MAGpurify

本包结合了不同的特性和算法来识别宏基因组组装基因组（MAGs）中的污染。污染定义为相对于MAG中占主导地位的生物体的不同物种起源的contigs。

软件包中的每个模块都设计得非常具体。这意味着并非所有污染（来自其他物种的contigs）都将被删除，但将被错误删除的contigs很少。您可以随意修改默认参数以进行更敏感的污染检测。

安装

安装MAGpurify有两种方式

• 使用conda

conda install -c conda-forge -c bioconda magpurify

• 使用pip

pip install magpurify

如果您使用conda安装MAGpurify，所有依赖项都将自动安装。但是，如果您选择通过pip安装，您将需要安装一些所需的第三方软件

• BLAST
• Prodigal
• HMMER
• LAST
• Mash
• CoverM

MAGpurify数据库

无论您选择哪种方法安装MAGpurify，您都需要下载一个数据库才能使用其中的一些模块（请参阅对外部数据的依赖部分）

• 下载参考数据库： MAGpurify-db-v1.0.tar.bz2

• 解压缩数据库

tar -jxvf MAGpurify-db-v1.0.tar.bz2

• 更新您的环境

export MAGPURIFYDB=/path/to/MAGpurify-db-v1.0

如果您不想将数据库添加到PATH中，您仍然可以通过phylo-markers、clade-markers和known-contam模块的--db参数来使用它。

MAGpurify数据库托管在Zenodo上，可以通过数字对象标识符引用。

快速概述

程序被分解成几个模块

$ magpurify

usage: magpurify [-h] [--version]
                 {phylo-markers,clade-markers,conspecific,tetra-freq,gc-content,coverage,known-contam,clean-bin}
                 ...

Identify and remove incorrectly binned contigs from metagenome-assembled
genomes.

positional arguments:
  {phylo-markers,clade-markers,conspecific,tetra-freq,gc-content,coverage,known-contam,clean-bin}
    phylo-markers       find taxonomic discordant contigs using a database of
                        phylogenetic marker genes.
    clade-markers       find taxonomic discordant contigs using a database of
                        clade-specific marker genes.
    conspecific         find contigs that fail to align to closely related
                        genomes.
    tetra-freq          find contigs with outlier tetranucleotide frequency.
    gc-content          find contigs with outlier GC content.
    coverage            find contigs with outlier coverage profile.
    known-contam        find contigs that match a database of known
                        contaminants.
    clean-bin           remove putative contaminant contigs from bin.

optional arguments:
  -h, --help            show this help message and exit
  --version             show program's version number and exit

MAGpurify模块按顺序执行，通常使用以下命令结构

$ magpurify <module> <input mag> <output directory>

执行完所需的模块后，将删除标记的contigs

$ magpurify clean-bin <input mag> <output directory> <output mag>

就是这样简单！

对外部数据的依赖性

tetra-freq和gc-content不依赖于外部数据。《code>phylo-markers、《code>clade-markers和known-contam模块可以使用标准的MAGpurify数据库运行。《code>conspecific模块要求您构建自己的数据库。《code>coverage模块需要输入BAM文件。

使用默认数据库的示例

接下来的几行将向您展示如何使用软件中包含的单个MAG运行软件。

首先，运行单个模块以预测示例example/test.fna文件中的污染，并将结果存储在example/output

$ magpurify phylo-markers example/test.fna example/output
$ magpurify clade-markers example/test.fna example/output
$ magpurify tetra-freq example/test.fna example/output
$ magpurify gc-content example/test.fna example/output
$ magpurify known-contam example/test.fna example/output

每个模块的输出都存储在输出目录中

$ ls example/output

clade-markers gc-content known-contam phylo-markers tetra-freq

现在使用clean-bin从bin中删除污染

$ magpurify clean-bin example/test.fna example/output example/test_cleaned.fna

• Reading genome bin
  genome length: 704 contigs, 4144.3 Kbp

• Reading flagged contigs
  phylo-markers: 1 contigs, 17.18 Kbp
  clade-markers: 3 contigs, 17.1 Kbp
  conspecific: no output file found
  tetra-freq: 0 contigs, 0.0 Kbp
  gc-content: 0 contigs, 0.0 Kbp
  coverage: no output file found
  known-contam: 0 contigs, 0.0 Kbp

• Removing flagged contigs
  removed: 4 contigs, 34.28 Kbp
  remains: 700 contigs, 4110.03 Kbp
  cleaned bin: example/test_cleaned.fna

总结来说，7个模块中的2个至少预测了一个污染，清洁的bin已写入example/output/cleaned_bin.fna

使用conspecific模块的示例

要运行conspecific模块，您需要使用Mash构建自己的参考数据库。我们提供了一些示例文件来说明这一点（但您不应使用它们来处理您的数据！）

$ mash sketch -l example/ref_genomes.list -o example/ref_genomes

此命令将创建example/ref_genomes.list中列出的位于example/ref_genomes中的基因组的一个Mash草图。草图将被写入example/ref_genomes.msh

现在您可以运行conspecific模块

$ magpurify conspecific example/test.fna example/output example/ref_genomes.msh

• Finding conspecific genomes in database
  25 genomes within 0.05 mash-dist
  list of genomes: example/output/conspecific/conspecific.list
  mash output: example/output/conspecific/mash.dist

• Performing pairwise alignment of contigs in bin to database genomes
  total alignments: 12125

• Summarizing alignments
  contig features: example/output/conspecific/contig_hits.tsv

• Identifying contigs with no conspecific alignments
  238 flagged contigs, 450.02 Kbp
  flagged contigs: example/output/conspecific/flagged_contigs

所以，仅conspecific模块就识别出了238个潜在的污染物！这表明，当您的MAG与参考数据库中的密切相关的基因组相似时，该模块可以非常敏感……或者与其他MAG！

使用coverage模块的示例

要运行coverage模块，您需要输入一个包含映射到MAG（或原始宏基因组，只要contig名称未更改）的排序BAM文件。您还可以输入多个BAM文件，MAGpurify将选择平均contig覆盖率最高的一个。

$ magpurify coverage example/test.fna example/output BAM/sample_1.bam BAM/sample_2.bam BAM/sample_3.bam

• Computing contig coverage

• Identifying outlier contigs

• Sample being used for outlier detection: sample_2
  2 flagged contigs: example/output/coverage/flagged_contigs

各个模块的详细信息

phylo-markers

此模块通过基于PhyEco数据库中系统发育标记基因的数据库对您的contigs进行分类注释，并识别系统发育不一致的contigs来工作。

clade-markers

此模块与phylo-markers非常相似，但使用MetaPhlAn 2数据库中的族特异性标记进行分类注释。

conspecific

此模块背后的逻辑是，同一物种的菌株在大部分基因组中应该是相似的。因此，此模块首先找到同一物种的菌株，然后对contigs进行成对对齐。识别那些在基因组之间完全不对齐的污染物。

tetra-freq

此模块通过基于四核苷酸频率（TNF）识别具有异常核苷酸组成的contigs。为了将TNF降低到单一维度，进行主成分分析（PCA），并使用第一个主成分。

gc-content

此模块通过基于GC含量的核苷酸组成识别具有异常核苷酸组成的contigs。

coverage

此模块通过基于读映射信息识别具有异常覆盖率的contigs。

known-contam

此模块通过识别与已知污染物数据库匹配的contigs来工作。到目前为止，数据库中只有人类基因组phiX基因组。

引用

如果此代码对您有用，请引用

纳伊法赫，斯蒂芬等。《从全球人类肠道微生物组未培养基因组中获得的新见解。》自然 568.7753 (2019): 505-510。