Магазин Toy&Toy — Super Toys

MetaBAT, эффективный инструмент для точной реконструкции отдельных геномов из сложных микробных сообществ [PeerJ]

Введение

Секвенирование метагеномного ружья с высокой пропускной способностью является мощным инструментом для изучения микробных сообществ, непосредственно взятых из их среды, что позволяет избежать необходимости культивирования или отклонений, которые могут возникнуть в результате этого. Сборка короткого метагеномного дробовика считывает фрагменты большого генома (контиги) сборщиками короткого чтения (Pevzner & Tang, 2001; Pevzner, Tang & Waterman, 2001) часто не в состоянии получить полноразмерные геномы.Прогнозирование черновых геномов из собранных метагеномных контигов с помощью связывания метагенома обеспечивает замену полноразмерных геномов (Mande, Mohammed & Ghosh, 2012; Mavromatis et al., 2007). Несмотря на их фрагментированную природу, эти проекты геномов часто происходят от отдельных видов (или «популяционных геномов», представляющих консенсусные последовательности различных штаммов) (Imelfort et al., 2014), и они приближаются к полным геномам, так как могут содержать почти полный набор гены.

Были разработаны два подхода к метагеномному бинингу (обзор в Mande, Mohammed & Ghosh, 2012).Подход контролируемого бинирования использует известные геномы в качестве ссылок и полагается либо на гомологию последовательности, либо на сходство состава последовательности для бининга (Krause et al., 2008; Wu & Eisen, 2008). Этот подход плохо работает с пробами окружающей среды, где у многих микробов нет близких видов с известными геномами. Напротив, неконтролируемый подход основывается либо на составе дискриминационной последовательности (Teeling et al., 2004b; Yang et al., 2010), либо на совместном изобилии видов (или геномных фрагментов) (Cotillard et al., 2013; Le Chatelier et al., 2013; Nielsen et al., 2014; Цинь и др., 2012; Wu & Ye, 2011) или оба (Albertsen et al., 2013; Alneberg et al., 2014; Imelfort et al., 2014; Sharon et al., 2013; Wrighton et al., 2012; Wu et al., 2014 ) для биннинга. Недавние исследования показали, что функция совместного изобилия видов может быть очень эффективной для деконволюции сложных сообществ, если имеется много доступных образцов (Albertsen et al., 2013; Alneberg et al., 2014; Cotillard et al., 2013; Imelfort et al. , 2014; Karlsson et al., 2013; Le Chatelier et al., 2013; Nielsen et al., 2014; Sharon et al., 2013). Несколько недавних методов, в частности CONCOCT (Alneberg et al., 2014) и GroopM (Imelfort et al., 2014), также являются полностью автоматизированными процедурами биннинга.

Многие из вышеперечисленных инструментов плохо масштабируются для больших наборов метагеномных данных. В этом исследовании мы разработали MetaBAT ( Meta геном B иннинг с A и T этнонуклеотидных частот) как эффективный, полностью автоматизированный программный инструмент, способный собирать миллионы контигов из тысяч образцов ,Используя новую статистическую структуру для объединения вероятностей частоты тетра-нуклеотидов (TNF) и контиг-контина, мы продемонстрировали, что MetaBAT производит высококачественные бины генома.

Материалы и методы

Обзор программного обеспечения MetaBAT и его вероятностных моделей

В качестве предварительного условия для биннинга пользователь должен создать файлы BAM, совместив чтения каждого образца отдельно с собранным метагеномом (рис. 1, шаги с 1 по 3).MetaBAT принимает файл сборки (формат fasta, обязательный) и отсортированные файлы bam (по одному на выборку, необязательно) в качестве входных данных. Для каждой пары контигов в сборке метагенома MetaBAT вычисляет их вероятностные расстояния на основе частоты тетрануклеотида (TNF) и численности (то есть среднего базового покрытия), затем эти два расстояния объединяются в одно составное расстояние. Все попарные расстояния образуют матрицу, которая затем подается в модифицированный алгоритм кластеризации k-medoid для итеративного и исчерпывающего объединения бинов в бункеры генома (рис.1).

Рисунок 1: Обзор конвейера MetaBAT.

Перед применением MetaBAT существует три этапа предварительной обработки: (1) Типичный эксперимент с метагеномом может содержать множество выборок из пространственных или временных рядов, каждый из которых состоит из множества разных геномов (разных цветовых кругов). (2) Каждый образец секвенируется с помощью технологии секвенирования следующего поколения, чтобы сформировать библиотеку секвенирования с множеством коротких чтений. (3) Библиотеки могут быть объединены перед сборкой de novo.После сборки считывания из каждого образца должны быть выровнены в отдельных файлах BAM. Затем MetaBAT автоматически выполняет оставшиеся шаги: (4) Для каждой пары контигов вероятность частотного расстояния тетрануклеотида (TDP) вычисляется из распределения, смоделированного из 1414 эталонных геномов. (5) Для каждой пары contig вычисляется вероятность расстояния изобилия (ADP) по всем выборкам. (6) TDP и ADP каждой пары contig затем объединяются, и результирующее расстояние для всех пар образует матрицу расстояний.(7) Каждая ячейка будет сформирована итеративно и исчерпывающе из матрицы расстояний.

Мы используем частоту тетрануклеотидов в качестве сигнатур состава последовательности, так как ранее было показано, что разные микробные геномы имеют различные смещения TNF (Mrazek, 2009; Pride et al., 2003; Saeed, Tang & Halgamuge, 2012; Teeling et al., 2004a) , Чтобы эмпирически определить расстояние для различения TNF разных геномов, мы рассчитали вероятность межвидового и внутривидового евклидова расстояния (Deza, 2012), используя 1414 уникальных полных ссылок на геном из NCBI (рис.2А). Это эмпирически полученное расстояние называется вероятностью расстояния по частоте тетрануклеотида (TDP).

Рисунок 2: Вероятностное моделирование расстояний TNF и численности.

(A – D) Дистанционное моделирование ФНО. (A) Эмпирические вероятности внутриклеточного (сплошная серая линия) или меж- (пунктирная серая линия) вида Евклидово расстояние ФНО оцениваются из секвенированных геномов. Задняя вероятность двух контигов, происходящих из разных геномов с учетом расстояния TNF, показана красной сплошной линией.Все вероятности рассчитываются с использованием фиксированного размера контига 10 кб. (B) Различные задние межвидовые вероятности для двух контигов одинакового размера при разных размерах контигов. (C, D) Оценка параметров логистической кривой с двумя контигами разных размеров. Оси x и и представляют длины короткого и длинного контига соответственно, а ось z представляет оценки каждого параметра b или c в логистической кривой, TDP = 1 / (1 + exp (- ( b + c * TNF))), где TNF и TDP представляют евклидово расстояние TNF и вероятностное расстояние TNF соответственно.(E – F) Моделирование расстояний. (E) Соотношение между средним значением и дисперсией базовых глубин (охват), которые были показаны по осям x и y соответственно. Каждая точка представляет это отношение в каждом геноме, которое рассчитывается по медиане среднего значения и дисперсии покрытия. Теоретическая модель Пуассона была показана синей линией, а нормальная модель — красной линией. (F) Вероятностное расстояние между двумя контигами. Заштрихованная область представляет собой расстояние между двумя контигами в данной библиотеке.

Чтобы оценить влияние размеров контига на межвидовое расстояние, мы получили апостериорные распределения вероятностей межвидового расстояния с несколькими фиксированными размерами и наблюдали лучшее межвидовое разделение при увеличении размера контига (рис. 2В). Поскольку контиги в реальных сборках метагенома имеют различные размеры, мы затем смоделировали TDP между контигами разных размеров, подгоняя логистическую функцию, чтобы отразить динамическую природу нелинейных отношений между евклидовым расстоянием TNF и TDP для разных размеров контигов.Результаты (рис. 2C и 2D) показывают, что значения двух параметров модели, b и c, являются нестабильными, если размер любого контига очень мал (<2 кб), и следует соблюдать осторожность, чтобы меньшие контиги могли быть Binned.

Хотя ожидается, что контиги, происходящие из одного и того же генома, будут иметь схожий охват последовательностей, т. Е. Обилие генома, охват контигов может значительно варьироваться в пределах библиотеки из-за смещений, происходящих из текущей технологии секвенирования (Benjamini & Speed, 2012; Harismendy et al. ,2009; Накамура и др., 2011; Росс и др., 2013). Как показано на рис. 2Е, наблюдаемая дисперсия охвата, полученная из данных, состоящих из проектов секвенирования изолята генома (всего 99 из базы данных IMG (Markowitz et al., 2012), далее именуемой набором данных IMG), значительно отклоняется от теоретического распределения Пуассона, согласуется с представлением о том, что следует моделировать как дисперсию, так и среднее значение (Clark et al., 2013). Для удобства вычислений мы выбрали нормальное распределение в качестве аппроксимации, поскольку оно намного лучше подходит для наблюдения (рис.2E). Чтобы вычислить расстояние обилия двух контигов в одной выборке, мы используем площадь, не разделяемую по их предполагаемым нормальным распределениям с заданным средним охватом и дисперсией (рис. 2F). Среднее геометрическое расстояние для всех выборок используется для окончательной вероятности расстояния изобилия (ADP) двух контигов. Кроме того, мы применили прогрессивный механизм взвешивания, чтобы отрегулировать относительную силу информации от расстояния изобилия, что означает, что мы придаем больший вес расстоянию изобилия, когда оно рассчитывается по многим образцам (см. Ниже).

Затем мы интегрируем TDP и ADP каждой пары contig следующим образом: Pμ1, σ12, μ2, σ22 = maxTDP, АДФ, если TDP> 0.05ADP⋅w + TDP⋅1-ж, в противном случае где w = min [log ( n + 1) / log ( m + 1), α ] 32 n , m и α представляют количество образцов, большое число (100 по умолчанию) и максимальный вес ADP (0,9 по умолчанию) соответственно. Например, при настройке по умолчанию вес будет около 0.5, когда количество образцов равно 10, а TDP меньше 0,05. Полученная матрица расстояний используется для биннинга (см. Ниже).

Тетрануклеотидная частота вероятностного расстояния (TDP)

Чтобы установить эмпирические вероятности внутривидовых и межвидовых изменений частотного расстояния тетрануклеотидов, мы загрузили 1414 уникальных завершенных бактериальных геномов из базы данных NCBI и разбили их на фрагменты размером от 2,5 до 500 кб. Затем мы получили 1 миллиард случайных пар Контиг изнутри или между геномами.Эмпирическая апостериорная вероятность того, что два контига происходят из разных геномов, определяется следующим образом: ПТ | D = PTPD | TPTPD | Т + PRPD | Р где T или R представляют случаи, когда два контига относятся к разным (меж) или одинаковым (внутри) видам соответственно. D — евклидово расстояние ФНО между двумя контигами. Были выбраны такие же неинформативные приоры T, и R, . В действительности ожидается, что P ( T ) будет намного больше, чем P ( R ), поэтому мы устанавливаем P ( T ) = 10 * P ( R ) как реализация по умолчанию для корректировки возможной проблемы недостаточной выборки на межвидовой дистанции.

TDP пар контигов с разными размерами аппроксимируется с помощью логистической регрессии: PDij; Bij, НЦЖ = 11 + е-Bij + НЦЖ * Dij где D _ij представляет евклидово расстояние TNF между contigi i и j 9009 b и c , два параметра для логистической регрессии, оцениваются по эмпирическим данным.

Вероятность удаленности (ADP)

Вероятностная дистанция численности была рассчитана следующим образом. Предположим, что две контиги имеют среднее покрытие µ, ₁ и μ ₂ и дисперсии σ12 и σ22, затем мы определили расстояние численности как нераспределенное. площадь двух нормальных распределений N ( μ ₁ , σ12 и N ( μ ₂ , σ22: Pμ1, σ12, μ2, σ22 = 12∫ | φμ1, σ12-φμ2, σ22 | где ϕ представляет собой нормальное распределение, имеющее два параметра µ и σ ² .Численно это можно упростить, используя кумулятивные функции распределения следующим образом, предполагая, что σ22 больше или равно σ12: Pμ1, σ12, μ2, σ22 = Φμ1, σ12k0-Φμ2, σ22k0, если σ12 = σ22Φμ1, σ12k2-Φμ1, σ12k1 + Φμ2, σ22k1-Φμ2, σ22k2, в противном случае где Φ представляет собой совокупное нормальное распределение, и к0 = μ1 + μ22 k1 * = σ12⋅σ22⋅μ1-μ22-2⋅σ12-σ22⋅logσ2 / σ1-μ1⋅σ22 + μ2⋅σ12σ12-σ22 k2 * = σ12⋅σ22⋅μ1-μ22-2⋅σ12-σ22⋅logσ2 / σ1 + μ1⋅σ22-μ2⋅σ12σ12-σ22 k1 = mink1 *, k2 * andk2 = maxk1 *, k2 *.

Чтобы объединить множественные вероятности численности в разных выборках, мы вычислили среднее геометрическое вероятностей: Pij = Σn1μin> С или μjn> ​​cΠnPijnμin, σin2, μjn, σjn2 * 1μin> С или μjn> ​​с где P _ijn представляет собой вероятность, вычисленную из двух чисел µ _в и µ _jn , и c представляет отсечение для разумного минимального содержания для контига.

Поскольку сборки метагенома содержат много маленьких контигов, включать или не включать их является дилеммой; включение небольших контигов, вероятно, улучшит полноту генома за счет качества генома, потому что их большие вариации обилия затрудняют правильное их объединение. Мы попытались эмпирически определить разумное ограничение размера контига, построив график зависимости среднего значения и дисперсии от набора данных с одним геномом IMG. Хотя большинство вариаций генома намного больше их средних значений, их соотношение стабилизируется после увеличения размера контига до 2.5 кб (рис. S1). Поэтому для начального биннинга мы использовали контиги 2,5 кб или больше. Меньшие контиги могут быть набраны после биннинга, основываясь на их корреляции с бинами (Imelfort et al., 2014).

Итеративный биннинг

Мы изменили алгоритм кластеризации k-medoid (Kaufman & Rousseeuw, 1987), чтобы исключить необходимость ввода значения для k и уменьшить пространство поиска для эффективного биннинга. В частности, алгоритм биннинга работает следующим образом:

1. Найти семенной контиг (например,г., имея наибольшее покрытие), и установите его в качестве начального медоида.

2. Подберите все другие контиги в пределах отрезанного расстояния (то есть параметры p1 и p2) к затравке.

3. Найти нового медоида из всех членов ассоциации.

4. Повторяйте 2–3, пока больше не будет обновлений медоида. Эти контиги образуют мусорное ведро.

5. Для остальных контигов повторите 1–4, чтобы сформировать больше бункеров, пока не останется ни одного контига.

6. Держите большие контейнеры (например,> 200 кб) и растворите все остальные контейнеры в свободные контиги.

7. (необязательно) Для набора данных, содержащего не менее 10 выборок, добавьте дополнительные свободные контиги в каждую ячейку на основе их корреляции численности.

Результаты

Производительность биннинга на «безошибочных» метагеномных сборках

Метагеномный набор данных (инвентарный №: ERP000108) из консорциума MetaHIT (далее именуемый набор данных MetaHIT) (Qin et al., 2010) был выбран для сравнения MetaBAT, поскольку он содержит большое количество образцов, а сообщество содержит много видов. с эталонными геномами. Чтобы получить эталонный набор геномов, мы отобрали 290 известных геномов из NCBI, которые присутствуют в MetaHIT при> 5-кратном среднем охвате (Таблица S1).Эти эталонные геномы были затем измельчены в контиги случайных размеров (> 2,5 т.п.н.) после экспоненциального распределения, смоделированного для имитации реальных сборок метагенома. Обилие каждого контига в каждом образце также было получено с использованием реальных данных. Эти «безошибочные» контиги метагенома, их информация об изобилии, а также их родительские эталонные геномы (как «истинные ответы») были использованы в следующем анализе для сравнения производительности биннинга. Полное описание эксперимента см. На вики-странице MetaBAT: https: // bitbucket.орг / berkeleylab / metabat / вики / Home.

Для сравнения мы запустили несколько альтернативных инструментов бинирования в одном наборе данных, описанном выше. Это программное обеспечение включает Canopy (Nielsen et al., 2014), CONCOCT v.0.4.0 (Alneberg et al., 2014), GroopM v.0.3.0 (Imelfort et al., 2014) и MaxBin v.1.4.1 (Wu et al., 2014). Среди них CONCOCT, GroopM и MaxBin также являются полностью автоматизированными инструментами биннинга. Необязательный ручной шаг в GroopM для улучшения качества бункеров был исключен. Поскольку MaxBin не рассматривает несколько образцов, мы объединили несколько образцов в один.

Мы использовали точность> 90% (отсутствие загрязнения) и> 30% отзыва (полнота) в качестве минимального критерия для того, чтобы корзина считалась «хорошей», что в основном означает, что корзина должна состоять из одного или нескольких штаммов одного вида. (результаты других пороговых значений см. на рисунках S3 и S4). Формулы для этого расчета описаны в дополнительной информации 1. Из всех инструментов бинирования MetaBAT сгенерировал наибольшее количество геномов практически при каждом пороге отзыва (рис.3A). CONCOCT — единственный инструмент, который производит больше бинов с геномом с полнотой более 80% или 90%, чем MetaBAT, но MetaBAT производит намного больше бинов с порогом полноты 70%. Интересно, что мы обнаружили, что эти инструменты дополняют друг друга при формировании бинов генома (Fig. 3B, GroopM был опущен, так как он обнаруживает только несколько геномов). Среди уникальных 133 бинов генома, собранных всеми инструментами, MetaBAT сгруппировал наибольшее количество геномов (111, 83,5%), с 23 бинами (17,2%), которые не были найдены никаким другим инструментом.

Рисунок 3: Производительность биннинга на синтетических метагеномных сборках.

(A) Количество геномов (ось X ), идентифицированное каждым методом биннинга (ось Y ) с различным порогом отзыва (полноты) и точностью> 90%, которая рассчитывает отсутствие загрязнения. (B) Диаграмма Венна идентифицированных геномов по 4 лучшим методам биннинга.

MetaBAT работает очень эффективно в вычислениях; Весь процесс биннинга занял всего 14 минут и 4 ГБ ОЗУ (Таблица 1).Многократное моделирование дало почти идентичные результаты производительности и, таким образом, не было показано.

Таблица 1:

Производительность биннинга на синтетических метагеномных сборках.

	MetaBAT	Навес	CONCOCT	MaxBin	GroopM b
Количество идентифицированных бинов (> 200 кб)	340	230	235	260	445
Количество обнаруженных геномов (Точность>.9 & Напомним> .3)	111	90	56	39	6
Wall time (16 ядер; 32 гиперпотоки)	00:13:55	00:21:01 a	104: 58: 01	20:51:19	45:29:39
Пиковое использование памяти (для шага биннинга)	3.9G	1,82G a	9,55G	7,7G	38G

DOI: 10.7717 / peerj.1165 / таблица-1

Производительность биннинга на реальных метагеномных сборках

Затем мы проверили производительность MetaBAT на реальных метагеномных сборках. Используя те же необработанные данные последовательностей из вышеуказанного набора данных MetaHIT, мы объединили последовательности из всех образцов и затем собрали их, используя ассемблер Ray Meta (Boisvert et al.2012). Поскольку реальные метагеномные сборки часто содержат много маленьких контигов, мы снизили требование к минимальному размеру контига с 2,5 до 1,5 кб, чтобы включить больше контигов в наш эксперимент по биннингу. В результате, 118 025 контигов были использованы для биннинга. Затем мы запустили вышеупомянутые 5 инструментов биннинга с настройками по умолчанию для этого набора данных. В отличие от предыдущего имитационного эксперимента, в этом эксперименте у нас нет эталонного генома для каждого бина генома; вместо этого мы использовали CheckM (Parks et al., 2015), чтобы рассчитать приблизительный коэффициент возврата (процент ожидаемых одиночных копируемых генов) и точность (отсутствие генов из разных геномов).Полное описание этого эксперимента доступно на вики-странице MetaBAT: https://bitbucket.org/berkeleylab/metabat/wiki/Benchmark_MetaHIT.

Подобно предыдущему «безошибочному» эксперименту, MetaBAT снова выявил наибольшее количество уникальных бинов генома с точностью> 90% (рис. 4А). В этом эксперименте с реальными метагеномными контигами утраченная полнота, которую мы видели в CONCOCT во время эксперимента «без ошибок». Более того, количество бинов генома, образованных MetaBAT, было последовательно больше, чем у других на каждом пороге полноты.Точно так же различные инструменты дали дополнительные результаты биннинга, как и раньше (рис. 4В). Вклад MetaBAT в этот раз более заметен. Он пропустил 17 контейнеров, сформированных всеми другими инструментами вместе, но восстановил 31 контейнер, который не был произведен другими инструментами. Один MetaBAT извлек 90,2% (133/144) бункеров генома из всех инструментов. Эти результаты свидетельствуют о том, что MetaBAT очень устойчив при реальной сборке метагенома. В соответствии с экспериментом по моделированию, MetaBAT очень эффективен в вычислительном отношении, и для его завершения требуется всего 4 минуты (Таблица 2).

Рисунок 4: Производительность биннинга на реальных метагеномных сборках.

(A) Количество геномов (ось X ), идентифицированное каждым методом биннинга (ось Y ) с различным порогом отзыва (полноты) и точностью> 90%, которая рассчитывает отсутствие загрязнения. (B) Диаграмма Венна идентифицированных геномов по 4 лучшим методам биннинга. Таблица 2:

Краткое описание эффективности биннинга на реальной метагеномной сборке.

	MetaBAT	Навес	CONCOCT	MaxBin	GroopM b
Количество идентифицированных бинов (> 200 кб)	234	223	260	168	335
Количество обнаруженных геномов (Точность> 9 & Вспомнить>.3)	130	96	64	39	28
Wall time (16 ядер; 32 гиперпотоки)	00:03:36	00:02:31 a	82:19:53	06:49:39	12:19:12
Пиковое использование памяти (для шага биннинга)	3.0G	1.6G a	7G	5.8G	6.3G

DOI: 10.7717 / peerj.1165 / таблица-2

Для тестирования производительности MetaBAT на крупномасштабных наборах метагеномных данных мы использовали набор данных, содержащий 1704 (с повторностями) образцов кишечного микробиома кишечника человека (инвентарный №: ERP002061 (Nielsen et al., 2014).Весь набор данных был собран с использованием Ray Meta ассемблера (Boisvert et al., 2012) и Megahit (Li et al., 2015), в результате чего было получено 1 058 952 контига (> 1 кб), которые затем использовались для биннинга. MetaBAT потребовалось менее 2 часов, чтобы сгенерировать 1634 бина генома (> 200 кб) с использованием одного узла с 16 ядрами ЦП (32 гиперпотока), а пиковое потребление памяти составило 17G. Для сравнения Canopy потребовалось 18 часов, используя память 36G в той же настройке. Другим инструментам биннинга — CONCOCT, GroopM и MaxBin — не удалось сгенерировать какие-либо бины генома для этого набора данных, вероятно, из-за невозможности масштабирования.Для оценки точности мы использовали CheckM (Parks et al., 2015) и идентифицировали 610 ячеек высокого качества (точность> 90% и полнота> 50%) среди ячеек, прогнозируемых MetaBAT, что на 35% больше, чем опубликованные ящики CAG ( Nielsen et al., 2014) и на 11% больше, чем бункеры Canopy, использующие нашу сборку. Подробнее об использовании MetaBAT для этого большого набора данных см. По адресу: https://bitbucket.org/berkeleylab/metabat/wiki/Example_Large_Data.

Обработка после биннинга для дальнейшего улучшения качества

Сборка из объединенных образцов в приведенном выше эксперименте повышает вероятность того, что аналогичные геномы (например,например, различные штаммы), присутствующие в разных образцах, объединены в химерные контиги. Этот уровень загрязнения не допускается в некоторых случаях. Исходя из предположения, что один образец будет содержать меньше штаммов одного и того же вида, чем все объединенные образцы, мы реализовали необязательный процесс последующего биннинга для уменьшения загрязнения на уровне штамма. Вкратце, мы сначала выбрали один образец с большинством операций чтения, сопоставленных с конкретным бином, а затем собрали эти операции чтения в новый набор contigs.Если новые contigs дают лучшие результаты CheckM, мы впоследствии заменили старые contigs в этой корзине новыми.

Этот этап постобработки значительно улучшил как полноту, так и точность (отсутствие загрязнения) для 61% (992 из 1634) бункеров генома. В целом было 571 контейнеров с> 95% точностью и> 50% полноты, по сравнению с 375 без постобработки. Это улучшение стало более очевидным, когда мы увеличили порог точности до> 99%, так как количество высококачественных бинов увеличивается с 46 до 186.

Включая дополнительные данные секвенирования и другие оптимизации после биннинга, Nielsen et al. (2014) создали 373 высококачественных черновых генома («MGS геномы»). Поэтому мы использовали эти черновые геномы MGS в качестве эталона для дополнительной оценки качества бинов генома MetaBAT после постобработки. Как показано на фиг.5А, 31 геном проекта MGS не был хорошо представлен бинами MetaBAT, но MetaBAT восстановил 55 дополнительных геномных генов, о которых не сообщалось в проекте генома MGS. Для этих перекрывающихся бинов большинство бинов MetaBAT близко приближаются к черновым геномам MGS по точности — 94% точности и 82% полноты (рис.5В).

Рисунок 5: Сравнение между бинами MetaBAT после пост-обработки и черновыми геномами MGS от Nielsen et al.

(A) Диаграмма Венна для идентифицированных бинов генома с помощью MetaBAT, имеющая точность> 90% и полноту> 30%, рассчитанную с помощью CheckM и соответствующих геномов один на один в черновых геномах MGS. (B) Диаграмма разброса полноты и точности бинов генома MetaBAT, если рассматривать геном проекта MGS в качестве золотого стандарта. Ось X представляет собой общую долю баз в единицах MetaBAT (т.е.то есть точность), а ось и представляет общую долю оснований в терминах геномов MGS (то есть полноты). Каждый кружок представляет собой уникальные ячейки MetaBAT, имеющие однозначно соответствующие геномы MGS (всего 342 ячейки), и его размер соответствует размеру ячейки.

Обсуждение

В заключение мы разработали эффективный и полностью автоматизированный инструмент метагеномного связывания MetaBAT и оценили его способность реконструировать геномы с использованием как синтетических, так и реальных наборов метагеномных данных.Применение MetaBAT к крупномасштабным сложным данным о человеческом микробиоме восстанавливает сотни высококачественных бинов с геномом, включая многие, пропущенные альтернативными инструментами. Необязательный этап последующей обработки улучшает общее качество биннинга.

Одним из ограничений этого исследования является выбор оптимальных параметров для биннинга. MetaBAT не выбирает параметры биннинга автоматически на основании базовых данных. Вместо этого MetBAT предоставляет пять предустановленных условий, которые позволяют пользователю выбирать различные уровни чувствительности и специфичности (подробности см. В интерактивном Руководстве по программному обеспечению).Пользователям настоятельно рекомендуется изучить различные пресеты для достижения наилучшего результата. Еще одним ограничением этого исследования является выбор наборов данных. Поскольку основной целью было представить новый алгоритм объединения метагенома, мы выбрали только синтетический набор данных, небольшой набор данных реального мира и большой набор данных реального мира, чтобы протестировать производительность MetaBAT и сравнить его с альтернативами. Однако микробные сообщества могут сильно различаться по составу и структуре. Подобные сравнения, примененные к другому набору данных, могут дать разные результаты.Пользователям также рекомендуется систематически оценивать различные связующие элементы в конкретном наборе данных для сравнения производительности или объединять результаты различных инструментов для комплексного объединения.

Несмотря на то, что все методы биннинга, оцениваемые в этом исследовании, основаны на TNF, совместном изобилии или обоих, основные алгоритмы сильно отличаются друг от друга. Алгоритм, реализованный в MetaBAT, отличается от существующих методов несколькими способами. Во-первых, MetaBAT использует разные размеры контигов для расчета вероятностей заднего ФНО.Во-вторых, MetaBAT динамически взвешивает TDP и ADP в зависимости от количества выборок. Ни один из существующих инструментов не использует эти два метода. Наконец, MetaBAT использует масштабируемую эвристику для итеративной кластеризации контигов. Чтобы вычислить матрицу парных расстояний contig, необходимую для кластеризации, MetaBAT не требует большого количества выборок, поскольку он использует интеграцию TDP и ADP (когда размер выборки небольшой, на TDP помещается больший вес, см. Методы). Напротив, алгоритм кластеризации, используемый в Canopy (Nielsen et al., 2014) требует большого количества выборок, поскольку оно основано на коэффициентах корреляции Пирсона.

Одним из заметных улучшений MetaBAT по сравнению с другими автоматизированными инструментами является его вычислительная эффективность. В дополнение к низкому требованию к памяти и высокой скорости вычислений, если запустить несколько циклов биннинга для точной настройки параметров в большом наборе данных (по умолчанию MetaBAT мало оптимизирует параметры), MetaBAT может быть еще быстрее, поскольку он сохраняет промежуточные вычисления. Например, биннинг с ~ 1M contigs и ~ 1K выборок во второй раз занимает всего несколько минут.

Перед применением MetaBAT необходимо учитывать несколько моментов. Одним из важных соображений является минимальное количество образцов, необходимое для разумной производительности биннинга. Хотя MetaBAT может работать только с одним образцом или даже в режиме «только TNF» для биннинга, как показано на рис. S6, наш общий совет заключается в том, что большее количество разнообразных образцов обеспечивает лучшие результаты биннинга. Чем больше разброс численности среди образцов целевого вида, тем больше вероятность того, что MetaBAT даст хороший геномный бин для этого вида.Второе соображение — это качество сборки метагенома. Мы не ожидаем, что биннинг будет хорошо работать с плохими сборками метагенома, например сборками, включающими много маленьких контигов менее 1 КБ, поскольку метрики расстояния, рассчитанные для маленьких контигов, не будут очень надежными.

Дополнительная информация

,

Pevzner v. 1397 E. 2nd, LLC, 96 A.D.3d 921

DANIEL D. ANGIOLILLO

Wingate, Russotti & Shapiro, LLP, Нью-Йорк, Н.Ю. (Джозеф П. Стодуто, адвокат), для заявителей. Gannon, Rosenfarb, Balletti & Drossman, Нью-Йорк, Нью-Йорк (Лиза Л. Гохулсингх, адвокат), для респондентов.
ДЭНИЕЛ Д. АНДЖОЛИЛЛО, J.P., АНИТА Р. ФЛОРИО, АРИЭЛЬ Э. БЕЛЕН и ЧЕРИЛ Э. ЧАМБЕРС, JJ.

В иске о возмещении ущерба за телесные повреждения и т. Д.жалоба истцов, ограниченная их кратким изложением, была вынесена по большей части постановлением Верховного суда графства Кингс (Эш, Дж.) от 17 октября 2011 г., которое было удовлетворено этой ветвью ходатайства ответчиков 1397 E. 2nd, LLC, и FTC Management, Inc., которая вынесла решение по делу, отклонив жалобу, если она была заявлена ​​против них.

ПОСТАНОВИЛ, что приказ отменен в той мере, в какой это было обжаловано в законе, с затратами, и что ответвление ответчика 1397 E. 2nd, LLC, и FTC Management, Inc., который был для упрощенного судебного решения отклонить жалобу, поскольку заявлено против них отказано.

Пострадавший истец предположительно упал и получил травмы, когда шел по Восточной 2-й улице в Бруклине, когда он ступил на грунтовую площадку рядом с бордюром размером примерно три фута на три фута. Пострадавший истец и его жена, производные по иску, начали это действие, в частности, против примыкающего владельца 1397 E. 2nd, LLC и его управляющего агента, FTC Management, Inc.(здесь и далее вместе). По их ходатайству, в частности, в отношении упрощенного судебного решения об отклонении жалобы, поскольку она была заявлена ​​против них, авторы утверждали, что предполагаемый рассматриваемый дефект представлял собой скважину, принадлежащую городу, которую они не должны были поддерживать. Верховный суд удовлетворил их ходатайство. Истцы подали апелляцию, и мы отменили порядок, если он был обжалован.

Вопреки утверждениям истцов, предложение было своевременно сделано в течение 60 дней после подачи примечания о выпуске (см. CPLR 3212 [a]; Правила единого гражданского термина Верховного суда округа Кингс, Часть C, Правило 6 [ранее Правило 13) ]), а Верховный суд проворно рассмотрел неподтвержденные стенограммы показаний, представленные в поддержку ходатайства, поскольку они были заверены журналистами, и истцы не оспаривали их точность ( см. Залот против.Zieba, 81 A.D.3d 935, 917 N.Y.S.2d 285; см. Также ( Родригес против Ryder Truck, Inc., 91 A.D.3d 935, 937 N.Y.S.2d 602). Однако доказательства, представленные участниками, не доказали их prima facie права на судебное решение с точки зрения закона.

Административного кодекса города Нью-Йорка, § 7–210, который вступил в силу 14 сентября 2003 года, перенес ответственность за причинение вреда за травмы, возникшие из-за неисправного тротуара из города Нью-Йорка, на примыкающего собственника имущества.Однако ствол дерева не подпадает под применимое определение административного кодекса «тротуар» и, таким образом, «раздел 7–210 не налагает гражданскую ответственность на владельцев имущества за травмы, которые происходят в колодцах деревьев, принадлежащих городу» ( Vucetovic v Epsom Downs, Inc., 10 NY3d 517, 521, 860 NYS2d 429, 890 NE2d 191; см. Веллиос против Green Apple, 84 AD3d 1356, 923 NYS2d 895; Teitelbaum v. Crown Hgts. Assn. Для улучшения, 84 AD3d 935, 922 N.Y.S.2d 544; Грир против 35–63 Realty, Inc., 70 A.D.3d 772, 895 N.Y.S.2d 149). Здесь, мятежники не смогли установить, prima facie, что предполагаемый дефект представлял собой городской ствол дерева, который они не обязаны были обслуживать ( см. Харакидас против города Нью-Йорк, 86 AD3d 624, 626, 927 NYS2d 673; ср. Vellios v. Green Apple, 84 AD3d 1356, 923 NYS2d 895; Grier v. 35–63 Realty, Inc., 70 AD3d по 772–773, 895 NYS 2d 149).Кроме того, владельцы не смогли выполнить свое бремя демонстрации, prima facie, что они не создали предположительно опасного состояния и не имели фактического или конструктивного уведомления о его существовании в течение достаточного периода времени, чтобы обнаружить и исправить его ( см. Харакидас против Город Нью-Йорк, 86 AD3d в 627, 927 NYS2d 673). Поскольку владельцы не смогли установить свое право на судебное решение с точки зрения закона, нам не нужно пересматривать достаточность оппозиционных документов истцов ( см. Winegrad v.Нью-Йорк Univ. Med. Ctr., 64 N.Y.2d 851, 487 N.Y.S.2d 316, 476 N.E.2d 642).

Соответственно, Верховный суд должен был отклонить ту часть ходатайства, которая была направлена ​​на упрощенное решение, отклонив жалобу, поскольку она была подана против участников движения.

Минутку …

Пожалуйста, включите Cookies и перезагрузите страницу.

Этот процесс автоматический. Ваш браузер будет перенаправлен на запрошенный контент в ближайшее время.

Пожалуйста, подождите до 5 секунд …

+ ((! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! [] + !! [] + []) + (+ !! []) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! []) + (! + [] + (!! []) + !! [] + !! [] + !! []) + (+ [] — (!! []!)) + (+ [] + (!! [ ]) + !! [] + !! []) + (+ [] + (!! []) — []) + (+ [] + (!! []) + !! [] +! ! []) + (! + [] + (!! []) + !! [])) / + ((! + [] + (!! []) + !! [] + []) + ( ! + [] — (!! [])) + (! + [] — (!! [])) + (+ [] + (!! [!]) — []) + (+ [] + (!! []) + !! [] + !! []) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! []) + (! + [] + (!! []) + !! [] + !! [] + !! []) + (+ !! []) + (! + [] + (!! []) + !! [] + !! []))

+ ((! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! [] + !! [] + []) + (+ !! []) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! []) + (! + [] + (!! []) + !! [] + !! [] + !! []) + (! + [] — (!! [])) + (+ [] + (!! [!]) + !! [] + !! []) + (+ [] + (!! [!]) — []) + (! + [] + (!! []) + !! [] + !! [] + !! []) + (! + [] + (!! []) + !! [])) / + ((! + [] + (!! []) + !! [] + !! [] + !! [] + []) + (! + [] + (!! []) + !! [] + !! [] + !! []) + (! + [] + (!! []) + !! []) + (+ [] — (!! []!)) + (+ [] + (!! []) + !! [] + !! [] + !! [] + !! []) + (! + [] + (!! []) + !! [] + !! [ ] + !! []) + (! + [] + (!! []) + !! [] + !! [] + !! []) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! []) + (! + [] + (!! []) — []))

+ ((! + [] + (! ! []) + !! [] + !! [] + !! [] + !! [] + !! [] + !! [] + []) + (! + [] + (!! [] ) + !! []) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! [] + !! []) + (+ [] — (!! []!)) + (+ [] + (!! []) + !! [] + !! []) + (+ !! []) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! []) + (! + [] + (!! []) + !! [] + !! []) + (+ !! [])) / + ((! + [ ] + (!! []) — [] + []) + (! + [] + (!! []) + !! [] + !! [] + !! []) + (+ [] — (!! [])) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! []) + (+ [] + ( !! []) + !! [] + !! [] + !! [] + !! [] + !! [] + !! [] + !! []) + (! + [] + (! ! []) + !! []) + (+ !! []) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! [ ]) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! []))

+ ((! + [ ] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! [] + []) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! [] + !! [] + !! []) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! []) + (+ [] — (!! []!)) + (+ [] — (!! [ ])) + (! + [] + (!! []) + !! []) + (! + [] + (!! []) + !! [] + !! []) + (! + [] + (!! []) + !! []) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] +! ! [])) / + ((! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! [] + []) + (! + [] + (!! []) — []) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! []) + (! + [] + (!! []) + !! [] + !! [] + !! []) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! [] + !! [] + !! []) + (+ [] + (!! [!]) — []) + (+ [ ] + (!! []) + !! [] + !! [] + !! [] + !! []) + (! + [] + (!! []) + !! [] + !! []) + (! + [] + (!! []) + !! [] + !! [] + !! []))

+ ((! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! [] +! ! [] + []) + (+ !! []) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] +! ! []) + (! + [] + (!! []) + !! [] + !! [] + !! []) + (+ [] — (!! [])) + (! + [] + (!! []) + !! [] + !! []) + (+ [] + (!! [!]) — []) + (+ [] + (!! [] ) + !! [] + !! [] + !! []) + (! + [] + (!! []) + !! [])) / + ((! + [] + (!! [ ]) + !! [] + !! [] + !! [] + !! [] + []) + (! + [] + (!! []) + !! []) + (! + [ ] + (!! []) + !! [] + !! [] + !! []) + (+ [] — (!! []!)) + (+ [] + (!! [] ) + !! [] + !! []) + (+ [] -! (!! [])) + (+ [] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! [] + !! []) + (+ [] — (!! []) (! + [] + (!! [])) + + !! [] + !! [] + !! []))

+ ((! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! [] + !! [] + !! [] + []) + (! + [] + (!! []) + !! [] + !! []) + (+ !! [] (! + [] —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— (!! [])) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! [] + !! [] + !! []) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! [ ]) + (! + [] + (!! []) + !! []))

+ ( (! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! [] + !! [] + !! [] + [] ) + (! + [] + (!! []) — []) + (+ [] — (!! [])) + (! + [] + (!! []) + !! [] + !! []) + (+ !! []) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! [] + !! [] + !! []) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! [ ] + !! []) + (+ [] + (!! [!]) — []) + (! + [] + (!! []) + !! [])) / + ((+ [] + (!! []) — [] + []) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! [] + !! [] + !! []) + (+ [] + (!! []) — (! + [] + (!! []) []) + + !! [] + !! [] ) + (+ [] — (!! []!)) + (! + [] + (!! []) + !! [] + !! [] + !! []) + (+ [] + (!! []) + !! [] + !! []) + (! + [] + (!! []) + !! [] + !! [] + !! [] + !! [ ] + !! []) + (! + [] + (!! []) + !! [] + !! [] + !! []))

.

по Цельсию в градусы Фаренгейта | ° C до ° F

Формат DecimalFractions

Точность Выберите разрешение 1 значимая фигура 2 значимые цифры 3 значимых цифры 4 значимых цифры 5 значимых цифр 6 значимых цифр 7 значимых цифр 8 значимых цифр

Примечание. Дробные результаты округлены до ближайшей 1/64.Для более точного ответа, пожалуйста, выберите «десятичный» из вариантов над результатом.

Примечание. Точность этого ответа можно увеличить или уменьшить, выбрав необходимое количество значащих цифр в параметрах над результатом.

Примечание. Для получения чисто десятичного результата выберите «десятичный» из параметров над результатом.

Простое, быстрое преобразование ° C в ° F

Преобразование в

по Цельсию в градусы Фаренгейта, вероятно, является наиболее запутанным преобразованием, но простое преобразование ° C в ° F на самом деле довольно просто — просто удвойте значение ° C и прибавьте 30.Это должно быть достаточно точным для погодных условий.

Абсолют Ноль	-273,15 ° C	-459,67 ° F
Паритет	-40,00 ° C	-40 ° F
Точка замерзания	0 ° C	32 ° F
Температура тела	37 ° C	98.6 ° F
Точка кипения	100 ° C	212 ° F

по Цельсию и Фаренгейту определение

Диапазон температур Цельсия был первоначально определен, устанавливая ноль как температуру, при которой вода замерзла. Нулевые градусы С были позже переопределены как температура, при которой лед тает. Другая точка, в которой был установлен градус Цельсия — 100 градусов Цельсия — была определена как точка кипения воды.

С момента своего определения шкала Цельсия была переопределена, чтобы привязать ее к Кельвину. Нулевые градусы Цельсия теперь определены как 273,15K. Поскольку один градус Цельсия равен одному Кельвину, температура кипения воды равна 273,15 + 100 = 373,15 Кельвина.

Диапазон температур Фаренгейта основан на установке температуры замерзания воды на 32 градуса и кипения до 212 градусов. Это означает, что температура кипения и замерзания составляет 180 градусов. Абсолютный ноль определяется как -459.67 ° F.

по Цельсию в градусах Фаренгейта

° F =

° C * 1,8000

+ 32,00

Почему преобразование Цельсия в Фаренгейт так сложно?

Потому что шкалы Цельсия и Фаренгейта смещены, т.е. ни одна из них не определена как начинающаяся с нуля. Кроме того, на каждую дополнительную единицу тепловой энергии шкалы Цельсия и Фаренгейта добавляют различное дополнительное значение. Из-за этой установки невозможно сказать, что удвоение значения ° C или ° F удваивает количество тепловой энергии, поэтому трудно получить интуитивное представление о том, сколько энергии на самом деле составляет 1 градус Фаренгейта или Цельсия.

Единственная система температуры, которая работает интуитивно — где удвоение значения удваивает энергию — это Кельвин, где абсолютный ноль равен 0, температура тела составляет 310,15 К, а кипящая вода равна 373,15 К. Проблема с шкалой Кельвина состоит в том, что нулевой конец шкалы слишком далек от человеческого опыта, чтобы быть полезным — как засвидетельствует любой, кто установит свою комнатную температуру на уровне 20,5 Кельвина, если они будут жить достаточно долго.

В чем разница между градусами Цельсия и Цельсия?

Это просто соглашение об именах.Градусы Цельсия и градусы Цельсия — это одно и то же. Градусы Цельсия (изобретенные Андерсом Цельсием) иногда называют Цельсиями, потому что шкала была определена между 0 и 100 градусами, следовательно, шкала Цельсия означает шкалу, состоящую из 1/100.

Общие преобразования из Цельсия в Фаренгейт

• 25 ° C = 77 ° F
• 30 ° C = 86 ° F
• 33 ° C = 91,4 ° F
• 35 ° C = 95 ° F
• 40 ° C = 104 ° F
• 180 ° C = 356 ° F

Распространенные орфографические ошибки по Цельсию

Распространенные орфографические ошибки по Фаренгейту

• Фаренгейт
• Фаренгейт
• Ференгейт
• Ferenheight
• Ferinheit
• Ferinheight
• по Фаренгейту
• Fahenhiet

,