Mg-Traits pipeline: advancing functional trait-based approaches in metagenomics
Notice bibliographique
Résumé
Microorganisms comprise an immense phylogenetic and metabolic diversity, inhabit every conceivable niche on earth, and play a fundamental role in global biogeochemical processes. Among others, their study is highly relevant to develop biotechnological applications, understand ecosystem processes and monitor environmental systems. Functional traits (FTs) (i.e., measurable properties of an organism that influence its fitness (McGill et al. 2006)) provide complementary information to the taxonomic composition to improve the characterization of microbial communities and study their ecology (Martiny et al. 2012). The application of FT-based approaches can be particularly enhanced when coupled with metagenomics, which as a culture-independent method, allows us to obtain the genetic material of microorganisms from the environment: Metagenomic data can be used to compute functional traits at the genome level from a random sample of individuals in a microbial community, irrespective of their taxonomic affiliation (Fierer et al. 2014). Previous works using FT-based approaches in metagenomics include the study of community assembly processes (Burke et al. 2011) and responses to environmental change (Leff et al. 2015), and ecosystem functioning (Babilonia et al. 2018). In this work, we present the Metagenomic Traits pipeline: Mg-Traits. Mg-Traits is dedicated to the computation of 25 (and counting) functional traits in short-read metagenomic data, ranging from GC content and amino acid composition to functional diversity and average genome size (see Fig. 1). As an example application, we used the Mg-Traits pipeline to process the 139 prokaryotic metagenomes of the TARA Oceans data set (Sunagawa et al. 2015). In this analysis, we observed that the computed metagenomic traits track community changes along the water column, which denote microorganisms’ environmental adaptations. Mg-Traits allows the systematic computation of a comprehensive set of metagenomic functional traits, which can be used to generate a functional and taxonomic fingerprint and reveal the predominant life-history strategies and ecological processes in a microbial community. Mg-Traits contributes to improving the exploitation of metagenomic data and facilitates comparative and quantitative studies. Considering the high genomic plasticity of microorganisms and their capacity to rapidly adapt to changing environmental conditions, Mg-Traits constitutes a valuable tool to monitor environmental systems. The Mg-Traits pipeline is available at https://github.com/pereiramemo/metagenomic_pipelines. It is programmed in AWK, BASH, and R, and it was devised using a modular design to facilitate the integration of new metagenomic traits.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,006 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».