A deep siamese neural network improves metagenome-assembled genomes in microbiome datasets across different environments.
A deep siamese neural network improves metagenome-assembled genomes in microbiome datasets across different environments.
复制标题
DOI：
10.1038/s41467-022-29843-y
复制
发表时间：
2022-04-28
影响因子：
16.6
通讯作者：
中科院分区：
文献类型：
--
作者：
宏基因组分箱是构建宏基因组组装基因组 (MAG) 的步骤，将预测源自同一基因组的序列自动分组在一起。最广泛使用的分箱方法是独立于参考的、从头操作的，并且能够从先前未采样的进化枝中恢复基因组。然而，他们没有利用现有数据库中的知识。在这里，我们介绍 SemiBin，一个开源工具，它使用深度暹罗神经网络来实现半监督方法，即 SemiBin 利用参考基因组中的信息，同时保留重建参考数据集之外的高质量 bin 的能力。使用来自 GMGCv1（全球微生物基因目录）的几个不同栖息地（包括人类肠道、非人类肠道和环境栖息地（海洋和土壤））的模拟和真实微生物组数据集，我们表明 SemiBin 优于现有的最先进的分箱方法。特别是，与其他方法相比，SemiBin 返回更多具有更大分类多样性的高质量 bin，包括更多不同的属和种。在这里，作者提出了 SemiBin，这是一种暹罗深度神经网络框架，它整合了来自参考基因组的信息，能够在多个宿主相关和环境栖息地中提取更好的宏基因组组装基因组 (MAG)。
Metagenomic binning is the step in building metagenome-assembled genomes (MAGs) when sequences predicted to originate from the same genome are automatically grouped together. The most widely-used methods for binning are reference-independent, operating de novo and enable the recovery of genomes from previously unsampled clades. However, they do not leverage the knowledge in existing databases. Here, we introduce SemiBin, an open source tool that uses deep siamese neural networks to implement a semi-supervised approach, i.e. SemiBin exploits the information in reference genomes, while retaining the capability of reconstructing high-quality bins that are outside the reference dataset. Using simulated and real microbiome datasets from several different habitats from GMGCv1 (Global Microbial Gene Catalog), including the human gut, non-human guts, and environmental habitats (ocean and soil), we show that SemiBin outperforms existing state-of-the-art binning methods. In particular, compared to other methods, SemiBin returns more high-quality bins with larger taxonomic diversity, including more distinct genera and species. Here, the authors present SemiBin, a siamese deep neural network framework that incorporates information from reference genomes, able to extract better metagenome-assembled genomes (MAGs) in several host-associated and environmental habitats.
登录
查看更多内容
影响因子：
48
作者：
Langmead, Ben;Salzberg, Steven L.
通讯作者：
Salzberg, Steven L.
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：
--
作者：
KULLBACK, S;LEIBLER, RA
通讯作者：
LEIBLER, RA
影响因子：
10.7
作者：
Nguyen LT;Schmidt HA;von Haeseler A;Minh BQ
通讯作者：
Minh BQ
影响因子：
12.3
作者：
Brynildsrud O;Bohlin J;Scheffer L;Eldholm V
通讯作者：
Eldholm V