NBT：改进宏基因组的分箱和组装的新方法

<meta charset="utf-8">

文献信息：
标题：Improved metagenome binning and assembly using deep variational autoencoders
中文：深度变分自编码改进宏基因组分箱和组装
杂志：NBT
时间：2021.1.4

尽管在宏基因组学分类方面有新进展，但是从宏基因组学数据重建微生物物种仍然具有挑战性。来自*Nature Biotechnology *的一项最新研究开发了用于宏基因组分箱（VAMB）的变体自动编码器，该程序使用深度的变体自动编码器在聚类之前对序列丰度和k-mer分布信息进行编码。结果表明VAMB能够集成这两种不同的数据类型，而无需事先了解数据集。 VAMB的表现优于现有的最新Binner，在模拟和真实数据上分别重建了29-98％和45％的近乎完整（NC）基因组。此外，VAMB能够分离出高达99.5％的平均核苷酸同一性（ANI）的密切相关菌株，并从1,000例人类肠道微生物组样本数据集中将255个和91个NC Bacteroides vulgatus和Bacteroides dorei样品特异性基因组重建为两个不同的簇。研究者从该数据集中使用了2606个NC箱，以显示人类肠道微生物组的物种具有不同的地理分布模式。 VAMB可以从https://github.com/RasmussenLab/vamb 免费获得。

image.png

Figure 1 VAMB原理

主要原理

VAMB主要有4个必需步骤和1个可选步骤：

a） 解析包含要分档的N个DNA序列的输入FASTA文件，并计算标准的4聚体频率或四核苷酸频率（TNF），并将其存储在N×103矩阵。 或者，可以使用预先计算的TNF。

b） 每个样本的reads数据已经mapping到a中的FASTA文件，生成包含到所有序列的特定于样本的mapping的S/BAM文件。对这些数据进行解析，并根据RPKM计算出数据的丰度。每个BAM文件都表示为N×S矩阵中的一列。或者，可以使用预先计算的RPKM。

c） TNF和RPKM使用变分自编码器(VAE)连接和编码到一个潜在表示(μ)，一个N×L矩阵，其中L通常小于S + 103。这种表示法保留了TNF和RPKM的加权信息，但较小。

d） 利用自适应迭代的中线方法进行聚类。序列被提出为medoids, M和余弦分布距离从M到所有序列放置在直方图(d1)。如果有一些距离(小峰)与主要分布(大峰)被波谷分开，半径r设置在波谷的最小值，并且r内的所有序列都聚类(d2)。这样重复，直到所有的序列都聚集在一起。

e） 这是可选步骤。来自d的聚类可以被拆分，分成sample-wise的bins，这由FASTA文件中的序列头决定。这保证了样品的纯度，提高了菌株的纯度。

image.png

参考文献：

Jakob Nybo Nissen, Joachim Johansen, Rosa Lundbye Allesøe, Casper Kaae Sønderby, Jose Juan Almagro Armenteros, Christopher Heje Grønbech, Lars Juhl Jensen, Henrik Bjørn Nielsen, Thomas Nordahl Petersen, Ole Winther & Simon Rasmussen. (2021). Improved metagenome binning and assembly using deep variational autoencoders. Nature Biotechnology, doi: https://doi.org/10.1038/s41587-020-00777-4