RiboGrove

Зміст

• Що таке RiboGrove
  • RiboGrove і інші бази даних 16S рРНК
  • Категорії геномів
• Файли
  • Актуальний реліз RiboGrove — 24.230
  • Архів релізів RiboGrove
  • Коментарі до релізу
• Статистичний опис
  • Розмір RiboGrove
  • Довжина генів 16S рРНК
  • Кількість копій генів 16S рРНК
  • Топ-10 найдовших генів 16S рРНК
  • Топ-10 найкоротших генів 16S рРНК
  • Топ-10 геномів за найбільшею кілкістю копій генів 16S рРНК
  • Топ-10 геномів за найбільшею мінливістю генів 16S рРНК
  • Спектр дії пар праймерів до різних V-регіонів бактеріальних генів 16S рРНК
• Пошук даних у RiboGrove
  • Формат заголовку
  • Вибір послідовностей по заголовку
  • Вибір послідовностей по довжині
  • Вибір даних заголовків
• Контакти
• Цитування RiboGrove
• Питання, які люди задають про RiboGrove

Що таке RiboGrove

RiboGrove — це база даних послідовностей генів 16S рРНК бактерій та архей.

RiboGrove базується на базі даних RefSeq. RiboGrove утримує тільки повнорозмірні послідовності генів 16S рРНК, а самі послідовності походять із повністю зібраних геномів прокаріотів, депонуваних у RefSeq. Тому ми постулюємо високу надійність послідовностей, розміщених у RiboGrove.

RiboGrove і інші бази даних 16S рРНК

Таблиця нижче показує, чим (якісно) RiboGrove відрізнювається від подібних баз даних послідовностей РНК, а саме rrnDB, Silva, RDP та Greengenes. Кажучи коротко, RiboGrove менша за аналоги щодо кількості послідовностей та їх різноманітності, але виграє у надійності послідовностей.

Категорії геномів

Всі геноми, з якіх бралися дані для створення RiboGrove, були розділені на три категорії згідно з їхньою надійностю:

1. Категорія 1 (найбільша надійність). Геноми, які не демонструють прикмет низкоякісної збірки і які були секвенувані за допомогою технології PacBio або комбінації (Oxford Nanopore + Illumina).
2. Категорія 2. Геноми, які не демонструють прикмет низкоякісної збірки, секвенувані за допомогою будь-якої іншої технології (або ті, для яких технологія секвенування не була задекларувана).
3. Категорія 3 (найменша надійність). Геноми, які демонструють принаймні одну прикмету низкоякісної збірки.

Прикмети низкоякісної збірки

• Геном утримує принаймні одну звироднілу основу у послідовностях його генів 16S рРНК.
• Збірка генома утримує принаймні один запис бази даних RefSeq, у назві якої є фраза «map unlocalized», і цей запис утримує послідовность гена 16S рРНК або його частину.

Програми, за допомогую яких RiboGrove була створена, знаходиться у наступному ҐітХаб-репозиторії: ribogrove-tools.

Завантаження

Актуальний реліз RiboGrove — 24.230 (2025-05-08)

Реліз заснований на базі даних RefSeq 230.

• Fasta-файл повнорозмірних послідовностей генів 16S рРНК. Завантажити („ґзіпʼнутий“ fasta-файл, 10,34 Мб)
• Метадані. Завантажити (zip-архів 6,84 Мб)
  
  Яка саме інформація утримується у метаданих?

  Метадані складаються з наступних файлів:

  1. discarded_sequences.fasta.gz
     Це fasta-файл, який утримує послідовності, які були у геномах-джерелах, були при цьому анотувані як гени 16S рРНК, але які були „забракувані“ (discarded) через їхню неповноту, присутність внутрішньогенних повторів і т.д. Отже, ці послідовності не включені до RiboGrove.
  2. source_RefSeq_genomes.tsv
     Це TSV-файл, який утримує інформацію про те, які геноми выкористовувалися для створення RiboGrove.
  3. gene_seqs_base_counts.tsv, discarded_gene_seqs_base_counts.tsv
     Це TSV-файли, які утримують інформацію пра нуклеотидний склад і розмір послідовностей генів. Перший файл із оцих двох описує фінальні послідовності, включені до RiboGrove, а другий — „забракувані“ послідовності.
  4. categories.tsv
     Це TSV-файл, який утримує інформацію про категорію кожного геному, який був використаний для створення RiboGrove. Також у цьому файлі є інформація про технології, які выкористовувалися для секвенування цих геномів.
  5. taxonomy.tsv
     Це TSV-файл, який утримує таксономічну приналежність кожного геному і гена.
  6. intragenic_repeats.tsv
     Це TSV-файл, який утримує інформацію про внутрішьогенні повтори у послідовностях генів, знайдені за допомогою програми RepeatFinder.
  7. entropy_summary.tsv
     Це TSV-файл, який утримує інформацію про внутрішньогеномну мінливість генів 16S рРНК. Внутрішньогеномну мінливість розраховували тільки для геномів категорії 1, у яких є принаймні два гени 16S рРНК. Для оцінки мінливості выкористовували ентропію Шенона: вирівнювали послідовності генів кожного геному за допомогою програми MAFFT, і після розраховували ентропію для кожної колонки множинного вирівнювання.
  8. primer_pair_genomic_coverage.tsv
     Це TSV-файл, який утримує геномне покриття пар ПЛР-праймерів до різних V-регіонів генів 16S рРНК. Наприклад, для родини Enterobacteriaceae геномне покриття пари праймерів — це відсоток геномів Enterobacteriaceae, які утримують принаймні один ген 16S рРНК, на матриці якого (теоретично) може сформуватися ПЛР-продукт за допомогою цієї пари праймерів.

Файл fasta стиснутий за допомогою програми gzip, а файли метаданих стиснуті у zip-архів. Щоби розпакувати їх, користувачі Linux та Mac OS можуть скористатися саме програмамі gzip та zip; оці програми звичайно установлені разом із операційною системою. Користувачам Windows може придатися безкоштовна програма-архіватор 7-Zip.

Архів релізів RiboGrove

Всі попередні релізи можна знайти в архіві релізів RiboGrove. На жаль, він ведеться тільки англійською.

Коментарі до релізу

Цей реліз нічим принципово не відрізнюється від попереднього.

Коментарі до всіх релізів RiboGrove можна знайти на сторінці коментарів до релізів.

Статистичний опис

^* Метрики, позначені зірочкою, розрахувано зі попередньою нормалізацією: вирахуванням медіан довжин генів у межах виду.

^* Медіанна кількість копій у межах виду.

^* SeqID — це ідентифікатор послідовності RiboGrove.

^* SeqID — це ідентифікатор послідовності RiboGrove.

^* Ентропія тут — це ентропія Шеннона, яку розрахувовали для кожної колонки множинного вирівнювання повнорозмірних послідовностей генів 16S рРНК кожного геному. І далі ентропію підсумовували (колонка «Сума ентропії») і усереднювали (колонка «Середня ентропія»).

^** Halomicrobium sp. ZPS1 — показовий випадок. У цьому геномі два гени 16S рРНК, тому ентропія є рівною кількості нуклеотидів, які не співпадають у їхніх послідовностях. Коли підрахувати відсоток ідентичності (скорочено ВІ) послідовностей оцих двох генів, отримуємо 90,70%! Нагадуємо, що за поріг ВІ послідовностей генів 16S рРНК для віднесення організмів до відрізных родів звычайно береться (хоча і довільно) значення 95%.

Спектр дії^* пар праймерів до різних V-регіонів бактеріальних генів 16S рРНК

^* Спектр дії пары праймерів — це видсоток геномів, які мають принаймні один ген 16S рРНК, який можливо заампліфікувати за допомогою ПЛР з застосуванням цієї пари праймерів. Деталі описані у нашому артикулі про RiboGrove.

У таблицях нижче можна знайти спектри дії пар праймерів, які звичайно застосовуються для ампліфікації бактеріальних та архейних генів 16S рРНК („бактеріальні“ і „архейні“ праймери).

Є більш детальна таблиця — у файлі primer_pair_genomic_coverage.tsv у метаданих metadata. Та таблиця утримує спектри дії не тільки для типів (phyla), але і для кожного класу, ряду, родини, роду та виду. Крім того, та таблиця утримує спектри дії для додаткових пар праймерів, а саме: 1115F-1492R, 349f-519r, 1106F-Ar1378R, 1106F-SSU1492Rngs, SSU1ArF-SSU468R, SSU1ArF-SSU520R. У таблицях нижче нема цих пар, щоб таблиці не були занадто великими.

Пошук даних у RiboGrove

RiboGrove — це дуже мінімалістична база даних: вона складається з двох файлів fasta із додатковими метаданими. Отже, розширених засобів пошуку немає. Ми визнаємо цю проблему і залишаємо нижче делілька рекомендацій щодо пошуку даних у RiboGrove.

Формат заголовку

Записи послідовностей RiboGrove у форматі fasta мають наступний формат заголовку:

>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

Основні частини заголовку відокремлені один від одного пробілами. В заголовку повинні бути три такі частини:

1. Ідентифікатор послідовності (SeqID): GCF_000978375.1:NZ_CP009686.1:8908-10459:plus. SeqID, у свою чергу, складається з чотирьох частинок, відокремлених двокрапками:
   1. Код доступу збірки геному, від якого походить послідовність гену: GCF_000978375.1.
   2. Код доступу послідовності RefSeq, від якої походить послідовність гену: NZ_CP009686.1.
   3. Координати гену у цієї геномної послідовності RefSeq: 8908-10459 (нумерація йде з 1-ці, інтервали включають ліві та праві межі).
   4. Ланцюг геномної послідовності, на якій ген знаходиться: plus (або minus).
2. Рядок таксономії, а саме назви домену (Bacteria), типу (Firmicutes), класу (Bacilli), ряду (Bacillales), родини (Bacillaceae) та роду (Bacillus), а також видовий епітет (cereus).
   Перед кожній назвою пишеться префікс, який позначує ранг: d__ для домену, p__ для типу, c__ для класу, o__ для ряду, f__ для родини, g__ для роду і s__ для видового епітету. У префіксах після літеры пишуться два знаки нижнього підкресливання.
   Таксономічні назви відокремлені та оточені крапками з комою (;).
3. Категорія геному, із якого послідовність гену походить: (category:1).

Вибір послідовностей

Відбирати ті чи інші послідовності із файлів fasta можна за допомогою програми Seqkit (ҐітХаб-репозиторій, документація). Це безкоштовна, кросплатформенна, багатофункціональна та доволі швидка програма, яка може обробляти як „ґзіпʼнуті“, так і прості нестиснуті файли fasta. Для відбіру послідовностей зручно выкористовувати програми seqkit grep та seqkit seq.

Вибір послідовностей по заголовку

Нехай ми робимо вибірку з файла ribogrove_24.230_sequences.fasta.gz. Корисними можуть статися наступні приклади команд користання програмою seqkit grep:

Приклад 1. Вибрати одну послідовність по SeqID.

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

Опція -p задає рядок, який програма буде шукати у fasta-заголовках (на самій справі, тільки в тій частині заголовків, де запісаний SeqID).

Приклад 2. Вибрати всі послідовності генів однієї геномної послідовності RefSeq по коду доступу NZ_CP009686.1.

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

Тут потрібні ще дві опціі: -n та -r. Перша вказує програмі шукати підрядки в заголовках цілком, а не тільки в ідентифікаторах (SeqID). Друга опція вказує програмі, що їй треба шукати не тільки ті заголовки, які цілком співпадають із шуканим рядком, а також і ті, які утримують шуканий рядок як свою частину.

Щоб забезпечити специфичність пошуку, оточюйте код доступу двокрапками (:).

Приклад 3. Вибрати всі послідовності генів одного геному (код доступу геномної збірки GCF_019357495.1).

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

Щоб забезпечити специфичність пошуку, пишіть двокрапку (:) після коду доступу збірки.

Приклад 4. Вибрати всі послідовності актинобактерий.

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

Щоб забезпечити специфичність пошуку, оточюйте таксономію крапками з комою (;).

Приклад 5. Вибрати всі послідовності з геномів категорії 1.

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

Приклад 6. Вибрати всі послідовності крім тих, які належать до типу Firmicutes.

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

Зверніть увагу на опцію -v у рядку з опціями -nvrp. Оця опція інвертує поведінку програми, і тепер вона знайде всі послідовності, заголовки яких не утримують рядку «;p__Firmicutes;».

Вибір послідовностей по довжині

Відбірати послідовності по довжині можна за допомогою програми seqkit seq.

Приклад 1. Вибрати всі послідовності довше ніж 1600 п.о.

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

Опція -m задає мінімальну довжину послідовностей, які програма подасть на вихід.

Приклад 2. Вибрати всі послідовності коротше ніж 1500 п.о.

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

Опція -M задає максимальну довжину послідовностей, які програма подасть на вихід.

Приклад 3. Вибрати всі послідовності, довжина яких знаходиться в інтервалі [1500, 1600] п.о.

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

Вибір даних заголовків

Інколи буває корисно одержати тільки дані заголовків із файла fasta. Це можна робити за допомогою програмы seqkit seq.

Приклад 1. Вибрати просто всі заголовки.

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

Опція -n каже програмі, щоби вона подавала на вихід тільки заголовки.

Приклад 2. Вибрати всі ідентифікатори послідовностей (тобто частини заголовків до першого пробіла).

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

Опція -i каже програмі, щоби вона подавала на вихід тільки ідентифікатори.

Приклад 3. Вибрати всі коди доступу геномних послідовностей з БД RefSeq.

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

Така команда спрацює, тільки якщо на компʼютері установлені утиліти cut, sort, та uniq (на Linux та Mac OS оці програми звичайно встановлені разом із сістемою).

Приклад 4. Вибрати всі ідентифікатори геномних збірок.

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

Така команда спрацює, тільки якщо на компʼютері установлені утиліти cut, sed, sort і uniq (на Linux та Mac OS оці програми звичайно встановлені разом із сістемою).

Приклад 5. Вибрати всі назви типів організмів.

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

Така команда спрацює, тільки якщо на компʼютері установлені утиліти grep, sed, sort і uniq (на Linux та Mac OS оці програми звичайно встановлені разом із сістемою).

Контакти

Якщо ви маєте питання щодо RiboGrove, будь ласка, звертайтеся до Максима Сиколенка на ел. адресу sikolenkombio.bas-net.by або maximdeynonihgmail.com.

Цитування RiboGrove

Якщо база даних RiboGrove сталася корисною для ваших досліджень, посилайтеся, будь ласка, на наступну публікацію:

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.
(ЦІО: 10.1016/j.resmic.2022.103936).

Питання, які люди задають про RiboGrove

RiboGrove, 2025-05-08