MetaGen: reference-free learning with multiple metagenomic samples.
MetaGen: reference-free learning with multiple metagenomic samples.
复制标题
DOI：
10.1186/s13059-017-1323-y
复制
发表时间：
2017-10-03
期刊：
影响因子：
12.3
通讯作者：
Zhong W
中科院分区：
文献类型：
--
作者：
Xing X;Liu JS;Zhong W
宏基因组学的一个主要目标是在一组目标样本中识别和研究整个微生物物种集合。我们描述了一种统计宏基因组算法，可以同时识别微生物物种并估计它们的丰度，而不使用参考基因组。作为权衡，我们需要多个宏基因组样本，通常≥10个样本，以获得高精度的分箱结果。与主要基于k-mer分布或覆盖度信息的无参考方法相比，该方法具有更高的物种分类精度，并且在测序覆盖度较低时特别强大。我们通过模拟和真实宏基因组研究证明了这种新方法的性能。MetaGen软件可从https://github.com/BioAlgs/MetaGen获取。本文的在线版本（doi:10.1186/s13059-017-1323-y）包含补充材料，仅供授权用户使用。
A major goal of metagenomics is to identify and study the entire collection of microbial species in a set of targeted samples. We describe a statistical metagenomic algorithm that simultaneously identifies microbial species and estimates their abundances without using reference genomes. As a trade-off, we require multiple metagenomic samples, usually ≥10 samples, to get highly accurate binning results. Compared to reference-free methods based primarily on k-mer distributions or coverage information, the proposed approach achieves a higher species binning accuracy and is particularly powerful when sequencing coverage is low. We demonstrated the performance of this new method through both simulation and real metagenomic studies. The MetaGen software is available at https://github.com/BioAlgs/MetaGen. The online version of this article (doi:10.1186/s13059-017-1323-y) contains supplementary material, which is available to authorized users.
登录
查看更多内容
影响因子：
46.9
作者：
Luo C;Knight R;Siljander H;Knip M;Xavier RJ;Gevers D
通讯作者：
Gevers D
影响因子：
15.5
作者：
Laczny CC;Sternal T;Plugaru V;Gawron P;Atashpendar A;Margossian HH;Coronado S;der Maaten Lv;Vlassis N;Wilmes P
通讯作者：
Wilmes P
影响因子：
2.7
作者：
Kang DD;Froula J;Egan R;Wang Z
通讯作者：
Wang Z
影响因子：
56.9
作者：
Gill, Steven R.;Pop, Mihai;Nelson, Karen E.
通讯作者：
Nelson, Karen E.
克拉克：使用判别性k-mers对宏基因组和基因组序列进行快速准确分类。
影响因子：
4.4
作者：
Ounit R;Wanamaker S;Close TJ;Lonardi S
通讯作者：
Lonardi S