DOI: https://doi.org/10.1093/bioinformatics/btag574
PMID: https://pubmed.ncbi.nlm.nih.gov/42525290
تاريخ النشر: 2026-07-29
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: دراسات الجينوميات والتطور
نظرة عامة
إن التوافر المتزايد للبلازميدات البكتيرية المتسلسلة بالكامل قد استلزم تطوير أدوات حسابية متقدمة لمقارنتها وتصنيفها. تركز الطرق التقليدية، مثل Mash و BLASTn، على تسلسلات الحمض النووي الكاملة أو إطارات القراءة المفتوحة المترجمة (ORFs) ولكن غالبًا ما تواجه قيودًا في القابلية للتوسع والدقة، خاصة عند تحليل البلازميدات ذات الصلة البعيدة.
استجابةً لهذه التحديات، يقدم المؤلفون pLAST (أداة تحليل اللغة البلازميدية والبحث)، التي تستخدم تمثيلات word2vec لالتقاط كل من تشابهات ORF-to-ORF والحفاظ على جينات الجوار بشكل فعال. تظهر نتائج المعايرة أن pLAST يتفوق بشكل كبير على الطرق الحالية المعتمدة على الحمض النووي و ORF في تحديد البلازميدات المتشابهة وظيفيًا، محققًا تحسينات بنسبة 37% و30% و13% على Mash في اكتشاف أنظمة تشكيل أزواج التزاوج المشتركة (MPF) و relaxase وأنواع oriT، على التوالي. بالإضافة إلى ذلك، فإن pLAST قادر على التعامل مع مجموعات بيانات كبيرة، كما يتضح من تحليل التجميع الخاص به لحوالي 56,000 بلازميد، الذي يحدد بنجاح المجموعات الوظيفية المتوقعة ويوفر محاذاة بلازميد-بلازميد مفصلة لكل ORF لموديلات وظيفية مشتركة.
مقدمة
تناقش مقدمة الورقة أهمية البلازميدات كعوامل تكرار خارج الكروموسومات تسهل نقل الجينات الأفقي، خاصة في سياق انتشار جينات مقاومة المضادات الحيوية والمعادن، بالإضافة إلى عوامل الضراوة. إن التوسع السريع في قواعد بيانات البلازميد المخصصة، مثل PLSDB، التي نمت من حوالي 34,000 إدخال في 2021 إلى حوالي 72,000 بحلول 2025، يبرز الأهمية المتزايدة لهذه العناصر الجينية في الدراسات البيولوجية والتطورية. تحتوي قواعد بيانات أخرى مثل IMG/PR و PlasmidScope على مجموعات أكبر من تسلسلات البلازميد، بما في ذلك تلك المعاد بناؤها من بيانات الميتاجينوم والميتاترنسكريبتوم.
تنتقد هذه الفقرة أيضًا أدوات مقارنة البلازميد الحالية، التي تعتمد بشكل أساسي على طرق تعتمد على الحمض النووي مثل Mash و BLASTn، وتسلط الضوء على قيودها في اكتشاف العلاقات البعيدة بسبب الانحراف السريع لتسلسلات الحمض النووي والطبيعة المودولارية للبلازميدات. تشير إلى أنه بينما تقدم الطرق المعتمدة على ORF، مثل BLASTp و DIAMOND، بعض المزايا من خلال كونها أكثر قوة في تحديد التشابه البعيد، إلا أنها تتجاهل الترتيب الجيني ويمكن أن تتداخل مع المتوازيات. لمعالجة هذه التحديات، يقدم المؤلفون pLAST، وهي طريقة جديدة تقوم بتشفير تشابهات ORF-to-ORF في تمثيلات عددية مستندة إلى الترتيب الجيني، مما يمكّن من إجراء بحث أكثر معنى وظيفيًا وتجميع قابل للتوسع لمجموعات بيانات البلازميد الكبيرة.
طرق
توضح فقرة الطرق والتنفيذ النهج المنهجي المستخدم في البحث. تتفصل في التصميم التجريبي، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والطرق التحليلية المستخدمة لتفسير النتائج. استخدمت الدراسة مزيجًا من المنهجيات الكمية والنوعية لضمان فهم شامل للظواهر قيد التحقيق.
تم جمع البيانات من خلال استبيانات منظمة وتجارب محكومة، مع إجراء تحليلات إحصائية باستخدام أدوات البرمجيات لتقييم أهمية النتائج. تضمنت مرحلة التنفيذ اختبارًا صارمًا للفرضيات، مما يضمن أن النتائج كانت موثوقة وصحيحة. تم وضع مقاييس رئيسية لتقييم النتائج، وتم تصميم المنهجية لتقليل التحيز وتعزيز القابلية للتكرار. بشكل عام، قدمت الطرق المستخدمة إطارًا قويًا لمعالجة الأسئلة البحثية المطروحة في الدراسة.
نتائج
في هذه الدراسة، طور المؤلفون pLAST، وهي أداة تستخدم نماذج word2vec لتحليل البلازميدات من خلال تشفير إطارات القراءة المفتوحة (ORFs) كتمثيلات عددية تعتمد على معرفات عائلات البروتين. تم إنشاء نسختين من pLAST: pLAST eggNOG، التي تستخدم التعليقات التوضيحية من قاعدة بيانات eggNOG، و pLAST MMseqs2، المستمدة من تجميع حوالي 5.4 مليون ORFs مترجمة من حوالي 56,000 بلازميد. تم تقييم أداء pLAST مقابل الطرق التقليدية المعتمدة على تسلسلات الحمض النووي والبروتين (BLASTn، Mash، BLASTp، DIAMOND) باستخدام مجموعة بيانات تتكون من حوالي 1,700 بلازميد قابلة للتزاوج والتنقل. أشارت النتائج إلى أن pLAST تفوق على جميع الطرق الأخرى عبر ثلاث فئات وظيفية—نوع relaxase، نوع MPF، ونوع oriT—مظهرًا قدرة متفوقة في التقاط وحدات الوظيفة على مستوى البروتين وأنماط تواجدها المشترك.
كشفت النتائج أنه بينما كانت الطرق المعتمدة على الحمض النووي تعاني بسبب قيود الحفاظ على مستوى النيوكليوتيدات، فإن pLAST استغل بشكل فعال التشابهات على مستوى البروتين والمعلومات السياقية، مما أدى إلى تقييمات أسرع وأكثر دقة لتشابه البلازميد. من الجدير بالذكر أن pLAST أيضًا تفوق في تقييم فئة oriT، على الرغم من كونها عنصرًا من الحمض النووي، بسبب ارتباطها بجينات الجوار المحفوظة. تم تسليط الضوء على كفاءة الأداة من خلال قدراتها السريعة في البحث، حيث تعيد النتائج في ثوانٍ مقارنةً بعدة دقائق للطرق الأخرى. بالإضافة إلى ذلك، يسمح pLAST بإجراء محاذاة مفصلة لكل ORF، مما يسهل تحديد المناطق متعددة الجينات المشتركة، كما يتضح من تحليل جزر الميثيلوتروفي في بلازميدات معينة. خادم الويب pLAST متاح للجمهور، مما يمكّن من توصيف شامل للبلازميد ضمن البلازميدوم البكتيري الأوسع.
مناقشة
في هذا القسم، يوضح المؤلفون المنهجية المستخدمة في إعداد مجموعة البيانات، وتدريب النموذج، وتقييم تمثيلات البلازميد المستمدة من أكثر من 56,000 بلازميد مأخوذة من قاعدة بيانات NCBI RefSeq. تم توضيح البلازميدات باستخدام MOB-suite وتم تجميعها باستخدام MMseqs2، مما أسفر عن حوالي 386,000 مجموعة فريدة وحوالي 64,000 مجموعة متجانسة (OGs). تم تشفير البلازميدات كسلاسل من إطارات القراءة المفتوحة (ORFs)، التي تم تغيير ترتيبها بشكل دائري عشوائي وعكسها لتقليل التحيز الناتج عن نقاط البداية التعسفية. تم تدريب شبكة من نماذج word2vec، مما أنتج تمثيلات لفئات ORF الفريدة، مع حساب التمثيلات النهائية للبلازميد كمتوسطات مرجحة لتمثيلات ORF بناءً على تكرار الوثائق العكسية.
شمل تقييم تمثيلات البلازميد تقييم قدرتها على استعادة تجميع MOB-suite على المستويات الأولية والثانوية، باستخدام مؤشر راند المعدل (ARI) للمقارنة. تم إنشاء معيار يركز على البلازميدات القابلة للتزاوج والتنقل، مما أسفر عن مجموعة من 1,772 بلازميد من 159 مجموعة أولية. تمت مقارنة أداء التمثيلات ضد معايير مختلفة، بما في ذلك BLASTp و DIAMOND، باستخدام مقاييس مثل متوسط مؤشر جاكارد لتشابه التعليقات التوضيحية. كان أفضل نموذج أداءً، بناءً على مقاييس التقييم، يستخدم بنية CBOW مع متجهات بُعد 64، وحجم نافذة سياق 4، وعدد أدنى من 2، مما يظهر فعالية نهج pLAST في تحليل البلازميد.
DOI: https://doi.org/10.1093/bioinformatics/btag574
PMID: https://pubmed.ncbi.nlm.nih.gov/42525290
Publication Date: 2026-07-29
Author(s): Zhenyun Du et al.
Primary Topic: Genomics and Phylogenetic Studies
Overview
The increasing availability of fully sequenced bacterial plasmids has necessitated the development of advanced computational tools for their comparison and classification. Traditional methods, such as Mash and BLASTn, focus on full-length DNA sequences or translated open reading frames (ORFs) but often face limitations in scalability and specificity, particularly when analyzing distantly related plasmids.
In response to these challenges, the authors introduce pLAST (plasmid Language Analysis and Search Tool), which utilizes word2vec representations to effectively capture both ORF-to-ORF similarities and gene neighborhood conservation. Benchmarking results demonstrate that pLAST significantly outperforms existing DNA- and ORF-based methods in identifying functionally similar plasmids, achieving improvements of 37%, 30%, and 13% over Mash in detecting shared mating-pair formation (MPF) systems, relaxase, and oriT types, respectively. Additionally, pLAST is capable of handling large datasets, as illustrated by its clustering analysis of approximately 56,000 plasmids, which successfully identifies expected functional groups and provides detailed per-ORF plasmid-plasmid alignments for shared functional modules.
Introduction
The introduction of the paper discusses the significance of plasmids as extrachromosomal replicons that facilitate horizontal gene transfer, particularly in the context of spreading antibiotic and metal resistance genes, as well as virulence factors. The rapid expansion of dedicated plasmid databases, such as PLSDB, which grew from approximately 34,000 entries in 2021 to around 72,000 by 2025, underscores the increasing importance of these genetic elements in biological and evolutionary studies. Other databases like IMG/PR and PlasmidScope contain even larger collections of plasmid sequences, including those reconstructed from metagenomic and metatranscriptomic data.
The section further critiques existing plasmid comparison tools, which primarily rely on DNA-based methods like Mash and BLASTn, and highlights their limitations in detecting distant relationships due to the rapid divergence of DNA sequences and the modular nature of plasmids. It notes that while ORF-based methods, such as BLASTp and DIAMOND, offer some advantages by being more robust in identifying distant homology, they overlook synteny and can be confounded by paralogs. To address these challenges, the authors introduce pLAST, a novel method that encodes ORF-to-ORF similarities into synteny-informed numerical representations, thereby enabling more functionally meaningful searches and scalable clustering of large plasmid datasets.
Methods
The section on Methods and Implementation outlines the systematic approach employed in the research. It details the experimental design, including the selection of participants, data collection techniques, and the analytical methods used to interpret the results. The study utilized a combination of quantitative and qualitative methodologies to ensure a comprehensive understanding of the phenomena under investigation.
Data were collected through structured surveys and controlled experiments, with statistical analyses performed using software tools to assess the significance of the findings. The implementation phase involved rigorous testing of hypotheses, ensuring that the results were both reliable and valid. Key metrics were established to evaluate the outcomes, and the methodology was designed to minimize bias and enhance reproducibility. Overall, the methods employed provided a robust framework for addressing the research questions posed in the study.
Results
In this study, the authors developed pLAST, a tool that utilizes word2vec models to analyze plasmids by encoding open reading frames (ORFs) as numerical embeddings based on protein family identifiers. Two variants of pLAST were created: pLAST eggNOG, which uses annotations from the eggNOG database, and pLAST MMseqs2, derived from clustering approximately 5.4 million translated ORFs from around 56,000 plasmids. The performance of pLAST was benchmarked against traditional DNA and protein sequence-based methods (BLASTn, Mash, BLASTp, DIAMOND) using a dataset of approximately 1,700 conjugative and mobilizable plasmids. Results indicated that pLAST outperformed all other methods across three functional categories—relaxase type, MPF type, and oriT type—demonstrating superior capability in capturing protein-level functional modules and their co-occurrence patterns.
The findings revealed that while DNA-based methods struggled due to the limitations of nucleotide-level conservation, pLAST effectively leveraged protein-level similarities and contextual information, leading to faster and more accurate plasmid similarity assessments. Notably, pLAST also excelled in evaluating the oriT class, despite it being a DNA element, due to its association with conserved gene neighborhoods. The tool’s efficiency was highlighted by its rapid search capabilities, returning results in seconds compared to several minutes for other methods. Additionally, pLAST allows for detailed per-ORF alignments, facilitating the identification of shared multi-gene regions, as exemplified by the analysis of methylotrophy islands in specific plasmids. The pLAST web server is publicly accessible, enabling comprehensive plasmid characterization within the broader bacterial plasmidome.
Discussion
In this section, the authors detail the methodology for dataset preparation, model training, and evaluation of plasmid embeddings derived from over 56,000 plasmids sourced from the NCBI RefSeq database. The plasmids were annotated using MOB-suite and clustered using MMseqs2, resulting in approximately 386,000 unique clusters and around 64,000 orthologous groups (OGs). The plasmids were encoded as sequences of open reading frames (ORFs), which were randomly circularly permuted and reversed to mitigate bias from arbitrary start coordinates. A grid of word2vec models was trained, producing embeddings for unique ORF classes, with the final plasmid embeddings calculated as weighted means of ORF embeddings based on their inverse document frequency.
The evaluation of the plasmid embeddings involved assessing their ability to recover MOB-suite clustering at primary and secondary levels, using the Adjusted Rand Index (ARI) for comparison. A benchmark was established focusing on conjugative and mobilizable plasmids, resulting in a set of 1,772 plasmids from 159 primary clusters. The performance of the embeddings was compared against various baselines, including BLASTp and DIAMOND, using metrics such as the mean Jaccard index for annotation similarity. The best-performing model, based on the evaluation metrics, utilized the CBOW architecture with 64-dimensional vectors, a context window size of 4, and a minimum count of 2, demonstrating the effectiveness of the pLAST approach in plasmid analysis.