MAG(Metagenome-Assembled Genome) や SAG(Single Amplified Genome) のクオリティチェックをバクテリアがもつべき遺伝子が揃っているかどうかでチェックするツール
- 論文：Assessing the quality of microbial genomes recovered from isolates, single cells, and metagenomes.
- ソースコード：https://github.com/Ecogenomics/CheckM
- ドキュメント：https://github.com/Ecogenomics/CheckM/wiki
必要なツールをあらかじめインストールし、パスを通しておく必要がある。
- HMMER (>=3.1b1)
- prodigal (2.60 or >=2.6.1)
- https://github.com/hyattpd/Prodigal/releases から、Latest releaseのprodigal.linuxをダウンロードすればよい。ただし、拡張子の.linuxは消しておく必要がある。
- pplacer (>=1.1)
2系のPythonが入っている状態で、
pip install numpy # 入っていない場合のみ
pip install checkm-genomeリファレンスのフォルダをダウンロードしてパスを通しておく必要がある。 ここから最新版のcheckm_data*.tar.gzをダウンロードし、解凍する。そのあと、
checkm data setRoot <解凍したディレクトリのパス>でCheckMにリファレンスDBの居場所を教えておく。
checkm lineage_wf -t 16 --tab_table -f evaluation.tsv -x fa input_file_dir output_dirinput_file_dirは、ビニングされたfastaファイルが置いてあるディレクトリを指定する。- 拡張子で探すので、
fna以外の拡張子が使われている場合は、-xで明示する。
- 拡張子で探すので、
evaluation.tsvに各ビンの評価が書かれている。- デフォルトでは複数のスペース区切りとなっていて使いにくいので、
--tab_tableでタブ区切りにしておく。 - 1列目：
Bin Id- fastaファイルの名前から拡張子をとったもの。
- 2列目：
Marker lineage- リファレンスツリー上の位置。このクレードでuniversalなマーカー遺伝子セットを用いる。
- 3列目：
# genomes- このクレードに位置するリファレンスゲノムの数。
- 4列目：
# markers- このクレードのマーカー遺伝子の数。
- 5列目：
# marker sets- このクレードのcollacated marker genesの数。
# markersから隣りあう遺伝子同士をクラスタリングしたもの。
- このクレードのcollacated marker genesの数。
- 6列目：
0- クエリゲノム中で観測されなかった遺伝子の数。
- 7列目：
1- クエリゲノム中で1回だけ観測された遺伝子の数。
- 8列目：
2 - 9列目：
3 - 10列目：
4 - 11列目：
5+ - 12列目：
Completeness- 定義を参照
- 13列目：
Contamination- 定義を参照
- 14列目：
Strain heterogeneity- 定義を参照
- デフォルトでは複数のスペース区切りとなっていて使いにくいので、
ある系統内の生物がもつはずのマーカー遺伝子セットのうち、クエリゲノムにはどれだけ存在するか
-
$s$ : 近くの位置にあるマーカー遺伝子を1セットとしてまとめたもの。collacated marker genes - 「2つの遺伝子が並んでいる」の定義
- 5kbp以内の距離に隣り合って存在する
- 近くの位置に例: geneA-geneB, geneB-geneC がそれぞれ並んでいるときは、
$s_{1} = \mathrm{{geneA, geneB, geneC}}$ となる。 -
$M$ : すべてのcollocated marker set -
$G_{M}$ : クエリのゲノムから予測された全マーカー遺伝子 -
$| \cdot |$ : 集合の要素の個数
範囲は 0 ≤ completeness ≤ 1 で、CheckMでは%表示で報告される
ある系統内の生物がもつはずの1コピーしかないマーカー遺伝子が、クエリゲノムには平均してどれだけ余分に存在するか
-
$s$ : 近くの位置にあるマーカー遺伝子を1セットとしてまとめたもの。collacated marker genes -
$M$ : すべてのcollocated marker set -
$C_{g}$ : 遺伝子$g$ が何回現れたか。$N$ 回カウントされたら$C_{g}=\max(0, N-1)$ である。
範囲は 0 ≤ contamination で、CheckMでは%表示で報告される。上限は1とは限らない。
- 例：contamination = 600% の場合
- クエリゲノムの中にコンプリートゲノムが7株入っていたとすると、シングルコピーマーカー遺伝子が平均して7回カウントされる(つまり平均して6個だけ余分に存在する)ので、600% となる。
- しかし、600%だからといって必ずしも7株分のゲノムが入っているとは限らないので注意。
同種の複数株や近縁種が1つのfastaファイルに入ってしまっていることによって生じるcontaminationを評価する指標。マルチコピーと判定された遺伝子のAverage Amino acid Identity(AAI) を用いて計算される。
tree: リファレンスツリー上にビンを配置する- Prodigalで遺伝子予測
- HMMERで43個のユニバーサル遺伝子を同定
- すべての遺伝子をつなげる
- つなげた遺伝子をpplacerでリファレンスツリー上に配置する
lineage_set: 系統特異的なマーカーセットの同定
- 1.の結果をもとに、各ビンを評価するのに適した系統マーカー遺伝子セットを同定する
analyze: ビンごとに系統マーカー遺伝子の同定と各指標の計算
- HMMERでビン中の3.で決めたマーカーセットを同定
- Completeness, Contamination, Strain heterogeneity を計算する
qa: output
- いい感じのファイルにまとめる
- 系統樹はどうやって書いているのか？
- 論文の
- ユニバーサル遺伝子、系統特異的マーカー遺伝子セットはどうやって決めているのか？