基因分类群流行率(GeTPrev, Gene Taxonomic Prevalence)流程:可扩展估算细菌各分类群中基因流行率的计算方法

《Journal of Food Protection》:The Gene Taxonomic Prevalence (GeTPrev) Pipeline for Scalable Gene Prevalence Estimation Across Bacterial Taxa

【字体: 大 中 小 】 时间:2026年05月28日 来源:Journal of Food Protection 2.8

编辑推荐:

  美国国家生物技术信息中心(National Center for Biotechnology Information, NCBI)储存了超过100万条细菌基因组序列,但目前尚无工具能够估算特定核苷酸序列在分类群内或跨分类群中的流行率。为解决这一缺口,研究人员开

  
美国国家生物技术信息中心(National Center for Biotechnology Information, NCBI)储存了超过100万条细菌基因组序列,但目前尚无工具能够估算特定核苷酸序列在分类群内或跨分类群中的流行率。为解决这一缺口,研究人员开发了基因分类群流行率(Gene Taxonomic Prevalence, GeTPrev)流程。GeTPrev可估算用户指定基因在各分类群细菌基因组集合中的存在情况。该流程基于Bash语言编写,整合了基于BLAST(Basic Local Alignment Search Tool)的序列比对功能及两种针对不同分析需求设计的运行模式。默认(default)模式针对已格式化为BLAST数据库的精选完整基因组数据库进行一次搜索;"Heavy"模式则将搜索范围扩展至完整基因组与草图(draft)基因组,以更广泛地代表基因组多样性。GeTPrev通过Conda环境管理并兼容高性能计算(High-Performance Computing, HPC)系统,可对大型基因组数据集进行高效的批量分析。GeTPrev支持构建用户自定义的基因分类群靶标,同时流程内置了肠杆菌科(Enterobacteriaceae)7个属的预构建完整基因组数据库以支持快速分析。研究人员通过9个示例应用展示了GeTPrev的功能性与灵活性。GeTPrev为微生物基因组学、分子流行病学及食品安全监测中的基因中心分析提供了一种实用解决方案。
一、研究背景与目的
随着细菌全基因组序列的公共可获得性日益增加,调查不同微生物种群间特定基因(如毒力因子和抗微生物耐药决定簇)在各分类群中的流行率,对食品安全与质量控制具有重要意义。然而NCBI虽存有超100万条细菌基因组组装数据(含超70万条肠道沙门氏菌Salmonella enterica),却缺乏能自动化估算大规模基因组集合中基因流行率的工具。现有的NCBI BLAST网页界面缺乏高通量批量处理功能且不提供定量汇总;ResFinder和VirulenceFinder等工具依赖预设基因数据库且针对单基因组设计,无法汇总成百上千分离株中的流行率。为此,研究人员开发了基于Bash的可移植工作流程——GeTPrev流程,旨在填补这一空白,相关成果发表于《Journal of Food Protection》。
二、主要关键技术方法
研究人员采用Bash脚本集成Conda环境管理依赖,使用ncbi-genome-download从NCBI GenBank获取完整("complete genome"标签)及草图(contig级别)基因组组装数据,通过NCBI Entrez-Direct套件与assembly_summary元数据匹配实现属—种—血清型分层分类注释,用makeblastdb构建BLAST+数据库。流程设两种模式:默认(Default)模式仅对完整基因组数据库做一次BLAST+搜索,可调整identity(一致性)与coverage(覆盖度)阈值判定基因阳性并计算各分类群流行率;Heavy模式在先分析完整基因组基础上,动态获取各分类群草图基因组 accession号,过滤contig数>500的低质量组装,按Cochran样本量公式(置信水平95%,期望流行率p=0.5,容许误差e=0.05)计算每轮抽样量及迭代次数(最多20次),多轮随机无放回抽样后分别BLAST并取各轮流行率均值及标准误(Standard Error, SE)。预构建默认数据库涵盖肠杆菌科7个属(柠檬酸杆菌属Citrobacter、克罗诺杆菌属Cronobacter、肠杆菌属Enterobacter、埃希氏菌属Escherichia、克雷伯菌属Klebsiella、沙门氏菌属Salmonella、志贺氏菌属Shigella)共16,677条完整基因组;自定义数据库通过-d参数指定属/种/血清型名动态下载构建,可用-get-all-species标志自动展开属下所有种。演示案例含沙门氏菌毒力基因、抗菌耐药(Antimicrobial Resistance, ARG)基因及金黄色葡萄球菌(Staphylococcus aureus)毒力基因在不同阈值与分类阶元下的分析,并在Heavy模式中纳入NCBI草图基因组。
三、研究结果
Default database construction(默认数据库构建)
研究人员从NCBI GenBank按属水平下载标注为"complete genome"的组装数据,经解压、拼接、建BLAST库得到含Escherichia(6,952)、Klebsiella(4,904)、Salmonella(2,959)、Enterobacter(1,014)、Citrobacter(498)、Shigella(279)、Cronobacter(71)共16,677条完整基因组的默认数据库(BLAST索引46 GB,FASTA压缩后25 GB)。沙门氏菌进一步细分至亚种和血清型,其余属仅分至种级,以规避NCBI部分注释不完整导致的错分风险。
Prevalence estimates of eight virulence-associated genes at 95% identity and 90% for seven Salmonella serotypes(7个沙门氏菌血清型中8个毒力关联基因在95%一致性和90%覆盖度下的流行率估算)
在完整与草图基因组中,invA在多数血清型流行率≥99.5%(单相鼠伤寒沙门氏菌除外),gogA、gtgA、avrA、lpfB在鼠伤寒、单相鼠伤寒和肠炎血清型中高流行,肯塔基(Kentucky)、蒙特维的亚(Montevideo)和卢博克(Lubbock)血清型中HPS(Harhay et al., 2024)关联基因流行率低。完整与草图基因组流行率高度相关(Pearson r=0.98),少数基因在两数据集存在轻微差异(如sseK在鼠伤寒血清型草图中43.3% vs 完整30.8%)。
Estimated prevalences for twelve antimicrobial resistant genes in seven genera within the family Enterobacteriaceae(肠杆菌科7个属中12个抗菌耐药基因的估算流行率)
在85% id/80% cov与95% id/90% cov两阈值下分析,aac(6')-Iaa在Salmonella完整基因组中分别达98.1%和97.9%;blaCMY-2在Citrobacter中从78.9%(低阈值)降至18.1%(高阈值)。结果表明阈值设定显著影响流行率数值,且耐药基因分布具属特异性。
Prevalence estimates of twelve antimicrobial resistant genes for twenty-one Salmonella serotypes(21个沙门氏菌血清型中12个抗菌耐药基因的流行率估算)
动态获取1,367条Salmonella完整基因组及NCBI草图基因组进行Heavy模式分析,aac(6')-Iaa在绝大部分血清型中>97%,tet(A)、tet(B)在鼠伤寒、婴儿(Infantis)和新港(Newport)血清型中广泛分布,blaCMY-2在都柏林(Dublin)和海德堡(Heidelberg)血清型较高,blaCTX-M以婴儿血清型最高(完整48.3%,草图20.6%)。完整与草图基因组总体吻合好(r=0.94),完整基因组少的血清型(如乌干达Uganda、波茨坦Potsdam)在两数据集间差异较大,归因于抽样效应。
Prevalence estimates of nine virulence-associated genes for all Staphylococcus species(所有葡萄球菌种中9个毒力关联基因的流行率估算)
检索NCBI获得3,437条葡萄球菌完整基因组(>50种,以S. aureus为主),femA、hla、lukS在S. aureus中高流行(femA 100%,hla 87.8%,lukS 90.9%),mecA在S. aureus为59.0%,在其他葡萄球菌如S. epidermidis(66.1%)、S. haemolyticus(47.6%)也有检出;pvl和spa主要见于S. aureus,呈明显的种特异性分布。
Prevalence estimates of nine S. aureus virulence-associated genes for S. aureus(金黄色葡萄球菌中9个毒力关联基因的流行率估算)
对3,401条S. aureus完整基因组及106,829条草图基因组分析,femA、hla、lukS在两数据集中均>80%流行,mecA完整基因组46.4%、草图57.6%,mecC<1%,pvl和spa约37–46%。完整与草图基因组强相关(r=0.98)。
Identification of indicator genes for food safety application(食品安全应用中指示基因的鉴定)
以95% id/90% cov筛选,ygfE在非靶属缺如但在Salmonella和Citrobacter中>88%流行;nuoK在非靶属<10%而在两靶属>95%流行。实验室验证仅nuoK符合预期(Salmonella和Citrobacter阳性、非靶属阴性),ygfE因高度保守基因家族或注释歧义出现假阳性信号。GeTPrev可有效筛选候选分子标记供下游实验验证。
四、讨论与结论总结
讨论指出GeTPrev通过整合基因组获取、分类注释、BLAST比对和结果汇总解决了大规模分类群基因流行率分析的瓶颈;双数据库体系(预构建默认库vs自定义动态库)兼顾效率与灵活性;沙门氏菌实现属—种—血清型三级分类而其余属暂限于属—种以避免误分;Heavy模式用迭代随机抽样降低草图基因组中克隆过代表征偏差并提供SE量化不确定性;内置容错下载与日志追踪保障可重现性。与PGAP2、PPanGGOLiN等泛基因组工具不同,GeTPrev专为可扩展的用户指定基因跨分类群流行率分析设计。未来计划加入SNP分析(限有明确亚群物种)、图形用户界面(Graphical User Interface, GUI)及云端部署。
结论:GeTPrev通过分类群特异性基因组检索、组织和BLAST比对分析,为大容量细菌基因组集合中基因流行率估算提供了实用方案。其基于Conda环境与HPC兼容性、并行化处理使其适用于本地Linux服务器及HPC平台。GeTPrev开源发布于https://github.com/Weifanwu66/GeTPrev,预构建默认数据库存于Zenodo(DOI: 10.5281/zenodo.17346156)。随SNP检测、GUI、云部署及模块化设计的完善,GeTPrev有望成为细菌基因组流行病学中大尺度基因流行率分析的核心工具。
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