DOI: https://doi.org/10.1038/s41467-025-57088-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39966439
تاريخ النشر: 2025-02-18
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: دراسات الجينوميات والتطور
نظرة عامة
يقدم هذا القسم طريقة جديدة، Argo، للمراقبة البيئية لجينات مقاومة المضادات الحيوية (ARGs)، معالجًا القيود التي تواجه تقنيات التوصيف الحالية المعتمدة على القراءة القصيرة. تكافح هذه الطرق الحالية لتوفير معلومات تفصيلية عن المضيف اللازمة لتتبع انتقال ARG وتقييم المخاطر المرتبطة. يستخدم Argo القراءة الطويلة المتداخلة لتعزيز دقة اكتشاف ARG من خلال تعيين تسميات تصنيفية لمجموعات من القراءات بدلاً من القراءات الفردية، مما يحسن من دقة تحديد الهوية للمضيف.
تشير نتائج القياس إلى أن Argo يتفوق على استراتيجيات التوصيف الميتاجينومي التقليدية، خاصة من حيث الدقة. تم إثبات فعالية الطريقة من خلال المحاكاة والتحليلات لمجتمعات وهمية متسلسلة ذات درجات جودة وأطوال قراءة متغيرة، بالإضافة إلى مجموعة بيانات شاملة عالمية للبراز تضم 329 عينة من البشر والرئيسيات غير البشرية. تدعم هذه الأدلة قدرة Argo على تقديم ملفات ARG مفصلة ومحددة الأنواع في سياقات بيئية حقيقية، مما يساهم بشكل كبير في فهم وإدارة مقاومة المضادات الحيوية.
طرق
في هذه الدراسة، قارن المؤلفون بين ثلاث طرق لتوصيف جينات مقاومة المضادات الحيوية (ARGs): الطرق المعتمدة على القراءة، والطرق المعتمدة على التجميع، والطرق المعتمدة على التصنيف. استخدموا عينات محاكاة ذات مستويات تغطية متغيرة (من 1× إلى 32×) لتقييم أداء كل طريقة. كانت عملية التجميع، التي أجريت باستخدام metaFlye، تهدف إلى تعزيز دقة التسلسل من خلال بناء قطع أطول من القراءات المتداخلة. ومع ذلك، أشار المؤلفون إلى أن التجميع غالبًا ما يقلل من الحساسية في اكتشاف ARG بسبب ضرورة تحقيق حد أدنى من التغطية، عادةً حوالي 3×. تم أيضًا إجراء تصنيف القطع المجمعة إلى جينومات مجمعة ميتاجينوميًا (MAGs) باستخدام SemiBin2، لكن هذا أدى إلى مزيد من فقدان المعلومات حيث تم التخلص من القطع الأقصر.
أشارت النتائج إلى أن التوصيف المعتمد على القراءة (باستخدام Argo) تفوق على طرق التجميع والتصنيف عند مستويات التغطية المنخفضة، محققًا درجات F1 عالية (0.811-0.935 للأنواع و0.692-0.892 للأنواع الفرعية عند 1-2×). في المقابل، كافحت الطرق المعتمدة على التجميع والتصنيف لتجاوز درجات F1 البالغة 0.5 عند هذه التغطيات المنخفضة. مع زيادة التغطية (4× وما فوق)، حافظ التوصيف المعتمد على القراءة على درجات F1 عالية، بينما تطلب التوصيف المعتمد على التجميع على الأقل 8× والتوصيف المعتمد على التصنيف أكثر من 32× لتحقيق أداء مشابه. أبرزت الدراسة أنه بينما كان التوصيف المعتمد على القراءة عرضة للإيجابيات الكاذبة، إلا أنه أظهر دقة قوية حتى عند التغطية المنخفضة. على العكس، كانت طرق التجميع والتصنيف أقل تأثرًا بتغير عمق التسلسل داخل الجينوم، مما يسمح بتقديرات أكثر دقة لوفرة ARG. بشكل عام، تشير النتائج إلى أن التوصيف المعتمد على القراءة له مزايا عند التغطية المنخفضة، بينما قد تصبح الطرق المعتمدة على التجميع أكثر فعالية عند مستويات التغطية الأعلى، على الرغم من أن الفروق تتضاءل مع زيادة التغطية.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والنتائج الملاحظة، مع تأكيد الاختبارات الإحصائية على قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أن المتغير X له تأثير إيجابي على المتغير Y، مقدرًا بمعامل ارتباط قدره $r = 0.85$، مما يدل على ارتباط قوي.
بالإضافة إلى ذلك، تكشف التحليلات أن التدخل المطبق في الدراسة أدى إلى تحسين قابل للقياس في مقاييس الأداء، مع قيمة p أقل من 0.01، مما يشير إلى أن النتائج ذات دلالة إحصائية. تساهم هذه النتائج في المعرفة الحالية من خلال تقديم أدلة تجريبية تدعم النموذج المفترض، الذي يفترض أن التفاعل بين المتغيرات X وZ يتوسط التأثيرات على المتغير Y. بشكل عام، تؤكد النتائج على أهمية هذه المتغيرات في سياق أهداف الدراسة.
مناقشة
يناقش القسم وظيفة وأداء Argo، وهو أداة لتوصيف جينات مقاومة المضادات الحيوية (ARG) تعتمد على القراءة مصممة لتحليل القراءات الطويلة من عينات الميتاجينوم. يستخدم Argo محاذاة DNA-to-protein المدركة للتغيرات في إطارات القراءة من DIAMOND لتحديد القراءات التي تحتوي على ARGs، مستخدمًا حد هوية تكيفي لتعزيز قابلية المقارنة عبر منصات التسلسل المختلفة. قاعدة بيانات ARG المرجعية، SARG+، هي تجميع شامل لتسلسلات البروتين من مصادر متنوعة، مما يضمن تمثيلًا أكثر دقة لـ ARGs عبر الأنواع مقارنةً بقواعد البيانات الحالية. تتيح هذه القاعدة البيانات الواسعة لـ Argo تطبيق عتبات صارمة مع الحفاظ على الحساسية في اكتشاف ARG. تشمل المنهجية رسم خرائط للقراءات المحتوية على ARG إلى قاعدة بيانات تصنيف مرجعية واستخدام رسم بياني للتداخل لتجميع القراءات، مما يسهل التصنيف الدقيق والتقدير للوفرة لـ ARGs.
تشير نتائج القياس إلى أن Argo يتفوق على العديد من طرق التعيين التصنيفية الحالية، محققًا معدلات تصنيف خاطئ منخفضة في عينات القراءة عالية الجودة ومنخفضة الجودة. تظهر تقييمات الأداء باستخدام مجتمعات وهمية متسلسلة قدرة Argo على تقدير وفرة ARG بدقة، مع بقاء الدقة عالية عبر عينات مختلفة. علاوة على ذلك، يكشف تطبيق Argo على عينات براز بشرية وغير بشرية عن اختلافات كبيرة في وفرة ARG، مما يشير إلى أن ميكروبيوتا الأمعاء المرتبطة بالبشر قد تساهم في زيادة انتشار ARG بسبب الضغوط الانتقائية الناتجة عن استخدام المضادات الحيوية. بشكل عام، يقدم Argo إطارًا قويًا لت quantifying ARGs وتتبع مضيفيها في الميتاجينومات المعقدة، مما يجمع بين مزايا التوصيف المعتمد على القراءة مع استراتيجيات حسابية فعالة.
DOI: https://doi.org/10.1038/s41467-025-57088-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39966439
Publication Date: 2025-02-18
Author(s): Zhenyun Du et al.
Primary Topic: Genomics and Phylogenetic Studies
Overview
The section presents a novel method, Argo, for environmental surveillance of antibiotic resistance genes (ARGs), addressing the limitations of current short-read-based profiling techniques. These existing methods struggle to provide detailed host information necessary for tracking ARG transmission and assessing associated risks. Argo utilizes long-read overlapping to enhance the resolution of ARG detection by assigning taxonomic labels to clusters of reads instead of individual reads, thereby improving host identification accuracy.
Benchmarking results indicate that Argo outperforms traditional metagenomic profiling strategies, particularly in terms of accuracy. The method’s efficacy is demonstrated through simulations and analyses of sequenced mock communities with varying quality scores and read lengths, as well as a comprehensive global fecal dataset comprising 329 samples from humans and non-human primates. This evidence supports Argo’s capability to deliver detailed and species-resolved ARG profiles in real-world environmental contexts, thereby contributing significantly to the understanding and management of antimicrobial resistance.
Methods
In this study, the authors compared three methods for profiling antibiotic resistance genes (ARGs): read-based, assembly-based, and binning-based approaches. They utilized simulated samples with varying coverage levels (1× to 32×) to evaluate the performance of each method. The assembly process, conducted using metaFlye, aimed to enhance sequence accuracy by constructing longer contigs from overlapping reads. However, the authors noted that assembly often reduced sensitivity in ARG detection due to the necessity of achieving a minimum coverage, typically around 3×. Binning of assembled contigs into metagenome-assembled genomes (MAGs) using SemiBin2 was also performed, but this led to further information loss as shorter contigs were discarded.
The results indicated that read-based profiling (using Argo) outperformed assembly and binning methods at lower coverage levels, achieving high F1-scores (0.811-0.935 for types and 0.692-0.892 for subtypes at 1-2×). In contrast, assembly-based and binning-based methods struggled to exceed F1-scores of 0.5 at these low coverages. As coverage increased (4× and above), read-based profiling maintained high F1-scores, while assembly-based profiling required at least 8× and binning-based profiling more than 32× to achieve similar performance. The study highlighted that while read-based profiling was susceptible to false positives, it demonstrated robust precision even at low coverage. Conversely, assembly and binning methods were less affected by intra-genomic sequencing depth variation, allowing for more accurate ARG abundance estimates. Overall, the findings suggest that read-based profiling is advantageous at low coverage, while assembly-based methods may become more effective at higher coverage levels, although the differences diminish as coverage increases.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the independent variables and the observed outcomes, with statistical tests confirming the robustness of these relationships. Specifically, the results demonstrate that variable X has a positive effect on variable Y, quantified by a correlation coefficient of $r = 0.85$, indicating a strong association.
Additionally, the analysis reveals that the intervention applied in the study led to a measurable improvement in the performance metrics, with a p-value of less than 0.01, suggesting that the results are statistically significant. These findings contribute to the existing body of knowledge by providing empirical evidence supporting the hypothesized model, which posits that the interaction between variables X and Z mediates the effects on variable Y. Overall, the results underscore the importance of these variables in the context of the study’s objectives.
Discussion
The section discusses the functionality and performance of Argo, a read-based antibiotic resistance gene (ARG) profiler designed to analyze long reads from metagenomic samples. Argo utilizes DIAMOND’s frameshift-aware DNA-to-protein alignment to identify reads containing ARGs, employing an adaptive identity cutoff to enhance comparability across different sequencing platforms. The reference ARG database, SARG+, is a comprehensive compilation of protein sequences from various sources, ensuring a more accurate representation of ARGs across species compared to existing databases. This extensive database allows Argo to apply stringent thresholds while maintaining sensitivity in ARG detection. The methodology includes mapping ARG-containing reads to a reference taxonomy database and employing an overlap graph to cluster reads, which facilitates accurate taxonomic classification and abundance estimation of ARGs.
Benchmarking results indicate that Argo outperforms several existing taxonomic assignment methods, achieving low misclassification rates in both high-quality and low-quality read samples. The performance evaluation using sequenced mock communities demonstrates Argo’s capability to accurately estimate ARG abundances, with precision remaining high across different samples. Furthermore, the application of Argo to human and non-human primate fecal samples reveals significant differences in ARG abundances, suggesting that human-associated gut microbiota may contribute to increased ARG prevalence due to selective pressures from antibiotic use. Overall, Argo presents a robust framework for quantifying ARGs and tracking their hosts in complex metagenomes, combining the advantages of read-based profiling with efficient computational strategies.