Pangebin: improving plasmid binning in bacterial isolates using pangenome-assembly graphs
Notice bibliographique
Résumé
Abstract Short-read genome assemblies typically consist of many contigs of variable lengths and their putative connections represented as an assembly graph. Assembly graphs produced by different tools from the same data may differ significantly, posing a challenge to tools for downstream processing tasks. One such task is plasmid binning, that is identifying plasmids in sequenced bacterial isolates, which is crucial for monitoring the spread of antimicrobial resistance. When plasmid binning tools are applied to assembly graphs produced by different tools, they may exhibit different performance, and choosing the best results a priori can be difficult. To address the above issue, we propose the use of a pangenome graph, built from assembly graphs produced by assembling short reads of the same sample with different assemblers. The resulting pangenome-assembly graph highlights similarities between contigs from different assemblies while retaining information on contigs that appear only in one of the input assemblies. We then used the PlasBin-flow plasmid binning tool customized to take into account pangenome information to identify plasmid bins. The results for pangenome-assemblies built by Unicycler and Skesa show an increase in accuracy measures compared to the mean results obtained on single assemblies, leading to an overall more accurate prediction than a blind choice of assemblers. The source code of the pipeline is available at https://github.com/AlgoLab/pangebin along with the dataset used in this study.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,005 |
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 ».