近日，中國農業(yè)科學院深圳農業(yè)基因組研究所（嶺南現(xiàn)代農業(yè)科學與技術廣東省實驗室深圳分中心）易會廣課題組在《生物信息學（Bioinformatics）》上發(fā)表了題為“Kssdtree:一個基于sketching技術的系統(tǒng)發(fā)育分析交互式Python包（Kssdtree: an interactive Python package for phylogenetic analysis based on sketching technique ）”的論文，該研究開發(fā)了一個基于sketching技術的Python包用于系統(tǒng)發(fā)育分析，能夠準確和快速的構建系統(tǒng)發(fā)育樹。

新一代測序技術的出現(xiàn)顯著增加了基因組數(shù)據(jù)的體量和多樣性，對分析方法提出了更高的效率要求，傳統(tǒng)的系統(tǒng)發(fā)育分析方法依賴于序列比對工具（如BLAST、CLUSTAL和MUSCLE），非常耗時，耗資源；盡管非比對方法（如co-phylog和AAF）提供了快速處理數(shù)十個細菌基因組的能力，但在處理大規(guī)模細菌基因組或中等規(guī)模的大型真核基因組時仍然面臨挑戰(zhàn)；最近，基于sketching技術成為實時、大規(guī)模系統(tǒng)發(fā)育分析的一種有前景的解決方案。然而，現(xiàn)有的基于sketching的系統(tǒng)發(fā)育工具（如Mashtree）存在缺陷，包括平臺限制、缺乏可視化和固有的距離估計偏差，這些限制共同阻礙了分析的便利和效率。

因此，研究人員開發(fā)了一個基于sketching的系統(tǒng)發(fā)育分析Python包Kssdtree，有效地解決了平臺限制、可視化以及距離估計偏差問題。Kssdtree為特定類型的系統(tǒng)發(fā)育分析提供了三種不同的流程（圖1） ：常規(guī)流程、參考減法流程和基于GTDB的系統(tǒng)發(fā)育定位流程。常規(guī)流程提供了通用系統(tǒng)基因組發(fā)育分析。參考減法流程設計用于種內基因組聚類分析。基于GTDB的系統(tǒng)發(fā)育定位流程允許從GTDB數(shù)據(jù)庫中檢索最相似的基因組，并使用檢索到的基因組與查詢基因組一起執(zhí)行系統(tǒng)發(fā)育分析。

圖1 | Kssdtree工作流程

研究對比了Kssdtree和其他基于sketching的方法（Mashtree、BinDash+NJ/DNJ、 SourMash+NJ/DNJ）的準確性和時間效率。研究收集了真實和模擬的基準測試數(shù)據(jù)集。真實數(shù)據(jù)集包括29個大腸桿菌/志賀氏菌基因組(ES29)、25個魚類線粒體基因組(FM25)和14個植物物種(P14)。模擬數(shù)據(jù)集由ALF模擬工具產生的200個物種組成。此外，使用DWGSIM測序數(shù)據(jù)模擬工具生成四個數(shù)據(jù)集的未組裝的原始測序數(shù)據(jù)。為了對運行時間效率進行基準測試，從最新的NCBI細菌RefSeq數(shù)據(jù)庫中隨機抽取1000、5000和10000個細菌基因組，分別表示為BACT1000、BACT5000和BACT10000。Kssdtree在綜合基準測試數(shù)據(jù)集的準確性和時間效率方面表現(xiàn)出卓越的性能，超越了其他基于sketching的工具。

研究對種內系統(tǒng)基因組分析進行基準分析，從最近發(fā)表的人類泛基因組參考文獻中下載了43個相對完整的人類基因組。結果表明，其他基于sketching的方法傾向于基于性別對基因組進行聚類。這是因為人類基因組之間的差異主要來自性染色體，而這些方法不支持參考減法操作。相反，Kssdtree能夠進行草圖減法操作，在距離計算和樹構建之前，從單個基因組草圖中減去參考草圖(包括性染色體)。這種方法允許Kssdtree根據(jù)種群明確地組織基因組，而不考慮性別影響（圖2）。

圖2 | 比較不同方法構建的43個人類基因組系統(tǒng)發(fā)育樹

研究還使用大腸彎曲桿菌的組裝基因組和未組裝的原始reads來測試基于GTDB的Kssdtree系統(tǒng)發(fā)育定位。Kssdtree基于檢索到的最相似基因組的分類，正確地識別了查詢基因組的起源物種。查詢基因組與GTDB中最相似的基因組之間的系統(tǒng)發(fā)育關系（圖3），使我們能夠使用GTDB數(shù)據(jù)庫確定查詢基因組在原核生命樹中的系統(tǒng)發(fā)育位置。

圖3 | Kssdtree對Campylobacter coli物種的組裝基因組GCF_001228905.1和原始測序Run SRR27387500進行系統(tǒng)發(fā)育定位分析

值得注意的是，Kssdtree提供了諸如多平臺支持（Windows、Linux和MacOS）、樹可視化、種內系統(tǒng)發(fā)育分析和基于GTDB的系統(tǒng)發(fā)育定位分析等關鍵優(yōu)勢，顯著提高了系統(tǒng)發(fā)育研究的范圍和深度。

基因組所與太原理工大學聯(lián)培碩士楊航為論文第一作者，基因組所易會廣副研究員、太原理工大學鄭文教授和陳澤華教授為論文的共同通訊作者。基因組所與太原理工大學聯(lián)培碩士暢佳星，基因組所易會廣課題組科研助理盧曉欣、常青（已離職）參與了該研究。該項目得到深圳市基礎研究機構、深圳市基礎研究計劃、深圳市博士后出站科研資助和深圳市大鵬新區(qū)博士后出站科研資助。

原文鏈接：https://doi.org/10.1093/bioinformatics/btae566