From classification to confirmation: verifying taxonomic classifications by mapping metagenomic reads to reference genomes
Notice bibliographique
Résumé
Abstract Background : Obtaining high precision while maintaining high recall is an ongoing problem for metagenomic taxonomic classification in microbial ecology research. Parameter adjustments can achieve this in simulated samples, but in real samples –especially from environments like marine and soil– the proportion of classified reads drops sharply with precision increases. We therefore suggest verification of metagenomic taxonomic classifications obtained from a tool like Kraken by mapping their assigned reads to reference genomes to assess genomic coverage. Results : In simulations, filtering the identified species to only those with ³0.5% reference genome coverage removed 99.7% of false-positive taxa. Applying this method to samples from real datasets requires a more nuanced approach that considers sequencing depth, whether the samples are high- or low-microbial biomass, and database completeness with respect to the sampled environment. Nevertheless, we show that clinically relevant Kraken-identified taxa such as Helicobacter pylori identified in human stool samples lack any reads mapping to their reference genome and are likely false positives driven by contaminating phage sequences within reference genomes. Similarly, in human blood and tumour datasets, only 18 and 11 species, respectively, have ³1% reference genome coverage and likely represent sample collection or sequencing contaminants. Marine and soil samples pose additional challenges due to lower representation in reference databases, leading to low nucleotide identity between sequenced reads and reference genomes and similarity only at higher taxonomic ranks. Conclusions : We recommend genome coverage checking to researchers in all fields of microbial ecology and provide an open-source pipeline on Github (GeCoCheck): https://github.com/R-Wright-1/GeCoCheck.
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 | 0,011 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 ».