pangenome

Tags: alignment core-genome pan-genoma phylogeny comparative-genomics bactopia-tool

Análise de pan-genoma com filogenia do genoma-core opcional.

Esta Bactopia Tool cria um pan-genoma a partir de arquivos de anotação GFF3 utilizando uma de três ferramentas: Panaroo (padrão), PIRATE, ou Roary. Ela gera alinhamentos do genoma-core e matrizes de presença/ausência de genes, seguidos de cálculos de distância SNP. Você pode complementar seu pan-genoma com genomas completos usando os parâmetros --species ou --accessions, que baixam genomas do RefSeq e os anotam com Prokka. Uma filogenia baseada no alinhamento do genoma-core é criada pelo IQ-Tree, com mascaramento opcional de recombinação usando ClonalFrameML. Por fim, estudos de associação em escala de pan-genoma podem ser realizados usando Scoary.

Uso

Bactopia CLI:

bactopia --wf pangenome \
  --bactopia /path/to/your/bactopia/results

Nextflow:

nextflow run bactopia/bactopia/workflows/bactopia-tools/pangenome/main.nf \
  --bactopia /path/to/your/bactopia/results

Saídas

Arquivos de Saída Esperados

<BACTOPIA_DIR>
└── <SAMPLE_NAME>
    └── pangenome-<TIMESTAMP>
        ├── clonalframeml
        │   ├── core-genome.ML_sequence.fasta.gz
        │   ├── core-genome.em.txt
        │   ├── core-genome.emsim.txt
        │   ├── core-genome.importation_status.txt
        │   ├── core-genome.labelled_tree.newick
        │   ├── core-genome.position_cross_reference.txt.gz
        │   └── logs
        │       ├── nf.command.{begin,err,log,out,run,sh,trace}
        │       └── versions.yml
        ├── core-genome.distance.tsv
        ├── core-genome.masked.aln.gz
        ├── core-genome.masked.distance.tsv
        ├── core-genome.treefile
        ├── iqtree
        │   ├── core-genome.alninfo.gz
        │   ├── core-genome.bionj
        │   ├── core-genome.ckp.gz
        │   ├── core-genome.contree
        │   ├── core-genome.iqtree
        │   ├── core-genome.log
        │   ├── core-genome.mldist
        │   ├── core-genome.splits.nex
        │   ├── core-genome.ufboot
        │   └── logs
        │       ├── nf.command.{begin,err,log,out,run,sh,trace}
        │       └── versions.yml
        ├── iqtree-fast
        │   ├── logs
        │   │   ├── nf.command.{begin,err,log,out,run,sh,trace}
        │   │   └── versions.yml
        │   ├── roary.bionj
        │   ├── roary.ckp.gz
        │   ├── roary.iqtree
        │   ├── roary.log
        │   ├── roary.mldist
        │   ├── roary.model.gz
        │   └── roary.treefile
        ├── nf-reports
        │   ├── pangenome-dag.dot
        │   ├── pangenome-report.html
        │   └── pangenome-timeline.html
        ├── roary
        │   ├── accessory.header.embl
        │   ├── accessory.tab
        │   ├── accessory_binary_genes.fa.gz
        │   ├── accessory_binary_genes.fa.newick
        │   ├── accessory_graph.dot
        │   ├── blast_identity_frequency.Rtab
        │   ├── clustered_proteins
        │   ├── core_accessory.header.embl
        │   ├── core_accessory.tab
        │   ├── core_accessory_graph.dot
        │   ├── core_alignment_header.embl
        │   ├── core_gene_alignment.aln.gz
        │   ├── gene_presence_absence.Rtab
        │   ├── gene_presence_absence.csv
        │   ├── logs
        │   │   ├── nf.command.{begin,err,log,out,run,sh,trace}
        │   │   └── versions.yml
        │   ├── number_of_conserved_genes.Rtab
        │   ├── number_of_genes_in_pan_genome.Rtab
        │   ├── number_of_new_genes.Rtab
        │   ├── number_of_unique_genes.Rtab
        │   ├── pan_genome_reference.fa.gz
        │   └── summary_statistics.txt
        ├── roary.aln.gz
        ├── scoary
        │   ├── Bogus_trait.results.csv
        │   ├── Tetracycline_resistance.results.csv
        │   └── logs
        │       ├── nf.command.{begin,err,log,out,run,sh,trace}
        │       ├── scoary.log
        │       └── versions.yml
        ├── snpdists
        │   └── logs
        │       ├── nf.command.{begin,err,log,out,run,sh,trace}
        │       └── versions.yml
        └── snpdists-masked
            └── logs
                ├── nf.command.{begin,err,log,out,run,sh,trace}
                └── versions.yml

Resultados do Pan-genoma

Arquivo	Descrição
*.aln	Arquivo de alinhamento do genoma-core contendo genes presentes em todos os genomas de entrada
*.csv	Matriz de presença/ausência de genes mostrando quais genes estão presentes em cada genoma
*.tsv	Matriz de distância SNP entre todas as amostras

Resultados da Filogenia

Nota

Criado apenas se --skip_phylogeny não estiver habilitado

Arquivo	Descrição
*.treefile	Árvore filogenética de máxima verossimilhança no formato Newick
*.iqtree	Relatório de análise IQ-Tree com seleção de modelo e valores de suporte
*.log	Log de execução do IQ-Tree

Análise de Recombinação

Nota

Criado apenas se --skip_recombination não estiver habilitado

Arquivo	Descrição
*.masked.aln	Alinhamento do genoma-core com regiões de recombinação mascaradas

Análise de Associação

Nota

Criado apenas se --scoary_traits for especificado

Arquivo	Descrição
scoary/*	Resultados e gráficos da análise de associação do Scoary

Resultados do Panaroo

Nota

Criado apenas quando Panaroo é selecionado como ferramenta de pan-genoma

Arquivo	Descrição
panaroo/*	Arquivos de saída específicos do Panaroo, incluindo grafo e estatísticas

Resultados do PIRATE

Nota

Criado apenas quando PIRATE é selecionado como ferramenta de pan-genoma

Arquivo	Descrição
pirate/*	Arquivos de saída específicos do PIRATE, incluindo famílias e clusters de genes

Resultados do Roary

Nota

Criado apenas quando Roary é selecionado como ferramenta de pan-genoma

Arquivo	Descrição
roary/*	Arquivos de saída específicos do Roary, incluindo matrizes de presença/ausência de genes

Trilha de Auditoria

Abaixo estão os arquivos que podem ajudá-lo a entender quais parâmetros e versões de programas foram utilizados.

Logs

Cada processo executado terá uma pasta chamada logs. Nessa pasta há arquivos úteis para revisar caso necessário.

Extensão	Descrição
.begin	Arquivo vazio usado para indicar que o processo foi iniciado
.err	Contém as saídas STDERR do processo
.log	Contém as saídas STDERR e STDOUT do processo
.out	Contém as saídas STDOUT do processo
.run	O script que o Nextflow usa para preparar/remover arquivos e enfileirar processos com base no perfil fornecido
.sh	O script executado pelo bash para o processo
.trace	O relatório de rastreamento do Nextflow para o processo
versions.yml	Arquivo no formato YAML com as versões dos programas

Relatórios do Nextflow

Esses relatórios do Nextflow fornecem um excelente resumo da sua execução. Eles podem ser usados para otimizar o uso de recursos e estimar custos esperados ao usar plataformas em nuvem.

Nome do arquivo	Descrição
pangenome-dag.dot	A visualização DAG do Nextflow
pangenome-report.html	O Relatório de Execução do Nextflow
pangenome-timeline.html	O Relatório de Linha do Tempo do Nextflow
pangenome-trace.txt	O relatório de Rastreamento do Nextflow

Parâmetros

Parâmetros Obrigatórios

Define onde o pipeline deve encontrar os dados de entrada e salvar os dados de saída.

Parâmetro	Tipo	Padrão	Descrição
--bactopia	string		O caminho para os resultados do Bactopia a serem usados como entrada

Parâmetros de Download de Genomas do NCBI

Parâmetro	Tipo	Padrão	Descrição
--species	string		Nome da espécie para baixar montagens
--accession	string		Um número de acesso de montagem do NCBI a ser baixado
--accessions	string		Um arquivo de números de acesso de montagem do NCBI (um por linha) a serem baixados
--format	string	fasta	Lista de formatos separada por vírgulas para baixar
--section	string	refseq	Seção do NCBI para baixar
--assembly_level	string	complete	Lista de níveis de montagem separada por vírgulas para baixar
--kingdom	string	bacteria	Lista de formatos separada por vírgulas para baixar
--limit	string		Limitar o número de montagens a serem baixadas
--keep_downloads	boolean	false	Salvar arquivos baixados na pasta bactopia-runs

Parâmetros do Prokka

Parâmetro	Tipo	Padrão	Descrição
--prokka_proteins	string		Arquivo FASTA de proteínas confiáveis para anotar primeiro
--prokka_prodigal_tf	string		Arquivo de treinamento a ser usado pelo Prodigal
--prokka_compliant	boolean	false	Forçar conformidade com Genbank/ENA/DDJB
--prokka_centre	string	Bactopia	ID do centro de sequenciamento
--prokka_coverage	integer	80	Cobertura mínima na proteína de consulta
--prokka_evalue	string	1e-09	Corte de e-value de similaridade
--prokka_opts	string		Opções extras do Prokka entre aspas.
--prokka_debug	boolean	false	Habilitar modo de depuração para Prokka

Parâmetros do PIRATE

Parâmetro	Tipo	Padrão	Descrição
--use_pirate	boolean	false	Usar PIRATE em vez de Panaroo no subworkflow 'pangenome'
--pirate_steps	string	50,60,70,80,90,95,98	Limiares de identidade percentual para construção do pan-genoma
--pirate_features	string	CDS	Características delimitadas por vírgulas para construção do pan-genoma
--pirate_para_off	boolean	false	Desativar identificação de parálogos
--pirate_z	boolean	false	Manter todos os arquivos intermediários do PIRATE
--pirate_pan_opt	string		Argumentos adicionais para a construção do pan-genoma.

Parâmetros do Roary

Parâmetro	Tipo	Padrão	Descrição
--roary_use_prank	boolean	false	Usar PRANK em vez de MAFFT para gene core
--use_roary	boolean	false	Usar Roary em vez de PIRATE no subworkflow 'pangenome'
--roary_i	integer	95	Percentual mínimo de identidade para blastp
--roary_cd	integer	99	Percentual de isolados em que um gene deve estar para ser core
--roary_g	integer	50000	Número máximo de clusters
--roary_s	boolean	false	Não dividir parálogos
--roary_ap	boolean	false	Permitir parálogos no alinhamento core
--roary_iv	number	1.5	Valor de inflação MCL

Parâmetros de Execução do Panaroo

Parâmetro	Tipo	Padrão	Descrição
--panaroo_mode	string	strict	O modo de rigorosidade para executar o Panaroo (opções: strict, moderate, sensitive)
--panaroo_alignment	string	core	Saída de alinhamentos de genes core ou todos os genes (opções: core, pan)
--panaroo_aligner	string	mafft	Alinhador a ser usado para alinhamento do genoma core/pan (opções: mafft, prank, clustal)
--panaroo_core_threshold	number	0.95	Limiar de amostras do genoma-core
--panaroo_threshold	number	0.98	Limiar de identidade de sequência
--panaroo_family_threshold	number	0.7	Limiar de identidade de sequência de família de proteínas
--panaroo_len_dif_percent	number	0.98	Corte de diferença de comprimento
--panaroo_merge_paralogs	boolean	false	Não dividir parálogos
--panaroo_opts	string		Opções adicionais para passar ao Panaroo

Parâmetros do SNP-Dists

Parâmetro	Tipo	Padrão	Descrição
--snpdists_a	boolean	false	Contar todas as diferenças, não apenas [AGTC]
--snpdists_b	boolean	false	Manter a célula do canto superior esquerdo
--snpdists_csv	boolean	false	Gerar CSV em vez de TSV
--snpdists_k	boolean	false	Manter capitalização, não converter todas as letras para maiúsculas

Parâmetros do ClonalFrameML

Parâmetro	Tipo	Padrão	Descrição
--clonalframeml_emsim	integer	100	Número de simulações para estimar a incerteza nos resultados do EM
--clonalframeml_opts	string		Opções extras do ClonalFrameML entre aspas
--skip_recombination	boolean	false	Ignorar execução do ClonalFrameML nos subworkflows

Parâmetros do IQ-TREE

Parâmetro	Tipo	Padrão	Descrição
--iqtree_model	string	HKY	Nome do modelo de substituição
--iqtree_bb	integer	1000	Réplicas de bootstrap ultrafast
--iqtree_alrt	integer	1000	Réplicas do teste de razão de verossimilhança aproximado semelhante ao SH
--iqtree_asr	boolean	false	Reconstrução de estado ancestral por Bayes empírico
--iqtree_opts	string		Opções extras do IQ-TREE entre aspas.
--skip_phylogeny	boolean	false	Ignorar execução do IQ-TREE nos subworkflows

Parâmetros do Scoary

Parâmetro	Tipo	Padrão	Descrição
--scoary_traits	string		Tabela de características de entrada (CSV) para testar associações
--scoary_p_value_cutoff	number	0.05	Para testes estatísticos, genes com p-valores maiores não serão reportados
--scoary_correction	string	I	Aplicar a medida de filtragem indicada. (opções: I, B, BH, PW, EPW, P)
--scoary_permute	integer	0	Realizar N permutações dos resultados significativos pós-análise
--scoary_start_col	integer	15	Em qual coluna do arquivo de presença/ausência de genes começam as informações de cada isolado

Parâmetros de Filtragem

Use estes parâmetros para especificar quais amostras incluir ou excluir.

Parâmetro	Tipo	Padrão	Descrição
--include	string		Um arquivo de texto contendo nomes de amostras (um por linha) a incluir na análise
--exclude	string		Um arquivo de texto contendo nomes de amostras (um por linha) a excluir da análise

Parâmetros Opcionais

Estes parâmetros opcionais podem ser úteis em determinadas situações.

Parâmetro	Tipo	Padrão	Descrição
--outdir	string	bactopia	Diretório base para salvar os resultados
--skip_compression	boolean	false	Os arquivos de saída não serão comprimidos
--datasets	string		O caminho para armazenar em cache os datasets
--keep_all_files	boolean	false	Mantém todos os arquivos de análise criados

Parâmetros de Requisição Máxima de Jobs

Define o limite máximo de recursos solicitados para qualquer job individual.

Parâmetro	Tipo	Padrão	Descrição
--max_retry	integer	3	Número máximo de tentativas de um processo antes de permitir que ele falhe.
--max_cpus	integer	4	Número máximo de CPUs que podem ser solicitadas para qualquer job individual.
--max_memory	string	128.GB	Quantidade máxima de memória que pode ser solicitada para qualquer job individual.
--max_time	string	240.h	Tempo máximo que pode ser solicitado para qualquer job individual.
--max_downloads	integer	3	Número máximo de amostras a baixar simultaneamente

Parâmetros de Configuração do Nextflow

Parâmetros para ajustar sua configuração do Nextflow.

Parâmetro	Tipo	Padrão	Descrição
--nfconfig	string		Um arquivo de configuração compatível com Nextflow para perfis personalizados, carregado por último e substituirá variáveis existentes se definido.
--publish_dir_mode	string	copy	Método usado para salvar os resultados do pipeline no diretório de saída. (opções: symlink, rellink, link, copy, copyNoFollow, move)
--infodir	string	${params.outdir}/pipeline_info	Diretório para manter os logs e relatórios do Nextflow do pipeline.
--force	boolean	false	O Nextflow irá sobrescrever arquivos de saída existentes.
--cleanup_workdir	boolean	false	Após a execução bem-sucedida do Bactopia, o diretório work será excluído.

Opções de configuração institucional

Parâmetros usados para descrever perfis de configuração centralizados. Estes não devem ser editados.

Parâmetro	Tipo	Padrão	Descrição
--custom_config_version	string	master	ID de commit Git para configurações institucionais.
--custom_config_base	string	https://raw.githubusercontent.com/nf-core/configs/master	Diretório base para configurações institucionais.
--config_profile_name	string		Nome do perfil de configuração institucional.
--config_profile_description	string		Descrição do perfil de configuração institucional.
--config_profile_contact	string		Informações de contato do perfil de configuração institucional.
--config_profile_url	string		URL do perfil de configuração institucional.

Parâmetros de Perfil do Nextflow

Parâmetros para ajustar sua configuração do Nextflow.

Parâmetro	Tipo	Padrão	Descrição
--condadir	string		Diretório que o Nextflow deve usar para ambientes Conda
--registry	string	quay.io	Registro de onde baixar os contêineres Docker.
--datasets_cache	string	<HOME>/.bactopia/datasets	Diretório onde os datasets baixados devem ser armazenados.
--singularity_cache	string		Diretório onde as imagens Singularity remotas são armazenadas.
--singularity_pull_docker_container	boolean		Em vez de baixar diretamente imagens Singularity, forçar o fluxo de trabalho a baixar e converter contêineres Docker.
--force_rebuild	boolean	false	Forçar a substituição de ambientes pré-construídos existentes.
--queue	string	general,high-memory	Nome(s) da(s) fila(s) separados por vírgula a serem usados por um agendador de jobs (ex.: AWS Batch ou SLURM)
--cluster_opts	string		Opções adicionais para passar ao executor. (ex.: SLURM: '--account=my_acct_name'
--container_opts	string		Opções adicionais para passar ao Apptainer, Docker ou Singularity. (ex.: Singularity: '-D pwd'
--disable_scratch	boolean	false	Todos os arquivos intermediários criados nos nós de trabalho serão transferidos para o nó principal.

Parâmetros Úteis

Parâmetros raramente usados que podem ser úteis.

Parâmetro	Tipo	Padrão	Descrição
--monochrome_logs	boolean		Não usar saídas de log coloridas.
--nfdir	boolean		Exibir o diretório para o qual o Nextflow baixou o Bactopia
--sleep_time	integer	5	O tempo (em segundos) que o Nextflow aguardará após configurar os datasets antes da execução.
--validate_params	boolean	true	Se deve validar os parâmetros contra o esquema em tempo de execução
--help	boolean		Exibir texto de ajuda.
--wf	string	bactopia	Especificar qual fluxo de trabalho ou Bactopia Tool executar
--list_wfs	boolean		Listar os fluxos de trabalho e Bactopia Tools disponíveis para usar com '--wf'
--show_hidden_params	boolean		Mostrar todos os parâmetros ao usar --help
--help_all	boolean		Um alias para --help --show_hidden_params
--version	boolean		Exibir texto de versão.

Composição

Este fluxo de trabalho utiliza os seguintes subworkflows:

• clonalframeml - Detectar e mascarar eventos de recombinação em filogenias bacterianas.
• iqtree - Construir árvores filogenéticas de máxima verossimilhança a partir de alinhamentos.
• ncbigenomedownload - Baixar genomas bacterianos do banco de dados RefSeq do NCBI.
• pangenome - Realizar análise de pan-genoma com filogenia do genoma-core opcional.
• prokka - Anotar genomas bacterianos com informações funcionais.
• scoary - Estudos de associação em escala de pan-genoma.

Citações

Se você usar isto em sua análise, por favor cite o seguinte.

• Bactopia
  Petit III RA, Read TD Bactopia - a flexible pipeline for complete analysis of bacterial genomes. mSystems 5 (2020)

• ClonalFramML
  Didelot X, Wilson DJ ClonalFrameML: Efficient Inference of Recombination in Whole Bacterial Genomes. PLoS Comput Biol 11(2) e1004041 (2015)

• IQ-TREE
  Nguyen L-T, Schmidt HA, von Haeseler A, Minh BQ IQ-TREE: A fast and effective stochastic algorithm for estimating maximum likelihood phylogenies. Mol. Biol. Evol. 32:268-274 (2015)

• ModelFinder
  Kalyaanamoorthy S, Minh BQ, Wong TKF, von Haeseler A, Jermiin LS ModelFinder - Fast model selection for accurate phylogenetic estimates. Nat. Methods 14:587-589 (2017)

• UFBoot2
  Hoang DT, Chernomor O, von Haeseler A, Minh BQ, Vinh LS UFBoot2: Improving the ultrafast bootstrap approximation. Mol. Biol. Evol. 35:518-522 (2018)

• ncbi-genome-download
  Blin K ncbi-genome-download: Scripts to download genomes from the NCBI FTP servers (GitHub)

• Panaroo
  Tonkin-Hill G, MacAlasdair N, Ruis C, Weimann A, Horesh G, Lees JA, Gladstone RA, Lo S, Beaudoin C, Floto RA, Frost SDW, Corander J, Bentley SD, Parkhill J Producing polished prokaryotic pangenomes with the Panaroo pipeline. Genome Biology 21(1), 180. (2020)

• PIRATE
  Bayliss SC, Thorpe HA, Coyle NM, Sheppard SK, Feil EJ PIRATE: A fast and scalable pangenomics toolbox for clustering diverged orthologues in bacteria. Gigascience 8 (2019)

• Prokka
  Seemann T Prokka: rapid prokaryotic genome annotation Bioinformatics 30, 2068-2069 (2014)

• Roary
  Page AJ, Cummins CA, Hunt M, Wong VK, Reuter S, Holden MTG, Fookes M, Falush D, Keane JA, Parkhill J Roary: rapid large-scale prokaryote pan genome analysis. Bioinformatics 31, 3691-3693 (2015)

• Scoary
  Brynildsrud O, Bohlin J, Scheffer L, Eldholm V Rapid scoring of genes in microbial pan-genoma-wide association studies with Scoary. Genome Biol. 17:238 (2016)

Fonte

Ver fonte no GitHub