16S rRNA amplicon测序的未解决的斗争:对集群和排斥方法的基准分析
Mohamed Fares1,2, Engy K Tharwat1, Ilse Cleenwerck3
1Bioinformatics Group, Center for Informatics Science, School of Information Technology and Computer Science, Nile University, Giza, Egypt.
Environmental microbiome
|May 13, 2025
概括
这项研究将16S rRNA基因测序算法用于微生物组分析. DADA2和UPARSE与实际的微生物群体有着最好的相似之处,为评估新工具提供了一个框架.
科学领域:
- 微生物学 微生物学
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 16S rRNA基因片序列对微生物组研究至关重要,但容易出现错误和偏见.
- 现有的纠错和数据整合到操作分类学单位 (OTU) 或扩展序列变量 (ASV) 的算法缺乏客观比较.
- 不同的实验设置和参数以前阻碍了对这些算法的直接评估.
研究的目的:
- 对八种领先的16S rRNA基因测序分析算法进行全面的基准分析.
- 客观地比较错误率,微生物组成准确性,序列合并/分割和多样性分析.
- 建立一个框架来评估现有的和新的微生物组分析工具.
主要方法:
- 利用了227个细菌菌株的复杂模拟社区和Mockrobiota数据库进行分析.
- 在所有测试的算法中应用统一的预处理步骤,以进行一致的比较.
- 评价了DADA2,Deblur,MED,UNOISE3,UPARSE,DGC,AN,以及Opticlust. 这些都是我们最喜欢的产品.
主要成果:
- 安普利康序列变量 (ASV) 算法,特别是 DADA2,产生了一致的结果,但表现出过分分裂.
- 操作分类单元 (OTU) 算法,特别是UPARSE,实现了较低的错误率,但显示了更多的过度合并.
- UPARSE和DADA2对已知的微生物群体表现出最高的忠诚度,特别是在α和β多样性测量中.
结论:
- 这项研究提供了对八个16S rRNA amplicon分析算法的公正比较评估.
- 它强调了每个算法在OTU/ASV生成精度方面的特定优缺点.
- 使用复杂的模拟社区和基准测试框架有助于客观评估微生物组分析工具.
