Conservative taxonomy and quality assessment of giant virus genomes with GVClass
Notice bibliographique
Résumé
Abstract Background Large double-stranded DNA viruses of the phylum Nucleocytoviricota (Giant viruses; GVs) include the largest known viruses, both in terms of capsid and genome size and are associated with a wide range of eukaryotic hosts. The ones able to infect protists and algae have been shown to be the dominant orders of GVs in the environmental samples. These viruses encode for genes that may have significantly impacted biogeochemical cycling and host genome evolution. While GVs are frequently found in environmental sequence data, their large and complex genomes, composed of genes acquired from various cellular lineages, pose challenges for their identification and taxonomic classification. Results We present GVClass, a tool that identifies giant viruses in sequence data and provides taxonomic assignments, and estimates for genome completeness and contamination. GVClass performs gene calling optimized for giant viruses and utilizes a conservative approach based on consensus single protein phylogenies for robust taxonomic assignments. The genes used for classification represent highly conserved giant virus orthologous groups and low copy number cellular and viral panorthologs. In our benchmarking, GVClass demonstrated high quality and accurate taxonomic assignment of giant virus sequences. GVClass showed high to very high precision, with over 90% of tested instances correctly predicted at the genus level and near-perfect prediction (>99%) at higher taxonomic ranks (family, order, class). Conclusion In the light of rapidly increasing amounts of sequence data and associated metagenome-assembled genomes, GVClass provides a conservative approach to identify, classify and quality-check giant virus genomes, which with other methods often remained unassigned or misclassified using other methods. GVClass has already been used through viral meta-analysis and to benchmark the viral sequences detection pipeline geNomad. The standalone version is freely available and it has been integrated in the Integrated Microbial Genomes / Virus database (IMG/VR), offering the opportunity to upload user data for giant virus classification.
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 | 0,008 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».