| 发表年月 | 2022.04 | 期刊 | Genomics | 中科院分区 | 二区 |
|---|---|---|---|---|---|
| 影响因子 | 5.034 | 是否OA | 是 | 阅读时间 | 2022.10.24 |
| 原文链接 | https://arxiv.org/abs/2204.12270 |
背景
（1） 微生物群落对人类健康和环境有直接影响，它们在实现可持续发展目标方面发挥着至关重要的作用，特别是良好健康和福祉（SDG-3）、水下生活（SDG-14）和陆地生活（SDG 15）等。然而，要想探索微生物的潜力以造福大众，就需要从多样性和功能等方面对微生物世界有一个敏锐的理解。宏基因组学在DNA水平上研究微生物群落，理论上可以恢复样本中所有微生物的基因组。然而，这是一项复杂的任务，因为DNA测序技术只能产生全基因组的片段，而且由于当前参考数据库的不完整，环境样品中大多数微生物的全基因组仍然未知。
（2） 从碎片的测序数据中恢复宏基因组->binning.分为两步：第一步定义DNA序列之间的相似性概念；第二步进行聚类，也就是bins。大多数binner仅仅利用了局部特征，并没有充分考虑连接性信息。
（3） 介绍图神经网络的应用，其已经被用于binning，例如：[Xue et al., 2021; Lamurias et al., 2022]
（4） 本文作者提出VAEG-Bin,一种基于GNN的binning方法，结合通过VAE获得的局部特征与从组装图获得的全局特征进行融合。在真实和模拟数据集上效果较好。
（5）（Domain background: read越长越好，以完全重建基因组，但read越长也越容易出错，介绍组装图生成原理。Contigs的特征：丰度，k-mer，单拷贝基因（SCG）（两个contigs有相同的SCG一定属于不同的基因组中）
相关研究
（1） 近几年有基于kmer和丰度特征的binner，Metabat2和Maxbin2，. The SCGs associated with each contig are used to estimate the number of bins。
（2） 目前出现深度学习的方法：VAMB：学习节点kmer和丰度特征的嵌入表示。
（3） 组装图方法：Graphbin2：将装配图用于最后一步，没有应用于整个过程，可能会出现错误。存在相同物种的变体，将会产生错误的bins。
主要方法
（1） VAEG-BIN相对于基因组标签保持完全不受监督，基因组标签仅用于定量评估**。与经典的图问题不同，装配图可能存在错误连接。为了解决这个问题，每个边被分配了权重，也就是边缘置信度[0,1]。
（2)$z_l$是变分自编码器学习到的节点表示，然后GNN将
作为输入，然后生成每个节点全局表示
。最后，将
输入到聚类算法中得到最终结果。
（3）最终目的是进行聚类并为每个节点分配尽可能多的唯一单拷贝基因（SCGS）
（4）$z_l$：用VAE来编码kmer和丰度特征，VAE包括编码器，解码器，还有一些参数。对kmer特征和丰度特征进行归一化。用来训练VAE的损失函数由以下三部分组成：
（5）图表示学习：GNN学习依赖于节点邻域的节点特征。通过以下通用卷积来聚合节点信息
对于不同的GCN，该表达式的表示方式不同。
用来训练GNN的损失函数定义如下：
聚类和评估：为了简单起见，本文用了与[Nissen and others, 2021]一致的聚类算法，修改后的 k-medoids algorithm，不需要初始化聚类的数量。
该算法包括三个步骤：首先通过选取与节点相关联的随机zu来找到种子质心，并计算到所有其他zv的余弦距离。如果在一个小半径内，任何节点的邻居比当前的椭球体多，则该节点将被选为新的椭球。第二步是确定簇半径。计算从所选的椭球体到所有其他节点的距离，该算法试图找到一个最佳距离阈值，该阈值包括大多数附近节点，但足够小，可以排除远处节点，这应该对应于距离直方图中的局部最小值。第三步是从要群集的节点列表中删除该阈值内的节点，并返回到第一步，直到不再剩下未群集的节点
评估：用完整性和污染度，然后用单拷贝基因作为真实标签。
对于模拟数据集可以获得每个节点的真实标签，模拟数据集的评估标准：[Meyer and others, 2018] using the AMBER evaluation tool。如果bin中只有一个节点标签同时不包含其他的标签，那么其准确度就是1
实验结果
与MetaBat2，Vamb，maxbin2,Graphbin方法作比较。
模拟数据集
真实数据集
使用到的数据集
Strong100是模拟数据集（using the badread [Wick, 2019] tool (v0.2.0), where we generated reads according to the methodology proposedin [Quince and others, 2021];），其他是真实数据集。
当前存在的问题/发展方向
有几个有希望的方向可供进一步研究：改进聚类步骤，以更好考虑单拷贝基因在不同的聚类类别中的分布，这一步将涉及改进损失函数，促进簇的高完整性和低污染。结合表示学习和聚类的端到端方法可以进一步改进这项任务。
