ビニング（メタゲノミクス）

メタゲノミクスにおいて、ビニングとはリードまたはコンティグをグループ化し、個々のゲノムに割り当てるプロセスです。ビニング方法は、構成上の特徴またはアライメント（類似性）のいずれか、あるいはその両方に基づきます。 ^[1]

メタゲノムサンプルには、膨大な数の生物からのリードが含まれることがあります。たとえば、土壌 1 グラムには、それぞれ独自のゲノムを持つ最大 18,000 種類の生物が存在する可能性があります。^[2]メタゲノム研究では、コミュニティ全体から DNA をサンプリングし、特定の長さのヌクレオチド配列として利用できるようにします。ほとんどの場合、取得された配列が不完全なため、個々の遺伝子を組み立てることは困難であり、^{[3]各生物の完全な}ゲノムを回復することはなおさら困難です。したがって、ビニング手法は、メタゲノムアセンブルゲノム (MAG) と呼ばれる特定のゲノム内のリードまたはコンティグを識別するための「最善の努力」を表しています。MAGの分類は、 GTDB -Tkなどのアルゴリズムを使用して参照系統樹に配置することで推測できます。^[4]

複数の生物からDNAを採取した最初の研究では、特定の遺伝子を使用して各サンプルの多様性と起源を評価しました。^{[5] [6]}これらのマーカー遺伝子は、既知の生物のクローン培養物から以前に配列決定されていたため、メタゲノムサンプルのリードまたはコンティグにそのような遺伝子の1つが出現した場合、そのリードは既知の種またはその種のOTUに割り当てることができました。この方法の問題点は、マーカー遺伝子を含む配列がごくわずかであり、ほとんどのデータが割り当てられないままになることでした。

現代のビニング技術は、サンプルから独立して以前に入手可能な情報と、サンプル内に存在する固有の情報の両方を使用します。サンプルの多様性と複雑さに応じて、成功の度合いは異なります。場合によっては、配列を個々の種まで解決できますが、他の場合には、配列はせいぜい非常に広い分類群で識別されます。^[7]

さまざまな生息地からのメタゲノムデータをビニングすることで、生命の樹を大幅に拡張できる可能性があります。世界中で利用可能なメタゲノムに対するこのようなアプローチにより、52,515個の微生物ゲノムがビニングされ、細菌と古細菌の多様性が44%拡張されました。^[8]

ビニングアルゴリズムは、以前の情報を利用することで教師あり分類器として機能することも、新しいグループを見つけようとすることで教師なし分類器として機能することもできます。もちろん、多くの分類器は両方を行います。分類器は、データベースに対してアラインメントを実行することで既知の配列を活用し、 GC含有量のような生物固有のDNA特性^[9]に基づいて配列を分離しようとします。

ショットガンシーケンシングによって得られたメタゲノムデータセットの主要なビニングアルゴリズムには、TETRA、MEGAN、Phylopythia、SOrt-ITEMS、DiScRIBinATEなどがあります。^[10]

TETRAは、ゲノム断片におけるテトラヌクレオチドの使用パターンを使用する統計分類器である。^[11] DNAには4つのヌクレオチドが存在する可能性があるため、連続する4つのヌクレオチドからなる異なる断片が存在する可能性があり、これらの断片はテトラマーと呼ばれる。TETRAは、特定の配列に対する各テトラマーの頻度を表にまとめることにより機能する。これらの頻度から Zスコアが計算され、これはテトラマーが個々のヌクレオチド組成を見て予想されるものと対照的に、どの程度過剰または過少に表現されているかを示す。各テトラマーのZスコアはベクトルに組み立てられ、異なる配列に対応するベクトルがペアで比較され、サンプルからの異なる配列がどの程度類似しているかの尺度が得られる。最も類似した配列は同じOTU内の生物に属すると予想される。 ${\displaystyle 4^{4}=256}$

DIAMOND ^[12] +MEGAN ^[13]アプローチでは、まずすべてのリードが NCBI-nr などのタンパク質参照データベースに対してアラインメントされ、次にその結果のアラインメントがナイーブ LCA アルゴリズムを使用して分析されます。このアルゴリズムは、リードが有意にアラインメントされているすべての分類群の上にある NCBI 分類群の最下位の分類ノードにリードを配置します。ここで、アラインメントは通常、ビット スコアが特定のしきい値 (リードの長さによって異なります) を超えており、そのリードで見られる最高スコアの 10% 以内である場合に「有意」とみなされます。DNA 参照配列ではなくタンパク質参照配列を使用する理由は、現在の DNA 参照データベースが環境内に存在するゲノムの真の多様性のごく一部しかカバーしていないためです。

PhylopythiaはIBM研究所の研究者によって開発された教師あり分類器の一つであり、基本的には既知の配列からのDNA k-merで訓練されたサポートベクターマシンである。 ^[6]

SOrt-ITEMS ^[14]は、インドの Tata Consultancy Services (TCS) Ltd. の Innovations Labs によって開発されたアライメントベースのビニングアルゴリズムです。ユーザーは、BLASTx 検索を使用して、入力メタゲノム配列 (リード) の類似性検索を nr タンパク質データベースに対して実行する必要があります。生成された BLASTx 出力は、SOrt-ITEMS プログラムの入力として使用されます。この方法では、BLAST アライメントパラメータしきい値の範囲を使用して、最初にリードを割り当てることができる適切な分類レベル (またはランク) を特定します。次に、メタゲノムリードの最終的な割り当てに、オルソロジーベースのアプローチが採用されます。Tata Consultancy Services (TCS) の Innovation Labs によって開発された他のアライメントベースのビニングアルゴリズムには、DiScRIBinATE ^[15] 、 ProViDE ^[16]、SPHINX ^[17]などがあります。これらのアルゴリズムの方法論を以下にまとめます。

DiScRIBinATE ^[15]は、インドのTata Consultancy Services (TCS) Ltd.のイノベーションラボで開発されたアライメントベースのビニングアルゴリズムです。DiScRIBinATEは、SOrt-ITEMSのオルソロジーアプローチを、より高速な「アライメントフリー」アプローチに置き換えます。この代替戦略を組み込むと、割り当ての精度と特異性に大きな損失を与えることなく、ビニング時間を半分に短縮できることが観察されました。さらに、DiScRIBinATEに組み込まれた新しい再分類戦略は、全体的な誤分類率を減らすように思われます。

ProViDE ^[16]は、メタゲノムサンプルのウイルス多様性の推定のために、タタコンサルタンシーサービス（TCS）社のイノベーションラボによって開発されたアライメントベースのビニングアプローチです。ProViDEは、ウイルスゲノムデータセットから得られたメタゲノム配列の分類にSOrt-ITEMSに似た逆オーソロジーベースのアプローチを採用しています。これは、ウイルスのメタゲノム配列に特に適したカスタマイズされたBLASTパラメータしきい値のセットです。これらのしきい値は、ウイルス界のさまざまな分類群内/間で観察される配列の多様性のパターンと不均一な分類階層を捉えます。

PCAHIER ^[18]はジョージア工科大学が開発した別のビニングアルゴリズムで、n量体オリゴヌクレオチド頻度を特徴として採用し、短いメタゲノム断片をビニングするために階層分類器（PCAHIER）を採用しています。主成分分析は、特徴空間の高次元性を削減するために使用されました。PCAHIERの有効性は、非階層分類器と2つの既存のビニングアルゴリズム（TETRAとPhylopythia）との比較を通じて実証されました。

SPHINX ^[17]は、タタコンサルタンシーサービス (TCS) 社のイノベーションラボで開発された別のビニングアルゴリズムで、「構成」ベースと「アライメント」ベースの両方のビニングアルゴリズムの原理を利用して、高いビニング効率を実現するハイブリッド戦略を採用しています。このアプローチは、メタゲノムデータセットを構成ベースのアプローチと同じくらい迅速に分析することを目的として設計されましたが、それでもアライメントベースのアルゴリズムの精度と特異性は維持されています。SPHINX は、メタゲノム配列を構成ベースのアルゴリズムと同じくらい迅速に分類することが確認されています。さらに、SPHINX のビニング効率 (割り当ての精度と特異性の観点から) は、アライメントベースのアルゴリズムを使用して得られた結果と同等であることが確認されています。

タタコンサルタンシーサービス（TCS）社のイノベーションラボが開発した他の構成ベースのビニングアルゴリズムを示します。これらのアルゴリズムは、オリゴヌクレオチドの構成（および統計）パラメータの範囲を利用して、分類学的割り当ての正確性と特異性を維持しながらビニング時間を改善します。^{[19] [20]}