Срыв покровов: ANI

Дорогие люди и гуманоиды, позвольте познакомить вас с расследованием, которое в кратком виде было включено в мой постер на конференции MCCMB.

В 2021 году в научной среде господствует мнение, что если средняя идентичность (ANI, average nucleotide identity) геномов прокариот выше 95%, то они принадлежат одному виду, — два вида. Получили это значение опытным путём имея на руках данные по старому мокрому методу — гибридизации ДНК: там пороговое значение было 70%. К расчётам претензий нет и более того значение 95% хорошо работает как на выборке геномов, доступной 15 лет назад, так и актуальной. В настоящее время доступно немало скриптов, которые рассчитывают значение ANI по результатам выравнивания BLAST-ом (pyANI, OrthoANI, ani.rb и др.). Все они дают немного различающиеся результаты и требуют различных временных затрат. Конечно же, я захотел разобраться, почему результаты отличаются . Технические различия я сейчас опущу, они важны, но исследование завело меня глубже, в одну из первых статей по ANI (Goris et al., 2007; https://doi.org/10.1099/ijs.0.64483-0) В ней, в частности есть такой странный параграф:

The ANI between the query genome and the reference genome was calculated as the mean identity of all blastn matches that showed more than 30 % overall sequence identity (recalculated to an identity along the entire sequence) over an alignable region of at least 70 % of their length. This cut-off is above the ‘twilight zone’ of similarity searches in which an inference of homology is error prone because of low levels of similarity between aligned sequences (Rost, 1999; Sander & Schneider, 1991). Therefore we can assume that only homologous DNA fragments were considered in our calculations.

Мне сразу показалось странным 30% идентичности. Это же курам на смех, 25% идентичность двух нуклеотидных последовательностей гарантирована случайностью, а если при выравнивании допустимы гепы (англ. gaps, разрывы произвольной длины), то все 50%. И что должно значить recalculated … я не понял. И почему 70%? Чтобы выяснить в чём дело, отправился я по ссылкам, благо путь недалёкий.

В статье Зандера и Шнайдера 91-го года, направленной на получение вторичных структур белков из выравниваний я нашёл источник этих чисел, вернее сказать как бы источник:

The resulting homology cutoff (Fig. 4, Table I) is a strongly varying function of alignment length up to a length of about 70-80 residues. For example, for alignment length 30, sequence similarity has to be at least 43% (gaps allowed with a gap opening penalty of three residue identities) to infer structural homology. For very long alignment lengths 25% sequence identity is sufficient, Note that below these values of sequence similarity structural homology cannot be asserted nor excluded-the region of weaker sequence similarity is a “don’t know” region (mixture of squares and crosses in Fig. 4).

Ладно, 30% и 25% — это близкие значения, может авторы взяли с запасом. 70% нашлось как передельное значение secondary structure identity, в статье есть описание, не буду вас грузить, но это никак не связано с долей выровненной последовательности.

Но самое главное, в статье 91-го года речь идёт о белках. Может статья Бурхарда Роста 1999-го года прольёт свет? Есть же шансы! Постойте, ведь её название «Twilight zone of protein sequence alignments». Опять белки! Что за беспредел? Ладно, прочтём абстракт:
«More precisely, above a cut-off roughly corresponding to 30% sequence identity, 90% of the pairs were homologous»
Вот и 30%. А 70% в этой статье попросту нет…

Итого, основополагающая статья в подходе к оценке ANI содержит в себе кусок неправильно понятой информации из статей рассматривающих совершенно другие объекты исследования — белки и их вторичную и третичную структуру.

Литература

Goris, J. et al. (2007). DNA–DNA hybridization values and their relationship to whole-genome sequence similarities. IJSEM 57: 81–91. https://doi.org/10.1099/ijs.0.64483-0

Konstantinidis, K. T. & Tiedje, J. M. (2005) Genomic insights that advance the species definition for prokaryotes. PNAS 102: 2567–2572. https://doi.org/10.1073/pnas.0409727102

Rost, B. (1999). Twilight zone of protein sequence alignments. Protein engineering, 12(2), 85-94. https://doi.org/10.1093/protein/12.2.85

Sander, C., & Schneider, R. (1991). Database of homology‐derived protein structures and the structural meaning of sequence alignment. Proteins: Structure, Function, and Bioinformatics, 9(1), 56-68.

Кто может назвать себя биоинформатиком?

Мой добрый приятель, тёзка того самого литературного персонажа, к которому именно так обращалось солнце русской поэзии в своём романе, скинул интересную статью 2015 года во Frontiers in Genetics с заголовком Who qualifies to be a bioinformatician?

Статья хоть и небольшая, но весьма интересна точка зрения авторов, которые стараются разграничить биологов, биоинформатиков и IT-специалистов. Приведу несколько цитат:

Bioinformaticians are scientists who develop and conduct research based on a bioinformatics approach, they do not just use the tools to better understand a biological problem.

Consequently, in our opinion a biologist who only uses bioinformatics tools to perform analyses but does not contribute at the conception of such tools or not fits in the curator definition provided above is not a bioinformatician.

Many university departments, including ours, now give mandatory bioinformatics courses to students enrolled in biology, biochemistry, and microbiology programs, among others. … However, it is also important for students to realize that a 45-h bioinformatics course will not make them experts in the field or qualify them as bioinformaticians.

Antony T. Vincent, Steve J. Charette. 2015

Разумеется лучше ознакомиться с полным текстом, однако эти выдержки показывают, что жать просто кнопки и получать картинки для биоинформатика недостаточно. Я во многом согласен с авторами. Пожалуй всё-таки разработка ПО, баз данных и конечно же поиск фундаментальных закономерностей, которые в дальнейшем воплотятся в тех или иных инструментах, это и есть труд биоинформатика.

Но всё-таки какой объём работы или её значимость позволяют считать творение биоинформатическим инструментом? Вряд ли однострочник для фильтрации VCF можно назвать биоинформатическим инструментом, хотя важность таких простых средств трудно переоценить. А как вы думаете, кого можно считать биоинформатиком и что он должен делать?

Свежие препринты: микробиология [2021-2]

Предоставляю обзор интересных препринтов сервера bioRxiv из раздела Microbiology, вышедших или обновлённых в январе 2021. В поле моего зрения были неклинические работы с максимальным уклоном в биоинформатику. 

Начнём с вирусов и единственной в подборке работы по коронавирусу 

A novel SARS-CoV-2 related coronavirus in bats from Cambodia 

https://www.biorxiv.org/content/10.1101/2021.01.26.428212v1

Подковоносые летучие мыши, обитавшие в 2010 на севере Камбоджи, оказывается несли в себе коронавирус весьма похожий на нынешний, средняя идентичность генома более 92%. Теперь конспирологам придётся придумать очередную теорию, а желающие могут потренироваться в поисках коронавирусов, благо исходные данные выложены. 

Картинки по запросу "подковоносых летучих мышей"
Симпатичная мышь ищет штамм с низкой вирулентностью, жилплощадь есть, вредных привычек — нет.
Читать далее

Свежие препринты: биоинформатика [2021-1]

Представляю обзор препринтов (ещё неопубликованных статей, которые представлены для раннего ознакомления) с bioRxiv.org с начала 2021 года по 10 января в категории биоинформатика (и 2 из категории геномика). Из этого материала вы узнаете про долгожительство летучих мышей, кластеризацию при помощи выравнивания и филогенетических деревьев, филогенетический анализ без выравниваний и просто крутейший инструмент метагеномного анализа, который я в первый же рабочий день буду ставить на рабочую станцию.

Читать далее

Игры в обзоры препринтов (1)

Привет, читатели! Вдохновился трудами Сергея Попова по обзору препринтов в области астрофизики — http://xray.sai.msu.ru/~polar/sci_rev/current.html и захотел провести схожее изыскание в области, которой занимаюсь, — в биоинформатике. К сожалению, моя квалификация весьма низкая, но надеюсь полезную информацию вы сможете почерпнуть.

Изначально я хотел взять неделю с 30 марта по 5 апреля целиком, но обнаружил, что только один день — 30 марта занял очень много времени. В связи с этим я пока предоставлю вам пробу пера по разбору статей из категории биоинформатика сервера предпечатных версий статей, или же препринтов/манускриптов — biorxiv.org. Читать далее

Конец путешествий (из путевых записок)

Грустно осознавать, но мир уже слишком глобализирован, а новые технологии делают опыт, смекалку и знания практически бесполезными. Конечно, деградация путешествий началась гораздо раньше, чем появились GPS-навигаторы. Уже после перехода к осёдлому образу жизни перестало быть нужным многими поколениями бежать от недружелюбного климата, голода, конкуренции и собратьев.

Все дороги куда-то да приведут

Читать далее

Разбор задач №1. GFF из аннотаций Prodigal

Сложно писать что-нибудь полезное в отрыве от реальности, поэтому при подходящем случае буду делиться вариантами решения тех или иных задач.

Недавно необходимо было мне предоставить GFF файл с указанием генов, найденных в метагеноме. Всё бы хорошо, fasta-файлы с аминокислотными и нуклеотидными последовательностями сохранились, а вот ни GFF, ни GBK не сохранилось. К счастью, Prodigal в процессе поиска ORF сохраняет много данных в заголовках мультифасты, выглядит это примерно так:

>Contig_name_1_1 # 3 # 215 # -1 # ID=1_1;partial=10;start_type=ATG;rbs_motif=AGGAG;rbs_spacer=5-10bp;gc_cont=0.629

Легко понять, что разделителем полей является группа символов “ # “, при этом сами поля включают:

Читать далее

Вьетнам. Краткие итоги

Проведя во Вьетнаме две недели и благополучно его покинув опишу кратко своё видение этой страны в разрезе самостоятельных путешествий.

Остров Кат Ба, Вьетнам

Россиянам безвизовое пребывание во Вьетнаме ограничено 15 днями и осмотреть всю протяжённую и интересную страну практически невозможно. Приходится либо жертвовать длительностью пребывания в городе и осматриваться в спешке, либо терять интересные места или даже регионы. Если вы рассчитываете на несколько дней на пляже, то у меня плохие новости: так вы точно не сможете ознакомиться с разнообразием природы и культуры Вьетнама. К каждому месту я напишу моё мнение стоит ли его посещать в условиях дефицита времени.

Как попасть?

Читать далее

ЮВА-2018: планы

Сделаю вступительную запись к серии, описывающей поездку. Во-первых, надо же с чего-то начать, а, во-вторых, представить методы и материалы план поездки. Итак, стартую в Калининграде и еду на поезде в Москву, откуда уже вылетаю в Хошимин с пересадкой в Абу-Даби.

Сразу поясню почему поезд: какую-то полезную деятельность в Москве можно вести днём, соответственно появиться там тоже днём, если лететь на самолёте, то вылет должен быть ранний, что не очень-то удобно, аэропорт всё же не 10 двух остановках от дома, да и формальности съедят много времени. Да и потом из аэропортов Москвы надо добраться в центр, что даже на аэроэкспрессе занимает почти час. Вот и получаем, что вылеты после полудня практически бесполезны, а именно такие рейсы бывают подешевле. С другой стороны поезд (“Янтарь”) отправляется в час дня, что позволяет ещё что-то сделать в городе и прибывает в Москву в 9 утра. Причём, как вы догадываетесь, станция метро кольцевой линии Белорусская в 5 минутах медленной ходьбы.

В итоге мы имеем 1200 рублей (минимальная цена, которой и воспользовался) на поезде и прибытие утром на следующий день, либо 4000 рублей на самолёте, прибытие вечером + цена ночлега на ваш вкус на одну ночь. Потратить сэкономленные деньги в Белокаменной вы всегда сможете 🙂

Теперь появляется вопрос: почему Москва, а не Варшава, Гданьск, Вильнюс или другой крупный аэропорт недалеко от Калининграда? Всё предельно просто, за исключением очень редких акций или ошибок систем бронирования билеты из Москвы в ЮВА значительно дешевле, чем из Варшавы, лучшего варианта по соотношению удалённости от Калининграда, разнообразия рейсов и цен. Кстати, на правах рекламы поделюсь с вами адрресом http://fly4free.pl/ — это хороший портал для поиска билетов из Польши по Европе и всему миру, держу в курсе, так сказать.

Выбор Etihad и Хошимина (он же в прошлом Сайгон) был продиктован ценой билетов, логичнее было бы прилететь в Ханой, где прохладнее и проще акклиматизироваться, но цены были против. К тому же нарисовалась интересная пересадка в Абу-Даби в 13 часов, которую можно было использовать для краткого знакомства с этим эмиратом.

По Вьетнаму путь будет пролегать с юга на север и из Ханоя я направлюсь в Лаос, познакомлюсь с его северной частью и выеду в северную часть Таиланда, где расположены города Чианг Рай и Чианг Май. Из Бангкока меня ждёт перелёт в Мьянму, где из Янгона я перееду в Мандалай с попутным осмотром достопримечательностей, откуда снова вернусь в Бангкок с дальнейшим перемещением в Малайзию. План крайне обширен и поездка по плану займёт больше полутора месяцев, но никто не знает, удастся ли всё реализовать как было запланировано 🙂

Задачи и исполнители

На мой взгляд задачи биоинформатиков можно с определённой долей уверенности разделить на два группы:

— эффективно использовать существующие инструменты, максимально подходящие для выполнения работы и наиболее точно интерпретировать полученные результаты.

— разрабатывать новые инструменты (как минимум модифицировать существующие) для повышения производительности выполнения типовых работ, реализации новых алгоритмов и подходов, перенесения на другие языки программирования, включения в базы данных новой информации и т.д.

Разумеется, один и тот же человек может выполнять оба типа задач, и в определенные моменты переходить от одного типа к другому: например, столкнувшись с проблемами использования существующих инструментов, человек может попробовать реализовать свой подход, с другой стороны собственные реализации могут с лёгкостью быть превзойдены ПО, созданным другими разработчиками. Да и создав приемлемый инструмент можно перейти к его планомерному использованию, не впадая в перфекционизм и оптимизируя время выполнения в надежде получить выигрыш в несколько сотых секунды.

Такая классификация может быть успешно оспорена, но в заключении я ещё сделаю одно замечание. Даже не имея опыта в программировании вы, используя некий набор инструментов уже можете постепенно переходить ко второй категории задач, создавая средства автоматизации, пакетной обработки данных, конвейеры, последовательно осуществляющие обработку данных. А уж сколько всего было и будет придумано вокруг обработки данных выравнивания BLAST’ом! Сколько однострочников было запущено для тестового парсинга данных! Сколько информации было безвозвратно отправлено в /dev/null!