《Frontiers in Bioinformatics》:Assessment of the impact of manual curation in BioCyc
编辑推荐:
引言:BioCyc是整合微生物与模式真核生物基因组及通路信息的数据库集合,其数据来源包括计算推断、外部数据库导入以及对部分生物体的文献驱动人工校订。本研究旨在量化10个原核基因组在校订过程中的注释变更规模与意义,以理解自动注释的错误率及BioCyc校订的价值。
引言:BioCyc是整合微生物与模式真核生物基因组及通路信息的数据库集合,其数据来源包括计算推断、外部数据库导入以及对部分生物体的文献驱动人工校订。本研究旨在量化10个原核基因组在校订过程中的注释变更规模与意义,以理解自动注释的错误率及BioCyc校订的价值。方法:研究人员通过比对校订前后蛋白质注释差异识别变更。结果:在10个校订数据库(pooled蛋白数n=26,126)中,6,753个(25.6%)蛋白名称被修改;抽样评估显示中位62%(均值52.9%)为功能信息性更名而非体例性更名。外推估计每个基因组平均13%±5.4%的编码蛋白获得功能信息性注释修正(范围5.3%–22.7%)。讨论:结果表明人工校订显著提升BioCyc数据库准确性,降低错误注释在生物数据库间的下游传播风险,对科学发现具有实质影响。
研究背景与问题提出
高通量测序已产生逾10万细菌基因组,自动化基因组注释流程(如NCBI PGAP、Prokka、Bakta)虽高效但易产生错误注释(misannotation),包括假阳性(false-positive,无功能可推演却赋予错误功能)与假阴性(false-negative,本可推演功能却注释缺失或错误)。错误注释可误导通路重建、代谢模型、菌株工程与药物靶点筛选,并通过同源转移在数据库间传播。已有研究估计最高30%的基因组注释可能存在错误,BLAST类方法F-measure仅约0.4。BioCyc平台在RefSeq注释基础上叠加计算推断与外部数据导入,并对高优先级生物体实施文献驱动人工校订(manual curation),但校订所纠正错误的具体规模此前缺乏精确量化。为此,研究人员选取10个近5年校订的Tier 2原核基因组数据库,系统评估校订带来的注释变更。
主要技术方法
研究人员采用两阶段设计:Phase I从10个Tier 2 BioCyc原核基因组数据库(样本队列为近5年校订的细菌PGDB,合计26,126个蛋白编码基因)中抽取1,907个名称变更的蛋白,由校订人员判定变更为功能信息性(functionally informative)或体例性(stylistic);Phase II对全库名称变更、酶反应赋值变更及代谢通路增删进行统计,并以有限总体校正(finite population correction)推算功能信息性更名总数及95%置信区间。判定标准依据校订前后字符串比对与文献证据码(evidence code)。
研究结果
1 Introduction
综述自动注释错误率文献(Brenner 8%分歧率、Devos和Valencia 30%可能错误、Radivojac F-measure 0.4)与BioCyc三层分级(Tier 1/2/3),明确本研究聚焦可被实验文献纠正的注释错误子集。
2 Database annotation in BioCyc
说明BioCyc以RefSeq为基,增补转运/代谢反应预测、操纵子、蛋白复合物、hole filler及UniProt等导入信息;人工校订进一步修正基因/蛋白名、酶反应、通路,并撰写mini-review、赋证据码。Tier定义:≥1人年为Tier 1,1人月–1人年为Tier 2,无校订为Tier 3。
3 Methods
Phase I随机抽约200个更名蛋白/库(C. trachomatis因总量少抽108个),人工分两类;Phase II统计全库更名、酶反应变更、通路增删,按抽样比例外推并算95% CI。
4 Results
Phase I:10库平均25.6%±8.1%蛋白更名,中位62%为功能信息性(均值52.9%±17.2%),H. pylori与S. pneumoniae比例偏低因其前期已被专门校订。Phase II:总计6,753/26,126更名;外推每基因组平均363±218个功能信息性更名,占全基因组蛋白13%±5.4%;酶反应平均45.9%±10.3%变更,每生物平均89.7±32.7条通路增删。L. plantarum WCFS1例:960更名(607.8±57.2功能信息性),558酶反应改,143通路改,合计1,661处修订。
5 Discussion
校订使Tier 2库准确性大幅优于自动流程;体例更名亦非无关(涉及命名混淆致抗体错用等)。单库校订耗时2周–3人月。校订本身误率1.4%–1.58%。以10基因独立抽取算,至少1个误注概率77%,20基因时94.5%,凸显修正价值。
6 Conclusion
10个微生物基因组平均25.6%蛋白更名,其中约一半(每基因组13%±5.4%)为功能信息性修正;平均89.7条通路变更。校订还补充辅因子、动力学、调控位点、small RNA等字段与文献引证,降低假功能赋值、明晰基因功能、完善通路。
讨论与结论翻译
讨论指出,BioCyc方法显著改善校订库质量:每库平均25.6%±8.1%蛋白更名,Phase I中位62%为功能信息性;外推至全库后每基因组平均13%±5.4%蛋白获功能信息性修正。更名中非功能类属体例统一,亦具防混淆价值(如蛋白名混用致抗体错配)。单基因组校订需2周至3人月,取决于文献量与初注质量;校订非无错(误率1.4%–1.58%),但实验证据远胜计算推断。结论:文献驱动校订致原核蛋白注释实质修正,平均13%±5.4%编码蛋白获功能信息性变更,平均89.7±32.7条代谢通路调整;校订同时富集调控、表达、essentiality与small RNA等上下文数据,将BioCyc注释质量提升至自动流程之上,抑制错误注释跨库传播。