Reconstruction of small subunit ribosomal RNA from high‐throughput sequencing data: A comparative study of metagenomics and total RNA sequencing
Notice bibliographique
Résumé
Abstract The small subunit (SSU) ribosomal RNA (rRNA) is the most commonly used marker for the identification of microbial taxa, but its full‐length reconstruction from high‐throughput sequencing (HTS) data remains challenging. Metagenomics and total RNA sequencing (total RNA‐Seq) are target‐PCR‐free HTS methods that are used to characterize microbial communities and simultaneously reconstruct SSU rRNA sequences. However, more testing is required to determine and improve their effectiveness. We processed metagenomics and total RNA‐Seq data retrieved from a commercially available mock microbial community and an aquarium sample using 112 combinations of data processing tools. We determined the SSU rRNA reconstruction completeness of both sequencing methods for both samples and analysed the impact of data processing tools on SSU rRNA completeness. In contrast to metagenomics, total RNA‐Seq allowed for the complete or near‐complete reconstruction of all mock community SSU rRNA sequences and generated up to 438 SSU rRNA sequences with ≥80% completeness from the aquarium sample using only 1/5 of an Illumina MiSeq run. SSU rRNA completeness of metagenomics significantly correlated with the genome size of mock community species. Data processing tools impacted SSU rRNA completeness, in particular the utilized assemblers. These results are promising for the high‐throughput reconstruction of novel full‐length SSU rRNA sequences and could advance the simultaneous application of multiple ‐omics approaches in routine environmental assessments to allow for more holistic assessments of ecosystems.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».