XiaoMi-AI文件搜索系统
World File Search SystemMAGs
长阅读的元素组装产生数百种来自不同土壤类型的高质量磁质量
元基因组组件和后处理完整数据集。使用hifiasm-meta和metamdbg组装了三个土壤中每一个的组合数据集。使用PACBIO HIFI-MAG-PIPELINE（V2+）3处理每个结果的重叠群集，该组件执行了长阅读特定的binning，QC和分类学注释步骤。我们评估了针对不同质量类别生产的MAG数量，包括单纤维高质量（SC- HQ）MAG，高质量（HQ）MAGS和中等质量（MQ）MAGS。我们显示了每个样品中最佳组装方法的结果。
新的长读元基因组装方法增加了宿主和环境微生物组的高质量磁质量
1。冯等人。2022。高保真长读的元基因组组装，用hifiasm-meta读取。自然方法，19：671–674。2。Benoit等。2024。使用MetAMDBG的长期准确读取的高质量元基因组组件。 自然生物技术，https://doi.org/10.1038/s41587-023-01983-6 3。 Chklovski等。 2023。 checkm2：一种使用机器学习评估微生物基因组质量的快速，可扩展和准确的工具。 Biorxiv，https://doi.org/10.1101/2022.07.11.499243 4。 Kang等。 2019。 metabat 2：一种自适应分解算法，用于元基因组组件的稳健有效基因组重建。 peerj，7：e7359。 5。 Pan等。 2023。 semibin2：自我监督的对比学习可以为短而长阅读的测序提供更好的磁磁。 生物信息学，39：I21 – I29。 6。 Sieber等。 2018。 通过消除，聚合和评分策略从宏基因组中恢复基因组。 自然微生物学，3：836–843。 7。 Chaumeil等。 2019。 GTDB-TK：一种将基因组与基因组分类学数据库进行分类的工具包。 生物信息学，35：1925-1927。使用MetAMDBG的长期准确读取的高质量元基因组组件。自然生物技术，https://doi.org/10.1038/s41587-023-01983-6 3。Chklovski等。2023。checkm2：一种使用机器学习评估微生物基因组质量的快速，可扩展和准确的工具。Biorxiv，https://doi.org/10.1101/2022.07.11.499243 4。Kang等。 2019。 metabat 2：一种自适应分解算法，用于元基因组组件的稳健有效基因组重建。 peerj，7：e7359。 5。 Pan等。 2023。 semibin2：自我监督的对比学习可以为短而长阅读的测序提供更好的磁磁。 生物信息学，39：I21 – I29。 6。 Sieber等。 2018。 通过消除，聚合和评分策略从宏基因组中恢复基因组。 自然微生物学，3：836–843。 7。 Chaumeil等。 2019。 GTDB-TK：一种将基因组与基因组分类学数据库进行分类的工具包。 生物信息学，35：1925-1927。Kang等。2019。metabat 2：一种自适应分解算法，用于元基因组组件的稳健有效基因组重建。peerj，7：e7359。5。Pan等。2023。semibin2：自我监督的对比学习可以为短而长阅读的测序提供更好的磁磁。生物信息学，39：I21 – I29。6。Sieber等。 2018。 通过消除，聚合和评分策略从宏基因组中恢复基因组。 自然微生物学，3：836–843。 7。 Chaumeil等。 2019。 GTDB-TK：一种将基因组与基因组分类学数据库进行分类的工具包。 生物信息学，35：1925-1927。Sieber等。2018。通过消除，聚合和评分策略从宏基因组中恢复基因组。自然微生物学，3：836–843。7。Chaumeil等。 2019。 GTDB-TK：一种将基因组与基因组分类学数据库进行分类的工具包。 生物信息学，35：1925-1927。Chaumeil等。2019。GTDB-TK：一种将基因组与基因组分类学数据库进行分类的工具包。生物信息学，35：1925-1927。