【原】宏基因组｜使用CheckM2评估分箱质量

简介

CheckM2使用机器学习快速评估基因组bin质量

与CheckM1不同，CheckM2采用通用训练的机器学习模型，无论分类学谱系如何，均可用于预测基因组bin的完整性和污染情况。这使得它能够在训练集中纳入许多仅具有少数（甚至只有一个）高质量基因组代表的谱系，通过将其置于训练集中所有其他生物体的背景下进行分析。得益于这一机器学习框架，CheckM2对于具有缩减基因组或特殊生物学特性的生物体，如Nanoarchaeota或Patescibacteria，也具有极高的准确性。

CheckM2使用两种独立的机器学习模型来预测基因组完整性。其中，“通用”梯度提升模型具有良好的泛化能力，适用于GenBank或RefSeq中代表性不足的生物体（大致相当于在目、纲或门水平上为新物种）。而“特定”神经网络模型在预测与参考训练集相近物种的完整性时更为准确（大致相当于已知物种、属或科中的生物体）。CheckM2通过计算余弦相似度自动确定适用于每个输入基因组的完整性模型，但用户也可以强制使用特定的完整性模型，或者获取两种模型的预测输出。至于污染情况，CheckM2只有一种基于梯度提升的模型，该模型不受不同版本分类学物种注释的影响，适用于所有情况。

安装

mamba env create -f checkm2.yaml
mamba activate checkm2

checkm2.yaml文件如下

names: checkm2
channels:
  - conda-forge
  - bioconda
  - defaults
dependencies:
  - checkm2=1.0.1

下载数据库

官方下载链接

https:///api/files/fd3bc532-cd84-4907-b078-2e05a1e46803/checkm2_database.tar.gz

解压

tar -xf checkm2*z

使用

checkm2 predict \
    --threads 16 \
    --input ./Bin/ \
    --output-directory ./Bin_quality/ \
    --database_path ./checkm2/uniref100.KO.1.dmnd

• --input 输入目录，包含bin.fa或bin.fna等文件

Bin.1.fa
Bin.2.fa
Bin.3.fa
Bin.4.fa
Bin.5.fa
Bin.6.fa
...

• --output-directory 输出文件目录
• --database_path 数据库文件
• --threads 所使用的线程数

输出结果

• diamond_output/
• protein_files/
• checkm2.log
• quality_report.tsv

可以根据quality_report.tsv文件中的Completeness>75和Contamination<10挑选Bin

grep 'Bin' Bin_quality/quality_report.tsv | \
awk '{if($2>75 && $3<10) print $1}' > Bin_quality/checkm2_pick.txt

Name	Completeness	Contamination	Completeness_Model_Used	Translation_Table_Used	Coding_Density	Contig_N50	Average_Gene_Length	Genome_Size	GC_Content	Total_Coding_Sequences	Additional_Notes
Bin.31	64.52	4.61	Gradient Boost (General Model)	11	0.881	4705	287.0520945	1818772	0.63	1862	None
Bin.310	87.92	2.31	Neural Network (Specific Model)	11	0.841	19758	357.3994819	2456844	0.51	1930	None
Bin.311	22.07	0.01	Neural Network (Specific Model)	11	0.852	16495	304.8594595	594476	0.42	555	None
Bin.312	70.1	0.93	Neural Network (Specific Model)	11	0.868	4467	273.7622999	1592766	0.38	1687	None
Bin.313	5.45	0.02	Neural Network (Specific Model)	11	0.925	62916	244.9387755	232156	0.41	294	None
Bin.314	91.29	0.5	Gradient Boost (General Model)	11	0.954	14158	348.0688497	1299713	0.49	1191	None

Reference

https://github.com/chklovski/CheckM2
https://pubmed.ncbi.nlm./37500759/

承接宏基因组、扩增子全部分析内容