PUPpy: a primer design pipeline for substrain-level microbial detection and absolute quantification
Notice bibliographique
Résumé
Characterizing microbial communities at high resolution and with absolute quantification is crucial to unravel the complexity and diversity of microbial ecosystems. This can be achieved with PCR assays, which enable highly selective detection and absolute quantification of microbial DNA. However, a major challenge that has hindered PCR applications in microbiome research is the design of highly specific primer sets that exclusively amplify intended targets. Here, we introduce Phylogenetically Unique Primers in python (PUPpy), a fully automated pipeline to design microbe- and group-specific primers within a given microbial community. PUPpy can be executed from a user-friendly graphical user interface, or two simple terminal commands, and it only requires coding sequence files of the community members as input. PUPpy-designed primers enable the detection of individual microbes and quantification of absolute microbial abundance in defined communities below the strain level. We experimentally evaluated the performance of PUPpy-designed primers using two bacterial communities as benchmarks. Each community comprises 10 members, exhibiting a range of genetic similarities that spanned from different phyla to substrains. PUPpy-designed primers also enable the detection of groups of bacteria in an undefined community, such as the detection of a gut bacterial family in a complex stool microbiota sample. Taxon-specific primers designed with PUPpy showed 100% specificity to their intended targets, without unintended amplification, in each community tested. Lastly, we show the absolute quantification of microbial abundance using PUPpy-designed primers in droplet digital PCR, benchmarked against 16S rRNA and shotgun sequencing. Our data shows that PUPpy-designed microbe-specific primers can be used to quantify substrain-level absolute counts, providing more resolved and accurate quantification in defined communities than short-read 16S rRNA and shotgun sequencing. IMPORTANCE: Profiling microbial communities at high resolution and with absolute quantification is essential to uncover hidden ecological interactions within microbial ecosystems. Nevertheless, achieving resolved and quantitative investigations has been elusive due to methodological limitations in distinguishing and quantifying highly related microbes. Here, we describe Phylogenetically Unique Primers in python (PUPpy), an automated computational pipeline to design taxon-specific primers within defined microbial communities. Taxon-specific primers can be used to selectively detect and quantify individual microbes and larger taxa within a microbial community. PUPpy achieves substrain-level specificity without the need for computationally intensive databases and prioritizes user-friendliness by enabling both terminal and graphical user interface applications. Altogether, PUPpy enables fast, inexpensive, and highly accurate perspectives into microbial ecosystems, supporting the characterization of bacterial communities in both in vitro and complex microbiota settings.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,019 |
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 ».