XiaoMi-AI文件搜索系统
World File Search System重叠群
binning符合分类法：使用双模式变异自动编码器
研究微生物组的常见程序是将测序的28个重叠群固定到元基因组组装的基因组中。当前，使用共同含量和基于序列的30个基序（例如四核苷酸频率）是Metagenome 31 binning的最先进的基于共同学习和序列的基于深度学习的方法。从基于对齐的分类得出的分类标签尚未被广泛使用。在这里，我们提出了一种基于半监督的双模式变异自动编码器的元基因组包装工具33，结合了Tetranu-34克利托德频率，与CONTIG共浸没量与CONTIG注释与任何分类分类级的35个分类级返回了35个。taxvamb在CAMI2 Human Microbiome数据集上的所有其他36个BINNER都优于所有其他36个Binner，平均返回40％37个接近完整的组件比下一个最佳BINNER。在实际的长阅读38个数据集上，税收vamb平均恢复了13％的接近完整垃圾箱和14％的39种。在单样本设置中使用时，平均退税量比VAMB高40 83％。taxvamb垃圾箱不完整的基因组比任何其他工具都要好41个，返回255％的高质量垃圾箱42不完整的基因组比下一个最好的binner。我们的方法具有43个研究和工业应用以及方法论新颖性，可以将44个可以通过半监视的多模式45个数据集转化为其他生物学问题。46
Bordetella pelita pelita III的完整基因组序列，印尼全细胞百日咳疫苗的生产菌株
t Bio Farma（Persero）使用Borde-tella thea thea attuse pelita pelita III生产全细胞百日咳（WP）疫苗。百日咳菌株的抗原特性会随着时间的流逝而变化（1-3），因此，需要监测工作种子的这些特征以产生有效的疫苗。顺便说一句，最近的基因组学革命使全基因组shot弹枪进行了快速，准确且具有成本效益的途径，不仅检查疫苗抗原基因，而且还检查了生产过程至关重要的其他基因。但是，这取决于全基因组序列的可用性。出于这些原因，并且与其他百日咳疫苗生产菌株进行了详细比较，确定了百日咳芽孢杆菌菌株pelita III的整个基因组序列。The sequencing was performed at the University of Delaware Sequencing & Geno- typing Center (Newark, DE) on the PacBio RS II platform, employing single-molecule real-time (SMRT) technology (Pacific Biosciences, Menlo Park, CA) (4), yielding 141,140 reads totaling 888,059,822 bases.通过层次基因组组装过程（HGAP）工作流进行了从头基因组组装（4）。使用Gepard测试了组装序列的圆形，并用AMOS和Minimus2生成圆序（5，6）。最终组装产生了一个具有141.91覆盖率的4.1-MB基因组的重叠群。使用美国能源部联合基因组研究所（美国加利福尼亚州核桃溪）的综合微生物基因组综述（IMG/ER）平台进行了基因的初始识别和注释（7）。GenBank注释利用了NCBI原核基因组注释管道（8）。在基因组水平上，Pelita III与Bordetella buttussis tohama I（9，10），参考菌株（11）和百日咳疫苗的主要来源密切相关（3，12）。每种发病机理基因的核苷酸序列，包括疫苗抗原的核苷酸序列，即百日咳毒素（PT），心霉素（PRN），膜状血凝集素（FHA）（FHA）和纤维mbriae（FIM），在两种菌株中是相同的（13）。观察到的两个基因组之间的差异有两种类型：（i）Pelita III中的其他元素，可能是由于换位引起的，在两个位置的转座酶INSO的串联重复（BP 44713至
与长期水族馆设施中的热带八放珊瑚相关的四种新型 Endozioicomonas 菌株的基因组序列
我们报告了从葡萄牙里斯本海洋馆 19 立方米热带展览水族馆中保存的两个 Litophy ton sp. 标本中分离出的四种 Endozoicomonas 菌株的基因组。如前所述 (2) 回收宿主衍生的微生物细胞悬浮液。将一克珊瑚组织在 9 mL 无菌 Ca 2+ - 和 Mg 2+ - 人工海水中均质化 (2)。将匀浆连续稀释，分别接种在 1:2 稀释的海洋琼脂和 1:10 稀释的 R2A 培养基上，并在 21°C 下孵育 4 周。使用 Wizard 基因组 DNA 纯化试剂盒 (Promega, USA) 从 1:2 海洋肉汤中新鲜生长的培养物中提取单个菌落的基因组 DNA。使用通用引物 (F27 和 R1492) 从基因组 DNA 中扩增 16S rRNA 基因，通过 Sanger 测序来确认纯度。使用 SILVA 比对、分类和树服务 (v1.2.12) 和数据库 (v138.1) 进行分类分配。使用 PacBio 测序技术 (5)，相同的基因组 DNA 样本在 DOE 联合基因组研究所 (JGI) 进行基因组测序。对于每个样本，将基因组 DNA 剪切至 6-10 kb，使用 SMRTbell Express Template Prep Kit 3.0 进行处理，并用 SMRTbell 清理珠 (PacBio) 进行纯化。使用条形码扩增寡核苷酸 (IDT) 和 SMRTbell gDNA 样本扩增试剂盒 (PacBio) 富集纯化产物。构建了 10 kb PacBio SMRTbell 文库，并使用 HiFi 化学在 PacBio Revio 系统上进行测序。使用 BBTools v.38.86 ( http://bbtools.jgi.doe.gov ) 根据 JGI 标准操作规范 (SOP) 协议 1061 对原始读段进行质量过滤。使用 Flye v2.8.3 (6) 组装过滤后的 >5 kb 读段。生物体和项目元数据存放在 Genomes OnLine 数据库中 (7)。使用 NCBI 原核基因组注释流程 (PGAP v.6.7) (8) 和 DOE-JGI 微生物基因组注释流程 (MGAP v.4) (9) 对重叠群进行注释，并与集成微生物基因组和微生物组系统 v7 (IMG/M) 相结合进行比较分析 (10)。使用 CheckM 评估基因组完整性和污染
与长期水族馆设施中的热带八放珊瑚相关的四种新型 Endozioicomonas 菌株的基因组序列
我们报告了从葡萄牙里斯本海洋馆 19 立方米热带展览水族馆中保存的两个 Litophy ton sp. 标本中分离出的四种 Endozoicomonas 菌株的基因组。如前所述 (2) 回收宿主衍生的微生物细胞悬浮液。将一克珊瑚组织在 9 mL 无菌 Ca 2+ - 和 Mg 2+ - 人工海水中均质化 (2)。将匀浆连续稀释，分别接种在 1:2 稀释的海洋琼脂和 1:10 稀释的 R2A 培养基上，并在 21°C 下孵育 4 周。使用 Wizard 基因组 DNA 纯化试剂盒 (Promega, USA) 从 1:2 海洋肉汤中新鲜生长的培养物中提取单个菌落的基因组 DNA。使用通用引物 (F27 和 R1492) 从基因组 DNA 中扩增 16S rRNA 基因，通过 Sanger 测序来确认纯度。使用 SILVA 比对、分类和树服务 (v1.2.12) 和数据库 (v138.1) 进行分类分配。使用 PacBio 测序技术 (5)，相同的基因组 DNA 样本在 DOE 联合基因组研究所 (JGI) 进行基因组测序。对于每个样本，将基因组 DNA 剪切至 6-10 kb，使用 SMRTbell Express Template Prep Kit 3.0 进行处理，并用 SMRTbell 清理珠 (PacBio) 进行纯化。使用条形码扩增寡核苷酸 (IDT) 和 SMRTbell gDNA 样本扩增试剂盒 (PacBio) 富集纯化产物。构建了 10 kb PacBio SMRTbell 文库，并使用 HiFi 化学在 PacBio Revio 系统上进行测序。使用 BBTools v.38.86 ( http://bbtools.jgi.doe.gov ) 根据 JGI 标准操作规范 (SOP) 协议 1061 对原始读段进行质量过滤。使用 Flye v2.8.3 (6) 组装过滤后的 >5 kb 读段。生物体和项目元数据存放在 Genomes OnLine 数据库中 (7)。使用 NCBI 原核基因组注释流程 (PGAP v.6.7) (8) 和 DOE-JGI 微生物基因组注释流程 (MGAP v.4) (9) 对重叠群进行注释，并与集成微生物基因组和微生物组系统 v7 (IMG/M) 相结合进行比较分析 (10)。使用 CheckM 评估基因组完整性和污染
混合轻型态在拓扑超导体中与空腔光子搭配的
细菌“ candidatus nardonella dyophthoridicola”是一种革兰氏阴性的gam- maproteotototototabterial tocyobterial tocytobiont（图。1）。特别是，它是与象鼻虫相关的细胞内义务共同主义者（1）。通过向其宿主供应酪氨酸，细菌在表皮中起着至关重要的作用（2）。与第二个象鼻虫相关的符号不同，“ candidatus sodalis pierantonius”，它在宿主的整个生命周期中保持在功能性细菌中（3-5）。我们使用长阅读测序来研究“ Ca.nardonella dryophthoridicola”菌株nardrf，与意大利人种群相关的Rhynchophorus ferrugineus。2017年，昆虫宿主是从卡塔尼亚地区的一棵棕榈树中取样的。p在25°C，黑暗的24小时内，直到分成人。剖析了十个新出现的成年人以提取其细菌。然后按照制造商的动物组织提取说明，使用Dneasy血液和组织试剂盒（意大利Qiagen，意大利）合并细菌以进行DNA提取。在90V时通过0.8％琼脂糖凝胶电泳对DNA完整性进行了1H的验证。用纳米体100分光光度计（意大利的Thermo Fisher Scienti）和Qubit双链DNA（DSDNA）高敏化测定试剂盒测量了DNA纯度和浓度。使用R9.5流单元在奴才MK1B设备上进行了长阅读测序。使用Minknow V18.03.1进行测序48小时。读取量超过500 bp进行后续分析。重点识别为“ Ca.用于图书馆制备，使用1D连接测序试剂盒（SQK-LSK 108）原始Col使用了2.5 m g的非大量和非大小选择的总基因组DNA。然后，将最终DNA的0.5 m g加载到流动细胞上。基本调用，具有高准确性算法，质量截止值为7。所有工具均使用默认参数运行，除非另有说明。使用min-iasm（7）组装了元基因组fastq读取（主机和共生体）。nardonella dyophthoridicola”，以ncbi非冗余（NR）数据库进行鉴定。提取这些概念并用于重新填充组件。重叠群用于映射和提取“ Ca.nardonella dryophthoridicola”使用minimap2 v2.17（8）。然后使用Flye v2.8.1（9）重新组装836,116读。使用Circlator v1.5.5（10）与选项进行了循环 - Merge_Min_ID 85和 - Merge_breaklen 1000，如牛津Nanopore读取。使用公开的Illumina简短读数（SRA登录
“领养组织”计划推动了识别马组织特异性组蛋白标记的努力
马遗传学和基因组学研究界有着长期的协同合作历史，致力于开发工具和资源来推动马生物学的发展。从 1995 年由 Dorothy Russell Havemeyer 基金会支持举办的第一届国际马基因图谱研讨会 ( Bailey, 2010 ) 开始，研究人员合作构建了全面的马连锁图谱 ( Guérin 等人, 1999, 2003; Penedo 等人, 2005; Swinburne 等人, 2006 )、辐射杂交和比较图谱 ( Caetano 等人, 1999; Chowdhary 等人, 2002 )、物理标记和 BAC 重叠群图谱 ( Raudsepp 等人, 2004, 2008; Leeb 等人, 2006 )、马的参考基因组 ( Wade 等人, 2009; Kalbfleisch 等人, 2018 ) 和基因分型阵列，以经济地绘制和研究马感兴趣的性状主人和饲养者（McCue 等人，2012 年；McCoy 和 McCue，2014 年；Schaefer 等人，2017 年）。为了延续基于社区的进步的传统，作为国际动物基因组功能注释 (FAANG) 联盟的一部分，一项新的集体努力于 2015 年启动，旨在对马的 DNA 元素进行功能注释（Andersson 等人，2015 年；Tuggle 等人，2016 年；Burns 等人，2018 年）。让人想起人类和小鼠的 ENCODE 项目（Dunham 等人，2012 年），FAANG 联盟的最终目标是注释家养动物物种基因组中的主要功能元素（Andersson 等人，2015 年）。具体来说，该联盟选择了四种组蛋白修饰来表征增强子（H3K4me1）、启动子和转录起始位点（H3K4me3）、具有活性调控元件的开放染色质（H3K27ac）和具有无法接近或受抑制的调控元件的兼性异染色质（H3K27me3）的基因组位置（Andersson 等人，2015；Giuuffra 和 Tuggle，2019）。最初的马 FAANG 努力通过对四个目标组蛋白标记进行染色质免疫沉淀测序（ChIP-Seq），在八个优先关注的组织（TOI）中确定了假定的调控区域（Kingsley 等人，2020）。在该研究中，整个马基因组中表征了超过一百万个假定的调控位点。马生物库中储存了 80 多种组织、细胞系和体液（Burns 等人，2018 年），因此有更多机会扩大注释工作的范围。为了充分利用生物库的优势，合作赞助
交叉
单分子实时 (SMRT) DNA 测序技术 (Pacific Biosciences) 生成的长读段是高质量叶绿体 (1, 2) 和线粒体基因组序列组装的起点之一。栽培的葡萄树 Vitis vinifera 极易受到病原体的感染。抗性品种如种间杂交品种‘Börner’ (V. riparia GM183 [母株] V. cinerea Arnold [花粉供体]) 被用作培育优良葡萄品种的砧木。我们从 SMRT 读段中组装并注释了‘Börner’的叶绿体 (cp_Boe) 和线粒体 (mt_Boe) 基因组序列。除非另有说明，所有生物信息学工具均采用默认参数。从品种“Börner”的幼叶中提取基因组 DNA（3），并在 Sequel I 测序仪（1Mv3 SMRT 细胞、结合试剂盒 v3.0、测序化学 v3.0，均来自 PacBio）上进行测序。通过 BLASTN（BLAST 2.7.1）搜索（4）筛选质体或线粒体序列（RefSeq 版本 91），筛选出潜在的质体或线粒体读段。使用的标准如下：读段长度，500 个核苷酸（nt）以上；同一性，70% 以上；查询覆盖率，30% 以上。 292,574 个潜在质体读段（共 2,715,983,671 nt；N50，12,829 nt）和 426,918 个潜在线粒体读段（3,928,350,102 nt；N50，12,624 nt）分别用 Canu v1.7（5）进行组装。每个最长的重叠群都与 V. vinifera 的叶绿体（6）或线粒体（7）基因组序列具有高度相似性。随后，使用 Bandage（8）确认组装正确。手动修剪环状基因组中重叠的末端序列，并将起始序列与葡萄参考序列比对。用 Arrow（SMRT Link 版本 5.1.0.26412）对组装体进行三次完善。最后一轮精炼将起始点移至序列的相反位置。为了帮助注释，根据制造商的说明，使用 peqGOLD 植物 RNA 试剂盒 (Peqlab) 从“Börner”组织中提取 RNA。根据 TruSeq RNA 样品制备 v2 指南，从 1,000 ng 总 RNA 制备索引 Illumina 测序文库。将得到的转录组测序 (RNA-Seq) 文库以等摩尔量汇集，并在 HiSeq 1500 仪器上以 2 100-nt 双端格式进行测序。cp_Boe (161,008 bp；GC 含量，37.4%) 和 mt_Boe (755,068 bp；GC 含量，44.3%) 使用 Web 服务 GeSeq v1.66 进行注释（cp_Boe 的具体设置：
什么是元基因组学中的binning
宏基因组学是对直接从土壤，水和肠道含量等环境样品中提取的遗传物质的研究，而无需隔离单个生物。该领域使用宏基因组学框来根据相似性将DNA序列分为组。目标是将这些序列分配给其相应的微生物或分类群，从而更深入地了解样本中的微生物多样性和功能。计算方法（例如序列相似性，组成和其他特征）用于分组。宏基因组学的方法包括：基于序列组成的binning，它分析了不同基因组中的不同模式；基于覆盖范围的binning，它使用测序深度将分组读取为垃圾箱；混合式分子，结合了两种方法以提高准确性；基于聚类的封装，可用于高基因组多样性数据集；和基于机器学习的封装，需要带注释的参考基因组进行培训。每种方法都有其优势和局限性，其选择取决于特定的元基因组数据集和研究问题。宏基因组学箱很复杂。2017年，本教程将涵盖元基因组式融合工具，以及咖啡发酵生态系统和metabat 2算法metabat的数据生成MAGS，可以轻松地与下游分析和工具集成，例如分类学注释和功能预测。已经对六个样本进行了测序，生成了6个用于咖啡发酵系统的原始数据集。2。宏基因组套件是分析复杂的微生物群落的关键步骤，但面临着几个挑战，包括水平基因转移污染危险嵌合序列和Maxbin Metabat mycc mycc mycc groopm groopm metawrap anvi'o semibin of de nove bin bin bin bin bin bin bin bin bin bin bin的物种计算工具中的物种计算工具中的应变变化，例如已显示出高度准确的有效扩展和用户友好的基准研究发现，Metabat 2在准确性和计算效率方面都优于其他替代方案，以提供有关宏基因组学软件的更多信息，请参见Sczyrba等。使用Illumina MiSeq全基因组测序进行了六次颞枪i弹枪元基因组研究，以全面分析咖啡微生物组的结构和功能。我们基于这些现实世界数据为本教程创建了模拟数据集。我们将介绍本教程中的以下主题：准备分析历史记录和数据，将metabat 2运行到bin元基因组测序数据。要运行binning，我们首先需要将数据纳入Galaxy，任何分析都应具有自己独特的历史记录。让我们通过单击历史记录面板的顶部创建一个新的历史记录并重命名它。要将序列读取数据上传到星系中，您可以直接从计算机导入它，也可以使用这些链接从Zenodo或数据库中获取它：等等。首先，创建一个名为GTN的文件夹 - 带有主题名称和教程名称的子文件夹的材料。选择所需的文件要从顶部附近的下拉菜单中导入。3。通过在弹出窗口中选择“选择历史记录”，选择要导入数据（或创建新数据）的历史记录。通过重命名示例名称的读取对创建配对集合，然后按照以下步骤：检查所有要包含的数据集，并通过单击“数据集对构建列表”来构建数据集对列表。将未配对的前进和反向读取文本更改为每对的常见选择器。单击“配对这些数据集”以进行有效的前进和反向对。输入一个集合名称，然后单击“创建列表”以构建集合。binning有几个挑战，包括高复杂性，碎片序列，不均匀的覆盖率，不完整或部分基因组，水平基因转移，嵌合序列，应变变异和开放图像1：binning。在本教程中，我们将通过Galaxy使用Metabat 2（Kang等，2019）来学习如何键入元基因组。metabat是“基于丰度和四核苷酸频率的元基因组binning的工具”，该工具将shot弹枪元基因组序列组装到微生物群落中。它使用基因组丰度和四核苷酸频率的经验概率距离来达到98％的精度，并在应变水平下以281个接近完全独特的基因组为准。我们将使用上传的汇编FastA文件作为Metabat的输入，为简单起见保留默认参数。设置为“否”。在输出选项中，“垃圾箱的最小尺寸作为输出”设置为200000。对于ERR2231567样品，有6个箱子，将167个序列分类为第二箱。手：1。4。该工具将在Galaxy版本1.2.9+Galaxy0中使用这些参数：“包含重叠群的Fasta文件”汇编FASTA文件； “考虑融合的良好重叠群的百分比”设置为95； “ binning边缘的最低分数”为60； “每个节点的最大边数”为200； “构建TNF图的TNF概率截止”为0；和“关闭丢失还是小重叠的额外的押金？”The output files generated by MetaBAT 2 include (some are optional and not produced unless required): - Final set of genome bins in FASTA format (.fa) - Summary file with info on each genome bin, including length, completeness, contamination, and taxonomy classification (.txt) - File with mapping results showing contig assignment to a genome bin (.bam) - File containing abundance estimation of each genome bin （.txt） - 每个基因组bin（.txt）的覆盖曲线的文件 - 每个基因组bin的核苷酸组成（.txt） - 文件具有每个基因组bin（.faa）的预测基因序列（.faa）的基因序列，可以进一步分析和用于下游应用，例如功能性注释，相比的植物组合和化学分析，并可以用于下游应用。去复制是识别基因组列表中“相同”的基因组集的过程，并从每个冗余集中删除除“最佳”基因组之外的所有基因组。在重要概念中讨论了相似性阈值以及如何确定最佳基因组。基因组去复制的常见用途是元基因组数据的单个组装，尤其是当从多个样本中组装简短读数时（“共同组装”）。这可能会导致由于组合类似菌株而导致碎片组件。执行共同组装以捕获低丰度微生物。另一种选择是分别组装每个样品，然后去重新复制箱以创建最终的基因组集。metabat 2不会明确执行放松，而是通过利用读取覆盖范围，样品差异覆盖范围和序列组成来提高构架准确性。DREP等工具的设计用于宏基因组学中的复制，旨在保留一组代表性的基因组，以改善下游分析。评估：DREP评估集群中每个基因组的质量，考虑到完整性，污染和应变异质性等因素。基因组选择：在每个群集中，DREP根据用户定义的标准选择代表性基因组。该代表性基因组被认为是群集的“翻译”版本。放松输出：输出包括有关消除基因组的信息，包括身份，完整性和污染。用户可以选择基因组相似性的阈值，以控制删除水平。使用您喜欢的汇编程序分别组装每个样本。bin每个组件分别使用您喜欢的Binner。bin使用您喜欢的Binner共同组装。5。将所有组件中的垃圾箱拉在一起，然后在它们上运行DREP。6。在解复的基因组列表上执行下游分析。检查质量：1。一旦完成，必须检查其质量。2。可以使用CheckM（Parks等，2015）评估binning结果，这是一种用于元基因组学框的软件工具。3。2。检查通过将基因组仓与通用单拷贝标记基因进行比较，评估了基因组仓的完整性和污染。宏基因组学：1。宏基因组学将DNA碎片从混合群落分离为单个垃圾箱，每个垃圾箱代表一个独特的基因组。checkm估计每个基因组箱的完整性（存在的通用单拷贝标记基因集的总数）和污染（在一个以上bin中发现的标记基因的百分比）。关键功能：1。基因组完整性的估计：CheckM使用通用单拷贝标记基因来估计回收基因组的比例。2。基因组污染的估计：CHECKM估计多个箱中存在的标记基因的百分比，表明来自多种生物的潜在DNA。3。识别潜在的杂料：CheckM基于基因组的标记基因分布来识别杂种。4。结果的可视化：CheckM生成图和表，以可视化基因组垃圾箱的完整性，污染和质量指标，从而使解释更加容易。checkm也可以根据与不同分类学组相关的特定标记基因（例如sineage_wf：评估使用谱系特异性标记集对基因组垃圾箱的完整性和污染）进行分类分类的基因组分类。checkm lineage_wf工作流使用标记基因和分类信息的参考数据库来对不同分类学水平的基因组垃圾箱进行分类。来源：-Turaev，D。，＆Rattei，T。（2016）。（2014）。使用metabat 2的元基因组重叠群构造教程强调了选择最合适的binning工具的重要性。不同的方法具有不同的优势和局限性，具体取决于所分析的数据类型。通过比较多种封装技术，研究人员可以提高基因组融合的精度和准确性。可用于元基因组数据，包括基于参考的，基于聚类的混合方法和机器学习。每种方法都有其优点和缺点，从而根据研究问题和数据特征使选择过程至关重要。比较多种封装方法的结果有助于确定特定研究的最准确和最可靠的方法。在完整性，污染和应变异质性方面评估所得垃圾箱的质量至关重要。另外，比较已识别基因组的组成和功能谱可以提供有价值的见解。通过仔细选择和比较binning方法，研究人员可以提高基因组箱的质量和可靠性。这最终导致对微生物群落在各种环境中的功能和生态作用有了更好的了解。微生物群落系统生物学的高清晰度：宏基因组学以基因组为中心和应变分辨。- Quince，C.，Walker，A。W.，Simpson，J。T.，Loman，N。J.，＆Segata，N。（2017）。shot弹枪宏基因组学，从采样到分析。-Wang，J。和Jia，H。（2016）。元基因组范围的关联研究：微生物组细化。-Kingma，D。P.和Welling，M。（2014年）。自动编码变分贝叶斯。-Nielsen，H。B.等。鉴定和组装基因组和复杂元基因组样品中的遗传因素，而无需使用参考基因组。-Teeling，H.，Meyerdierks，A.，Bauer，M.，Amann，R。，＆Glöckner，F。O.（2004）。将四核苷酸频率应用于基因组片段的分配。-Alneberg，J。等。（2014）。通过覆盖范围和组成的结合元基因组重叠群。-Albertsen，M。等。（2013）。通过多个元基因组的差异覆盖层获得的稀有，未培养细菌的基因组序列。-Kang，D.D.，Froula，J.，Egan，R。，＆Wang，Z。（2015）。metabat，一种有效的工具，用于准确地重建来自复杂微生物群落的单个基因组。simmons b a和singer s w提出了一种新算法，称为Maxbin 2.0，用于2016年生物信息学期刊中多个元基因组数据集的binning基因组。此外，Kang等人开发了Metabat 2，一种自适应binning算法，该算法于2019年在Peerj发表。PlazaOñate等人引入了MSPMiner，这是一种从shot弹枪元基因组数据重建微生物泛元组的工具，如2019年的生物信息学报道。Other studies like those of Lin and Liao, Chatterji et al, Parks et al, Pasolli et al, Almeida et al, Brooks et al, Sczyrba et al, Qin et al, Bowers et al, Sieber et al, Cleary et al, Huttenhower et al, Saeed et al, and Pride et al have also contributed to the development of metagenomics tools and approaches for genome recovery.这些发现表明，宏基因组分析和计算方法的最新进展使研究人员能够从环境样本中恢复几乎完整的基因组。本文讨论了有关宏基因组学的各种研究，这是对特定环境中多种生物的遗传物质的研究。研究集中于人类肠道微生物组及其在不同人群和年龄之间的组成。引用了几篇论文，其中包括Chen等人的论文。（2020），他开发了一种从宏基因组获得准确而完整的基因组的方法。Daubin等人的另一篇论文。（2003）探讨了细菌基因组中侧向转移基因的来源。本文还提到了有关人肠道微生物组的研究，包括Schloissnig等人的工作。（2013），他绘制了人类肠道微生物组的基因组变异景观。Yatsunenko等。 （2012）研究了在不同年龄和地理位置的人类肠道微生物组。 此外，本文参考了有关微生物从母亲传播到婴儿的研究，包括Asnicar等人的工作。 （2017）和Ferretti等。 （2018）。 本文还涉及宏基因组学分析中使用的机器学习和深度学习技术，例如变化自动编码器和无监督的聚类方法。 最后，本文提到了用于分析元基因组数据的软件工具，包括Li（2013）的BWA-MEM和Paszke等人的Pytorch。 （2019）。 以下是生物信息学和基因组学领域的各种研究文章的摘要。Yatsunenko等。（2012）研究了在不同年龄和地理位置的人类肠道微生物组。此外，本文参考了有关微生物从母亲传播到婴儿的研究，包括Asnicar等人的工作。（2017）和Ferretti等。（2018）。本文还涉及宏基因组学分析中使用的机器学习和深度学习技术，例如变化自动编码器和无监督的聚类方法。最后，本文提到了用于分析元基因组数据的软件工具，包括Li（2013）的BWA-MEM和Paszke等人的Pytorch。（2019）。以下是生物信息学和基因组学领域的各种研究文章的摘要。释义旨在保留原始文章的主要思想和发现，同时以更简洁和易于访问的方式介绍它们。1。**聚类**：一种用于将相似数据点分组在一起的算法，应用于基于Web的数据。2。** art **：用于下一代测序的模拟器可以模仿现实世界数据。3。** metaspades **：一种可以从混合微生物群落中重建基因组的宏基因组组装子。4。** minimap2 **：一种以高精度和速度对齐核苷酸序列的工具。5。** blat **：用于比较基因组序列的爆炸样比对工具。6。** Circos **：用于比较基因组学的可视化工具，用于显示多个基因组之间的关系。7。**高通量ANI分析**：使用平均核苷酸同一性（ANI）指标估算原核基因组之间距离的方法。8。** checkm **：一种评估微生物基因组完整性和污染的工具。9。** BLAST+**：具有改进功能和用户界面的BLAST算法的更新版本。10。** mash **：使用Minhash估算基因组或元基因组距离的工具。11。**浪子**：原核基因组的基因识别和翻译起始位点识别工具。12。** InterPro 2019 **：蛋白质序列注释的InterPro数据库的更新，具有改进的覆盖范围和访问功能。13。14。15。16。**控制虚假发现率**：一种用于管理生物信息学研究中多种假设检验的统计方法。** checkv **：一种用于评估元基因组组装的病毒基因组质量的工具。**使用深度学习从宏基因组数据中识别病毒**：使用机器学习从混合微生物群落中检测病毒的研究。**标准化的细菌分类法**：基于基因组系统发育的细菌进行分类的新框架，该细菌修改了生命之树。17。** gtdb-tk **：一种用于与基因组分类学数据库（GTDB）分类的工具包。18。** iq-Tree **：使用快速有效算法估算最大可能的系统发育的工具。这些摘要概述了生物信息学和基因组学领域的各种研究文章，突出显示了与序列比对，组装，注释和系统发育有关的工具，方法和研究。最新的多个序列对齐软件的进步显着提高了D. M. Mafft版本7，Modelfinder，Astral-III，UFBOOT2，Life V4和APE 5.0等工具的性能和可用性。这些工具通过引入新颖特征，例如快速模型选择，多项式时间种树重建，超快的自举近似和交互式可视化来提高系统发育估计值的准确性。这些软件包的整合已简化了构建进化树的过程，使研究人员可以更轻松地探索复杂的系统发育关系。