITSUNE自动估计最优k-mer长度（病毒域k=9），ntCard估算独特k-mer基数并以100%过量配置布隆过滤器(BF)尺寸、单哈希函数最大化索引与查询速度；以HowDeSBT为基础改造实现可增量更新的分级SBT（界→种七层各建一棵SBT）；用Jaccard指数由BF按位交并近似推算平均核苷酸一致性(ANI)（公式ANI=(1+1/k·ln(2J/(1+J)))×100）；样本队列来源于NCBI GenBank病毒参考基因组（26,285条）与vMAG（1,111条）及Metagenomic Gut Virus(MGV)目录约190,000条肠道病毒vMAG，验证队列采用Franzosa等220份炎症性肠病与人肠道菌群宏基因组双端粪便样本。

研究结果：

Misclassification of genomes in NCBI GenBank：研究人员对NCBI参考基因组做平均连锁层次聚类（Jaccard+95%ANI阈值），发现686条参考基因组簇标签与NCBI原标注不符，1,111条vMAG中1,051条被NCBI误标；按5%遗传距离重界定使530个原物种重分为3,236个分支（如轮状病毒A的2,456条基因组拆为217支），191个旧分类消失。说明历史表型分类与现代基因组标准存在错配，MetaSBT以一致基因组框架修正。

Validation of BF-based ANI estimation：取100条病毒参考基因组全配对（4,950对），MetaSBT单哈希BF推ANI与Mash(MinHash)金标准比对，决定系数R²=0.9382，证实BF按位近似可作为ANI可靠代理。

Computational scalability and comparative performance：1,000–100,000基因组规模下索引、查询、更新三项操作时间与内存均严格线性（log-log轨迹）。与VIRIDIC（基于比对ANI，簇数1,605、单例率91.2%）、vConTACT2（基于基因共享网络，簇数133、单例率22.6%）在2,000基因组垂直切片比较，MetaSBT产723簇、单例率86.4%；对VIRIDIC的V-measure=0.7708、完整性0.9970，对vConTACT2的ARI=0.3547、V-measure=0.7472，表明其分辨率高于VIRIDIC且与蛋白网络层级一致。

Unlocking the quantitative profiling of unknown microbes in metagenomic samples with Kraken2+Bracken：用MetaSBT分类体系建自定义Kraken2库（1.2GB），在220份样本平均分类读取率4.32%，较官方k2_viral库0.11%提升约39倍；共检出219种病毒（214种未知），最普遍已知种为Mimivirus bradfordmassiliense（200/220），未知种MSBT11765（属MSBT10778、科Graaviviridae）出现于86份；Bracken估计丰度并聚类样本，未发现与克罗恩病/溃疡性结肠炎表型直接关联，但证明未知病毒空间可被定量解锁。

Galaxy: an ideal platform for MetaSBT：MetaSBT封装为Galaxy双工具（建库/更新、七层谱分析），数据库存于CVMFS免用户上传，公开库同步维护于GitHub。

讨论与结论翻译：研究人员指出未对vMAG做质量过滤与去冗余是有意的——保留低质量基因组使未知簇随增量更新生长，以“簇稳定性假说”区分真生物学新分类与组装伪影（静态簇多为错误/嵌合）。46,649条vMAG（约19%）在界级亦未落入任何簇，留待后续扩展。MetaSBT架构域无关，病毒域因无通用标记基因、拓扑离散已成压力测试，细菌域因k-mer冗余高更易压缩（估10万细菌基因组索引盘占150–200GB、RAM仅加载路径）。结论：MetaSBT提供可扩展框架，系统化索引与量化微生物暗物质，为未来大规模关联研究发掘未知序列空间中的微生物标志物提供计算基础。