Содержание

• Что такое RiboGrove
  • RiboGrove и другие базы данных 16S рРНК
  • Категории геномов
• Файлы
  • Актуальный выпуск RiboGrove — 24.230
  • Архив выпусков RiboGrove
  • Комментарии к выпуску
• Статистическое описание
  • Размер базы данных RiboGrove
  • Длина генов 16S рРНК
  • Число копий генов 16S рРНК
  • Топ-10 самых длинных генов 16S рРНК
  • Топ-10 самых коротких генов 16S рРНК
  • Tоп-10 геномов с наибольшим числом копий генов 16S рРНК
  • Tоп-10 геномов с наибольшей внутригеномной изменчивостью генов 16S рРНК
  • Спектр действия пар праймеров к разным V-участкам бактериальных генов 16S рРНК
• Поиск данных в базе данных RiboGrove
  • Формат заголовка
  • Выборка последовательностей по заголовку
  • Выборка последовательностей по длине
  • Извлечение информации из заголовков последовательностей
• Контакты
• Цитирование RiboGrove
• Вопросы, которые возникают у людей про RiboGrove

Что такое RiboGrove

RiboGrove — это база данных последовательностей генов 16S рРНК бактерий и архей.

RiboGrove основывается на базе данных RefSeq. RiboGrove содержит только полноразмерные последовательности генов 16S рРНК, а сами последовательности взяты из полностью собранных геномов прокариот, депонированных в RefSeq. Поэтому мы постулируем высокую надёжность последовательностей, содержащихся в RiboGrove.

RiboGrove и другие базы данных 16S рРНК

Таблица ниже показывает, чем (качественно) RiboGrove отличается от схожих баз данных последовательностей РНК, а именно rrnDB, Silva, RDP и Greengenes. Говоря коротко, RiboGrove уступает аналогам по количеству последовательностей и их разнообразию, но превосходит по достоверности последовательностей.

Категории геномов

Все геномы, из которых брались данные для создания RiboGrove, были разделены на три категории по их достоверности:

1. Категория 1 (наибольшая достоверность). Геномы, которые не демонстрируют признаков низкокачественной сборки и которые были секвенированы с помощью технологии PacBio либо комбинации (Oxford Nanopore + Illumina).
2. Категория 2. Геномы, которые не демонстрируют признаков низкокачественной сборки, секвенированные с помощью любой другой технологии (либо те, для которых технология секвенирования не была указана).
3. Категория 3 (наименьшая достоверность). Геномы, которые демонстрируют хотя бы один признак низкокачественной сборки.

Признаки низкокачественной сборки:

• Геном содержит хотя бы одно вырожденное основание в последовательностях его генов 16S рРНК.
• Сборка генома содержит хотя бы одну запись базы данных RefSeq, в названии которой есть фраза «map unlocalized», и эта запись содержит последовательность гена 16S рРНК либо его часть.

Программы, с помощью которых RiboGrove была создана, доступны в репозитории на ГитХабе: ribogrove-tools.

Файлы

Актуальный выпуск RiboGrove — 24.230 (2025-05-08)

Выпуск RiboGrove 24.230 основан на данных, полученных из базы данных RefSeq версии 230.

• Fasta-файл полноразмерных последовательностей генов 16S рРНК. Скачать (gzipʼнутый fasta-файл, 10,34 Мб)
• Метаданные. Скачать (zip-архив 6,84 Мб)
  
  Какая именно информация содержится в метаданных?

  Метаданные содержат следующие файлы:

  1. discarded_sequences.fasta.gz
     Это fasta-файл, который содержит последовательности, которые присутствовали в исходных геномах, были пры этом аннотированы как гены 16S рРНК, но которые были „забракованы“ (discarded) из-за их неполноты, наличия внутригенных повторов и т.д. Таким образом, эти последовательности не включены в RiboGrove.
  2. source_RefSeq_genomes.tsv
     Это TSV-файл, который содержит информацию про то, какие геномы использовались для создания RiboGrove.
  3. gene_seqs_base_counts.tsv, discarded_gene_seqs_base_counts.tsv
     Это TSV-файлы, которые содержат информацию про нуклеотидный состав и размер последовательностей генов. Первый файл их этих двух описывает финальные последовательности, включенные в RiboGrove, а второй — „забракованые“ последовательности.
  4. categories.tsv
     Это TSV-файл, который содержит информацию про категорию каждого генома, который был использован для создания RiboGrove. Также в этом файле есть информация про технологии, которые использовались для секвенирования этих геномов.
  5. taxonomy.tsv
     Это TSV-файл, который содержит таксономическую принадлежность каждого генома и гена.
  6. intragenic_repeats.tsv
     Это TSV-файл, который содержит информацию про внутригенные повторы в последовательностях генов, обнаруженные с помощью программы RepeatFinder.
  7. entropy_summary.tsv
     Это TSV-файл, который содержит информацию про внутригеномную изменчивость генов 16S рРНК. Внутригеномную изменчивость вычисляли только для геномов категории 1, в которых есть хотя бы два гена 16S рРНК. Для оценки изменчивости использовали энтропию Шеннона: выравнивали последовательности генов каждого генома с помощью программы MAFFT, и после этого вычисляли энтропию для каждого столбца множественного выравнивания.
  8. primer_pair_genomic_coverage.tsv
     Это TSV-файл, который содержит геномное покрытие пар ПЦР-праймеров к разным V-участкам генов 16S рРНК. Например, для семейства Enterobacteriaceae геномное покрытие пары праймеров — это процент геномов Enterobacteriaceae, которые содержат как минимум один ген 16S рРНК, на матрице которого (теоритично) может сформироваться ПЦР-продукт с помощью этой пары праймеров.

Fasta-файл сжат с помощью программы gzip, а метаданные — с помощью программы zip. Чтобы разархивировать их, пользователи Linux и Mac OS могут воспользоваться программами gzip и zip, соответственно; эти программы должны быть предустановлены. Пользователи же Windows могут воспользоваться бесплатной программой 7-Zip.

Архив выпусков RiboGrove

Вы можете найти все выпуски RiboGrove в архиве выпусков RiboGrove.

Комментарии к выпуску

Нет принципиальных отличий от предыдущего выпуска.

Комментарии ко всем выпускам RiboGrove можно найти на странице комментариев к выпускам.

Статистическое описание

^* Метрики, помеченные звёздочкой, были рассчитаны с предварительной нормализацией данных, а именно: медианные значения длины внутри каждого вида использовались для расчёта этих метрик.

^* Медианное число копий в пределах вида.

^* SeqID — это идентификатор последовательности RiboGrove.

^* SeqID — это идентификатор последовательности RiboGrove.

^* Энтропия в данном случае — это энтропия Шеннона, вычисленная для каждого столбца множественного выравнивания полноразмерных последовательностей генов 16S рРНК индивидуального генома. Вычисленная энтропия далее суммировалась (столбец «Сумма энтропии») или усреднялась (столбец «Средняя энтропия»).

^** Halomicrobium sp. ZPS1 — показательный случай. В этом геноме два гена 16S рРНК, поэтому энтропия равна количеству нуклеотидов, которые не совпадают в их последовательностях. Вычислив процент идентичности (сокращённо ПИ) последовательностей этих двух генов, получим 90,70%! Напомним, что за порог ПИ последовательностей генов 16S рРНК для отнесения организмов да отдельных родов обычно принимают (впрочем, произвольно) значение 95%.

Спектр действия^* пар праймеров к разным V-участкам бактериальных генов 16S рРНК

^* Спектр действия пары праймеров — это процент геномов, которые содержат как минимум один ген 16S рРНК, который возможно амплифицировать с помощью ПЦР используя эту пару праймеров. Подробности описаны в нашей статье про RiboGrove.

В таблицах ниже можно найти спектры действия пар праймеров, которые обычно используются для амплификации бактериальных и архейных генов 16S рРНК („бактериальные“ и „архейные“ праймеры).

Есть более подробная таблица — в файле primer_pair_genomic_coverage.tsv в метаданных metadata. Та таблица содержит спектры действия не только для отделов (phyla), но и для каждого класса, порядка, семейства, рода и вида. Кроме того, та таблица содержит спектры действия для дополнительных пар праймеров, а именно: 1115F-1492R, 349f-519r, 1106F-Ar1378R, 1106F-SSU1492Rngs, SSU1ArF-SSU468R, SSU1ArF-SSU520R. В таблицах ниже нет этих пар, чтобы таблицы не были слишком громоздкими.

Поиск данных в базе данных RiboGrove

RiboGrove — очень минималистичная база данных: она представляет собой несколько файлов в формате fasta, а также метаданные. Поэтому, расширенные средства поиска для неё недоступны. Мы признаём эту проблему и оставляем рекомендации по поиску данных в RiboGrove. Рекомендации помогут вам изучать и делать выборки данных из БД RiboGrove.

Формат fasta-заголовка

Fasta-файлы, составляющие базу данных RiboGrove имеют следующий формат заголовка:

>GCF_000978375.1:NZ_CP009686.1:8908-10459:plus ;d__Bacteria;p__Firmicutes;c__Bacilli;o__Bacillales;f__Bacillaceae;g__Bacillus;s__cereus; category:1

Основные части заголовка отделены друг от друга пробелами. Заголовок состоит из трёх таких частей:

1. Идентификатор последовательности (seqID): GCF_000978375.1:NZ_CP009686.1:8908-10459:plus. SeqID, в свою очередь, состоит из четырёх частей, отделённых друг от друга двоеточиями (:):
   1. Код доступа сборки генома, которому принадлежит последовательность гена: GCF_000978375.1.
   2. Код доступа геномной последовательности из БД RefSeq, которой принадлежит последовательность гена: NZ_CP009686.1.
   3. Координаты гена в пределах геномной последовательности из RefSeq: 8908-10459 (отсчёт координат начинается с единицы, правая и левая координаты включены в интервал).
   4. Знак цепи геномной последовательности из RefSeq, на которой расположен ген: plus (либо minus).
2. Строка таксономии, а именно названия домена (Bacteria), отдела (Firmicutes), класса (Bacilli), порядка (Bacillales), семейства (Bacillaceae) и рода (Bacillus), а также видовой эпитет (cereus).
   Перед каждым названием пишется префикс, который обозначает ранг: d__ для домена, p__ для отдела, c__ для класса, o__ для порядка, f__ для семейства, g__ для рода и s__ для видового эпитета. В префиксах после буквы пишутся два знака нижнего подчёркивания.
   Названия разделены и окружены точками с запятой (;).
3. Категория генома, и которого происходит ген: (category:1).

Выборка последовательностей

Отбирать последовательности из fasta-файлов можно с помощью программы Seqkit (ГитХаб-репозиторий, документация). Это бесплатная, кроссплатформенная, многофункциональная и весьма шустрая программа; она может обрабатывать gzipʼнутые и простые fasta-файлы. Для выборки данных из fasta-файлов удобно использовать программы seqkit grep и seqkit seq.

Выборка последовательностей по заголовку

Пусть мы делаем выборку из файла ribogrove_6.212_sequences.fasta.gz. Полезными могут быть следующие примеры команд для выборки последовательностей с помощью seqkit grep:

Пример 1. Выбрать индивидуальную последовательность по идентификатору (seqID).

seqkit grep -p "GCF_000978375.1:NZ_CP009686.1:8908-10459:plus" ribogrove_24.230_sequences.fasta.gz

Опция -p задаёт строку, которую программа будет искать в fasta-заголовках (на самом дела, только в той части заголовков, в которой записан seqID).

Пример 2. Выбрать все последовательности генов, которые происходят из индивидуальной геномной последовательности из БД RefSeq, по коду доступа геномной последовательности NZ_CP009686.1.

seqkit grep -nrp ":NZ_CP009686.1:" ribogrove_24.230_sequences.fasta.gz

Тут, нужно указывать ещё две опции: -n и -r. Первая указывает программе, что ей следует искать вхождение строки-запроса в заголовках целиком, а не только в seqID. Вторая опция указывает программе, что ей следует искать не только полные совпадения (строка-запрос идентична полному заголовку), но и частичные (когда строка-запрос является подстрокой заголовка).

Чтобы обеспечить специфичность поиска, окружайте код доступа двоеточиями (:).

Пример 3. Выбрать все последовательности генов индивидуального генома (код доступа геномной сборки GCF_019357495.1).

seqkit grep -nrp "GCF_019357495.1:" ribogrove_24.230_sequences.fasta.gz

Чтобы обеспечить специфичность поиска, пишите двоеточие (:) после кода доступа сборки.

Пример 4. Выбрать все последовательности генов актинобактерий.

seqkit grep -nrp ";p__Actinobacteria;" ribogrove_24.230_sequences.fasta.gz

Чтобы обеспечить специфичность поиска, стоит окружать названия таксонов точками с запятой (;).

Пример 5. Выбрать все последовательности генов, которые происходят из геномов 1-й категории.

seqkit grep -nrp "category:1" ribogrove_24.230_sequences.fasta.gz

Пример 6. Выбрать все последовательности генов, кроме тех, которые принадлежат фирмикутам.

seqkit grep -nvrp ";p__Firmicutes;" ribogrove_24.230_sequences.fasta.gz

Обратите внимание на опцию -v внутри строки с опциями (-nvrp). Эта опция инвертирует поведение программы, и теперь она находит только те последовательности, в заголовках которых нет подстроки «;p__Firmicutes;».

Выборка последовательностей по длине

Отбирать последовательности по длине можно с помощью программы seqkit seq.

Пример 1. Выбрать все последовательности длиннее 1600 п.н.

seqkit seq -m 1601 ribogrove_24.230_sequences.fasta.gz

Опция -m указывает программе минимальную длину последовательности, которую программа подаст на выход.

Пример 2. Выбрать все последовательности короче 1500 п.н.

seqkit seq -M 1499 ribogrove_24.230_sequences.fasta.gz

Опция -M указывает программе максимальную длину последовательности, которую программа подаст на выход.

Пример 3. Выбрать все последовательности, длина которых находится в промежутке [1500, 1600] п.н.

seqkit seq -m 1500 -M 1600 ribogrove_24.230_sequences.fasta.gz

Извлечение информации из заголовков последовательностей

Это можно сделать с помощью программы seqkit seq.

Пример 1. Выбрать все заголовки.

seqkit seq -n ribogrove_24.230_sequences.fasta.gz

Опция -n указывает программе подавать на выход только fasta-заголовки.

Пример 2. Выбрать все идентификаторы последовательностей (части заголовков до первого пробела).

seqkit seq -ni ribogrove_24.230_sequences.fasta.gz

Опция -i указывает программе подавать на выход только идентификаторы последовательностей.

Пример 3. Выбрать все коды доступа геномных последовательностей из базы данных RefSeq.

seqkit seq -ni ribogrove_24.230_sequences.fasta.gz | cut -f2 -d':' | sort | uniq

Такая команда сработает успешно, если в вашей системе установлены программы cut, sort и uniq (в системах Linux и Mac OS эти программы обычно предустановлены).

Пример 4. Выбрать все коды доступа геномных сборок.

seqkit seq -ni ribogrove_24.230_sequences.fasta.gz | cut -f1 -d':' | sort | uniq

Такая команда сработает успешно, если в вашей системе установлены программы cut, sed, sort и uniq (в системах Linux и Mac OS эти программы обычно предустановлены).

Пример 5. Выбрать все названия отделов организмов.

seqkit seq -n ribogrove_24.230_sequences.fasta.gz | grep -Eo ';p__[^;]+' | sed -E 's/;|p__//g' | sort | uniq

Такая команда сработает успешно, если в вашей системе установлены программы grep, sed, sort и uniq (в системах Linux и Mac OS эти программы обычно предустановлены).

Контакты

Если у вас есть вопрос про RiboGrove, пожалуйста, обращайтесь к Максиму Сиколенко на эл. адрес sikolenkombio.bas-net.by или maximdeynonihgmail.com.

Цитирование RiboGrove

Если RiboGrove была полезна вам в вашей работе, пожалуйста, цитируйте следующую публикацию:

Maxim A. Sikolenko, Leonid N. Valentovich. “RiboGrove: a database of full-length prokaryotic 16S rRNA genes derived from completely assembled genomes” // Research in Microbiology, Volume 173, Issue 4, May 2022, 103936.
(ЦИО: 10.1016/j.resmic.2022.103936).

Вопросы, которые возникают у людей про RiboGrove

RiboGrove, 08.05.2025