超基因组学工具包:灵活高效的基于云的超基因组学工作流程,采用机器学习支持的资源配置

科学领域:

• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 大数据集的元基因组分析需要大量的计算资源和可重复的工作流.
• 现有的工具可能缺乏可扩展性或对各种序列数据的全面功能.

研究的目的:

• 引入一个可扩展的,数据不可知的工作流程,用于自动化metagenomic分析.
• 在元基因组学中提高计算效率和可重现性.
• 提供超越标准元基因组管道的先进分析能力.

主要方法:

• 开发了Metagenomics-Toolkit,这是一个用于短 (Illumina) 和长 (Oxford Nanopore) 阅读的工作流.
• 集成的标准功能 (QC,组装,分类,注释) 和独特的功能 (等离子体ID,未组装的恢复,相互依赖性发现).
• 实现了机器学习优化的组装步骤,以减少RAM使用量和基于云的执行优化.

主要成果:

• 通过与五个现有工作流进行比较,证明了可扩展性和效率.
• 将工具包应用于757个污水元基因组数据集,以调查核心微生物组.
• 成功识别了微生物的相互依赖,并恢复了未组装的社区成员.

结论:

• 超基因组学工具包为复杂的超基因组分析提供了强大,高效和可重复的解决方案.
• 它的先进功能和优化的资源使用使得人们可以更深入地了解微生物群落.
• 开源性质促进了研究界的透明度和更广泛的采用.