BGC-XPLORER:单株细菌基因组中生物合成基因簇的多检测器基因级共识、功能注释与AI辅助摘要

《Current Issues in Molecular Biology》:BGC-XPLORER: Exploring Biosynthetic Gene Clusters with Gene-Level Functional Annotation and AI-Assisted Summarization

【字体: 大 中 小 】 时间:2026年10月22日 来源:Current Issues in Molecular Biology 4.1

编辑推荐:

  将一个新测序的细菌基因组转化为对其生物合成潜力的整体视图,目前仍意味着需要运行多个基因簇检测器和注释工具,并人工比较其输出。研究人员提出BGC-XPLORER,这是一种针对单个组装细菌基因组的容器化Snakemake工作流,通过Docker在本地部署并经浏览器

  
将一个新测序的细菌基因组转化为对其生物合成潜力的整体视图,目前仍意味着需要运行多个基因簇检测器和注释工具,并人工比较其输出。研究人员提出BGC-XPLORER,这是一种针对单个组装细菌基因组的容器化Snakemake工作流,通过Docker在本地部署并经浏览器操作。该工作流使用Bakta对基因组进行注释,运行antiSMASH、GECCO和DeepBGC,并逐基因对其预测结果进行分组,将以至少两个检测工具(callers)一致支持的基因所定义的区域作为一个位点(locus)。每个位点均携带来自Bakta、eggNOG和dbCAN的基因级分辨证据、ARTS自抗性命中(self-resistance hits)以及MIBiG比较结果,并在具有可搜索表格和注释基因图的交互式报告中呈现。针对来自两个属的四株放线菌基因组中的42个MIBiG参考位点,该分组方法回收了41个,在每个基因组中至少与任何单一检测工具回收的数量相同。应用于新测序的土壤分离株Streptomyces albidoflavus STR-S001(GenBank CP158056)时,该工作流报告了49个位点,其中27个获得至少两个检测工具支持,22个具有MIBiG比较结果,5个具有ARTS已知抗性命中。研究人员提供可选的、远程生成的单一位点人工智能(artificial intelligence, AI)摘要,作为阅读报告的辅助。该工作流并非实验室验证的替代品,而是先于实验室验证的补充步骤。
研究背景与问题:细菌全基因组测序已常规化,快速、跨分类群的注释可将组装分离株基因组或宏基因组组装基因组(metagenome-assembled genome, MAG)转化为标准化基因和蛋白集。细菌特殊代谢途径的酶通常由物理成簇的基因编码,因此生物合成基因簇(biosynthetic gene clusters, BGCs)可直接从组装序列识别,从而在发酵或化学工作前评估菌株代谢潜力。放线菌,尤其链霉菌,编码细菌中最大的生物合成多样性;但估计仅约3%的潜在天然产物已被鉴定和表征,部分簇在标准培养下转录沉默。抗微生物耐药(antimicrobial resistance)相关死亡预计上升,而土壤放线菌无导向筛选常重复发现已知化合物,故计算选择有前景的簇成为发现关键步骤。现有问题包括:多个检测器输出差异大且难比较,通常并排报告并需人工比较;基因级功能注释、糖活性酶(carbohydrate-active enzymes, CAZymes)和自抗性证据由不同工具在基因组或泛基因组水平计算,其他检测器调用的位点缺乏基因级注释;OOPS、ARTS、MIBiG等证据层彼此孤立;系统工作流多面向命令行和基因组集合,而非单株新测序分离株,且工具版本、数据库版本和参数少随结果记录。为此,研究人员开发BGC-XPLORER,以单个组装细菌基因组为分析单元,整合Bakta注释、antiSMASH、GECCO和DeepBGC检测、基因级共识分组、eggNOG、dbCAN、ARTS、MIBiG证据投射、交互式报告和可选AI摘要。该研究的意义在于把多工具输出、基因级功能注释和证据层合并为单个基因组的可检查报告,作为实验室验证前的补充步骤,而非替代检测器或泛基因组平台。

关键技术方法:研究采用容器化Snakemake v9.23.1工作流(micromamba v2.0.5 OCI镜像)与NiceGUI v3.14.0浏览器界面,输入单个组装细菌基因组FASTA;Bakta v1.12.0注释,antiSMASH v8.0.4、GECCO v0.10.3和DeepBGC v0.1.31检测,按至少两个检测工具(callers)逐基因共识分组并保留单caller预测;eggNOG-mapper v2.1.13、dbCAN v5.2.9、ARTS和MIBiG 4.0投射证据;provenance.json记录版本与SHA-256;可选远程AI摘要。验证用四株放线菌参考基因组中42个MIBiG 4.0位点;STR-S001为土壤分离株,经Oxford Nanopore R10.4.1测序、Flye v2.9.2组装、Racon v1.4.21与Medaka v1.8.1抛光,GenBank CP158056.1。

研究结果:
3.1 Web Interface:单页浏览器界面由本地部署容器提供,用户输入样本名和一个未压缩核苷酸FASTA文件并启动运行;安装后无需命令行交互,注释、簇检测和报告在主机计算,运行时显示步骤计数、进度条和实时日志,完成后链接到可独立共享的自包含HTML报告。仅可选AI摘要会将所选位点的事实发送至远程模型提供方。结论是工作流可由浏览器驱动,报告可独立归档或分享。
3.2 Biosynthetic Repertoire of a Newly Sequenced Soil Actinomycete Streptomyces albidoflavus STR-S001:对土壤分离株STR-S001进行Nanopore R10.4.1测序,经Guppy v6.5.7、Porechop v0.2.4、Flye v2.9.2、Racon v1.4.21和Medaka v1.8.1得到7,050,834 bp、GC含量73.4%的单染色体,CheckM v1.1.6估计完整度99.53%、污染度0.69%,FastANI v1.34对S. albidoflavus DSM 40455为99.06%、对NRRL B-1271为99.09%,序列存于GenBank CP158056.1,样本标识Soil_1。工作流报告49个位点,其中27个至少两个caller支持、22个单caller支持、22个有MIBiG比较、5个有ARTS已知抗性命中;56个类别分配为Unknown 16、NRP 10、RiPP 10、Polyketide 8、Terpene 8、Other 3、Saccharide 1,13个位点多类别;DeepBGC预测18个位点活性(antibacterial 17、cytotoxic 2,Soil_1_32两者兼有)。19个位点与antiSMASH一致且均含生物合成核心基因,包括已知candicidin、surugamide、desferrioxamine、ectoine和geosmin簇;8个由GECCO和DeepBGC支持而无antiSMASH,其中3个有核心基因,作为单独类别报告;22个单caller位点中7个有核心基因,建议优先检查,另15个无核心基因,可能是片段或假阳性。MIBiG比较命名了22个匹配位点的最近已知产物,如candicidin(BGC0000034,23个基因、8个核心)、surugamide A/D(BGC0001792,23和6个)、cyclofaulknamycin(BGC0002358,24和2个)、hopene(BGC0000663,10和4个)以及desferrioxamine B、ectoine、geosmin、albaflavenone和naringenin簇;一个RiPP位点经CompariPPson以81.8%肽相似性匹配lanthipeptide SRO15-2212(BGC0000553),其他位点以较低分数或仅ClusterCompare匹配bovienimide A、cyclothiazomycin B1和colicin V。dbCAN检测75个CAZyme基因簇(CAZyme gene clusters, CGCs),为17个预测底物,最常见为xylan 5、beta-glucan 4、starch或alpha-glucan 4,另有chitin、cellulose、levoglucosan和host glycan。结论是STR-S001的BGC谱可由单次运行获得,并区分多caller支持、机器学习caller相互支持和单caller候选。
3.3 The Evidence Table:所有簇呈现在一个可搜索表中,含BGC(49)和CGC(17)两个标签页,附列图例,第三标签页提供底层表下载;每行给出位点标识、共识跨度坐标与contig和长度、注释基因数、预测caller、ARTS已知抗性和DUF命中计数、最近已知MIBiG簇及方法/产物、预测类别和活性标签,按钮打开注释基因图,行按基因组坐标排序。结论是报告不设置信层级或排序,选择、排序和过滤由读者完成。
3.4 Gene-Resolved Inspection of a Locus:选择簇打开详细基因图,示例Soil_1_13(原提交为Soil_1_14)显示位点界定:antiSMASH报告contig_1:1,326,997–1,390,107,GECCO为1,336,178–1,389,372,DeepBGC为1,333,732–1,379,192;共识run始于CJLEIP_01135、止于CJLEIP_01164,报告位点为contig_1:1,332,869–1,390,082(57,214 bp、30个基因、20个由三个caller覆盖),基因图绘于三个预测的并集contig_1:1,326,997–1,390,107(36个基因)并阴影标出共识跨度;DeepBGC和GECCO仅各触及两个端基因4 bp(0.46%和0.56%),将min_gene_overlap_fraction设为>0.0056会撤回两票,使共识跨度收缩至contig_1:1,333,732–1,389,372(55,641 bp),两端各少一个基因而基因仍绘出。该位点为NRP候选并有DeepBGC抗菌预测,最近已知相对为cyclofaulknamycin(BGC0002358,24个基因、2个核心);基因按类别着色为3个生物合成核心、4个tailoring酶、4个抗性证据基因、11个转运蛋白、6个调控因子、1个CAZyme、1个移动元件和6个其他,逐基因表给出Bakta注释、eggNOG功能描述和dbCAN家族;两个dltA基因CJLEIP_01147和CJLEIP_01149(10.2和12.5 kb)被eggNOG置于NRPS模块,间有MbtH家族蛋白CJLEIP_01148,另有class A beta-lactamase相关丝氨酸水解酶CJLEIP_01146、具clavaminate synthase活性的L-asparagine oxygenase CJLEIP_01150、细胞色素P450 CJLEIP_01152和硫酯酶CJLEIP_01154(第三个核心基因)。同一行显示注释冲突:Bakta命名CJLEIP_01147和CJLEIP_01149为D-alanine--poly(phosphoribitol) ligases,eggNOG置于NRPS模块,而dbCAN的DIAMOND搜索单独将其归为糖基转移酶家族GT1;dbCAN不推荐该单方法分配,工作流在tooltip显示但不使用该家族或CAZyme类别。结论是基因级检查可追溯位点边界、基因组成和来源冲突。
3.5 Optional AI Summary:工作流为所选位点组装编号事实,模型的三部分摘要逐句对照事实核查,悬停显示依据,假设置于单独标注框。对Soil_1_13,NVIDIA/nemotron-3-ultra-550b-a55b摘要指出两个NRPS基因CJLEIP_01147和CJLEIP_01149含6个模块,其中4个预测为phenylalanine、valine和两个threonines,3个模块带epimerization结构域,最近已知簇为cyclofaulknamycin(BGC0002358);假设框称该簇可能产生经氧化和糖基化修饰的cyclofaulknamycin样NRP。为评估该层,研究人员为STR-S001的10个位点生成摘要并逐句对照证据表:模型写的89句中核查移除12句(10句正确但引用词或数字不在事实中、1句由仅列入假设的基因构成、1句措辞解释性),展示77句中74句正确、3句措辞不精确、0句错误。结论是AI摘要为阅读证据表的辅助,而非替代。
3.6 Validation of the Grouping Against MIBiG:对四株参考基因组中42个MIBiG位点,BGC-XPLORER检测41个(recall 0.98),多于任何单一caller(antiSMASH 40、GECCO 38、DeepBGC 32),且在每个基因组中至少与任何单一caller一样多;因未获共识run覆盖的预测保留为单caller位点,该数字是三caller的并集性质,限制在至少两个caller的位点为38/42,中位Jaccard指数0.482。一个由GECCO单独支持并被完整回收的位点是S. coelicolor A3(2)的SCO-2138 lanthipeptide簇(BGC0000595);漏掉的位点是S. avermitilis的5 kb ochronotic pigment簇,三个caller均漏掉。42个配对位点中BGC-XPLORER的Jaccard更高者22个、antiSMASH 17个、平局3个(中位0.524对0.458;平均配对差+0.079,Wilcoxon p = 0.12),优势未达显著;GECCO单独边界更紧(中位Jaccard 0.582)但漏4个位点。隔离分组规则的比较在同一运行预测上进行:相对上一版本containment规则平均配对差+0.168(p = 9.0 × 10?7),相对每基因接受单caller投票+0.251(p = 1.8 × 10?12),相对在更宽基因图窗口而非共识跨度评分+0.229(p = 2.4 × 10?10);分组融合2个参考位点,antiSMASH为4个、containment规则为5个;相对无分组并排表,分组更接近参考位点(+0.054,p = 3 × 10?4)并报告226行而非400行。结论是分组提高MIBiG位点回收数量,边界中位数高于antiSMASH单独但未显著,而隔离分组规则本身的比较更大且显著。

讨论部分总结:作者强调三点区别。其一,BGC-XPLORER协调多个检测器,而非并排报告;其将每个预测解析为注释基因,以逐基因caller一致定义位点,报告每个基因的caller支持数,使报告区间随证据而非任一caller的侧翼惯例。其二,将eggNOG直系同源分配、dbCAN CAZyme家族与预测底物、ARTS自抗性命中逐基因与每个位点相交并显示在位点内,包括antiSMASH未调用位点;来源间分歧显式可见,如dbCAN推荐结果将基因归为CAZyme家族而caller标记为生物合成核心基因时标为注释冲突。其三,交付为单个自包含HTML文件,含可搜索表、过滤、基因图和可下载底层表,provenance记录工具版本和数据库校验和;安装后浏览器上传FASTA一键运行,可选AI摘要仅重述并核查单一位点证据。作者指出该工作流不取代其运行的检测器,也不取代面向基因组集合的泛基因组规模流程;其范围为每次一个组装细菌基因组,分组已在两属四株放线菌验证,其他分类群表现待测;报告全程为预测性,未确立化合物产生,每个位点仍是需表达、分离和化学表征验证的假设。局限包括Docker与83–163 GB参考数据库、至少8线程推荐、不提供原生安装、面向可信网络单工作站或实验室服务器、每次一个基因组而不适合泛基因组调查、碎片化组装/MAG/质粒支持留待未来版本、GECCO仅有预印本且运行版本为0.10.3(精度由MIBiG验证并固定记录)、可选AI摘要依赖远程模型且检查只保证摘要忠实重述工作流事实而非事实本身正确、不声称跨模型可重复、启用AI时数据离主机需权衡未发表或专有基因组。

研究结论部分翻译:BGC-XPLORER将单个组装细菌基因组转化为单一、可检查的生物合成基因簇记录:antiSMASH、GECCO和DeepBGC的预测被逐基因分组,每个位点携带基因级功能、抗性和去重复证据,分析连同其背后的工具版本和数据库被记录。在四株参考基因组上,该分组检测到的MIBiG位点多于任何单一检测器,这是保留单caller预测所产生的并集性质;其与这些位点的边界一致性中位数超过antiSMASH单独,但在42个配对位点上未达到显著(Wilcoxon p = 0.12);隔离一致性规则本身的比较——相对先前分组规则和相对更宽基因图窗口——差值更大且显著。该工作流不是实验室验证的替代品,而是先于实验室验证的补充步骤,为用户提供结构化方式,以预测和探索新测序菌株的生物合成潜力,并决定哪些位点值得进入实验台。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号