ARGs
pH值对减轻猪粪厌氧发酵过程中胞外/胞内耐药基因及耐药致病菌的影响
研究了猪粪厌氧发酵过程中不同初始pH值(3、5、7、11)对细胞内和细胞外抗生素耐药基因(iARGs和eARGs)以及携带ARGs的潜在微生物宿主的影响。pH值为3和pH值为5时，几乎所有iARGs和eARGs的丰度都降低了0.1 ~ 1.7 log。pH值7和pH值11时，只有3种iARGs和eARGs的丰度降低了0.1 ~ 0.9 log。在酸性初始发酵条件下(pH 3和pH 5)， ARG的去除效果更明显。酸性条件(pH值3和pH值5)显著降低了微生物群落的多样性和丰度，从而消除了许多潜在的ARG宿主和耐药致病菌(ARPB)。因此，本研究结果有助于探讨猪粪厌氧发酵对ARGs和ARPB的去除效果及污染风险。
highlights
• 在初始酸性发酵条件下，ARGs和MGE的去除率更显著。
• 在发酵体系中鉴定出105个ARGs微生物宿主属。
• pH值3和5时ARB和ARPB的去除率大于pH值7和11时。
• 酸性pH通过降低微生物丰度来影响ARGs和ARPB的丰度。
肠杆菌科全基因组分析揭示了p1样噬菌体质粒在mcr-1、tetX4和其他抗生素耐药基因传播中的作用
P1样噬菌体质粒(PPs,P1 -like phage-plasmids)是分离病原体的重要基因载体。在这项研究中，我们对35个ARG阳性p1样PPs进行了全基因组和跨物种的耐药性基因(ARG)分析。LS-BSR分析显示P1-like PPs共有7个高变异区域，携带48种不同的ARG亚型。最常见的基因组是粘菌素抗性基因mcr-1和1类整合子。mcr-1的侧翼序列分析表明，其核心簇为“IS30-mcr-1-ORF-IS30”。特别地，我们发现mcr-1-和blaCTX-M-55共含大型融合p1样PP。此外，检测到tet(X4)，侧边序列表明，tet(X4)载体簇可以形成更大尺寸的融合质粒，通过IS26热点介导更广泛的传播。总的来说，本研究表明p1样PPs不仅可以在不同区域转移大量ARG，而且还可以形成更大的p1样混合pp，从而增强其传播耐药性的能力。
highlight
• ARG阳性p1样pp具有开放的泛基因组。
• 七个可变区域是ARG转移的核心整合地点。
• “IS30-mcr-1-ORF-IS30”是mcr-1阳性p1样pp的核心簇。
• Tn3-like和IS6-like元素与不同ARG高度相关。
• 携带tet(X4)-和mcr-1的P1-like PPs可在IS26介导下形成较大的融合PPs。
基因组注释，泛基因组分析和全基因组系统发育
用PROKKA v1.11进行基因组组装的注释。使用LS-BSR(大规模blast评分比)和前面描述的TBLASTN选项，在35个arg阳性P1样PP基因组集合中搜索噬菌体P1 (NCBI GenBank登录NC_005856)的103个开放阅读框(ORF)。（LS-BSR：一种快速比较细菌基因组之间遗传含量的方法）
PROKKA生成的GFF文件被用作使用ROARY进行泛基因组分析的输入文件，运行选项为-cd 94% -e和-mafft。存在于94%基因组以上的基因被归为核心基因(包括核心基因和软核基因)，存在于13% - 94%基因组之间的基因被归为shell基因，存在于13%基因组以下的基因被归为cloud基因。随后，利用ROARY对副基因组进行了系统发育分析。用iTOL对树状结构和分子特征进行可视化。
metagenome
重复数据删除提高了微生物组研究中从头组装和鸟枪宏基因组的成本效率和产量
在过去的十年中，宏基因组学极大地改变了微生物群落的研究。然而，主要在宏基因组DNA测序文库制备过程中产生的人工重复reads及其对宏基因组组装和分箱的影响一直未引起人们的关注。在这里，我们明确研究了重复读取对宏基因组组装和分箱的影响，基于5组具有不同微生物组复杂性的代表性宏基因组的分析。我们的研究结果表明，由于改进了宏基因组组装的contig长度和覆盖剖面，重复数据删除极大地提高了大多数宏基因组数据集的分箱产量(从3.5%到80%)，而对于复杂度较低的宏基因组(例如人类肠道宏基因组)，重复数据删除则略微降低了分箱产量。具体来说，从生物反应器污泥、地表水、湖泊沉积物和森林土壤宏基因组的MEGAHIT组合中分别回收了411个和397个、331个和317个、104个和9个和5个宏基因组组装基因组(mag)。值得注意的是，重复数据删除显著降低了宏基因组组装的计算成本，包括运行时间(9.0%至29.9%)和最大内存需求(4.3%至37.1%)。总的来说，我们建议在组装和分箱分析之前去除高复杂性宏基因组中的重复reads，例如本研究中检测的森林土壤宏基因组。
Fastp去除重复序列
使用Fastp (v0.23.1)删除标准数据中的重复读取，参数如下:-dedup -dup_calc_accuracy 3
Nonpareil:一种基于冗余的方法来评估宏基因组数据集的覆盖水平
Guild水平的微生物组特征与COVID-19的严重程度和预后诊断相关
2019年冠状病毒病(COVID-19)的严重程度与肠道菌群的变化有关。然而，肠道微生物组改变与COVID-19预后之间的关系仍然不明确。在这里，我们对入院时收集的300名COVID-19住院患者的粪便样本进行了基因组分辨宏基因组分析。在2568个高质量宏基因组组装基因组(HQMAG)中，冗余分析确定了33个HQMAGS，这些HQMAGS在轻度、中度和重度/重度组中表现出差异分布。共丰度网络分析确定33个HQMAG被组织成两个相互竞争的Guild。与Guild 2相比，Guild 1含有更多的短链脂肪酸生物合成基因，而毒性和抗生素耐药性基因较少。根据两个Guild的平均丰度差异，Guild水平微生物组指数(GMI)将不同严重程度组的患者进行分类(平均AUROC[受试者工作曲线下面积]= 0.83)。此外，年龄矫正的Spearman偏相关性分析显示，入院时GMIs与入院第7天的8项临床参数相关，这些参数是COVID-19预后的预测指标。此外，入院时GMI与危重患者的死亡/出院结局相关。我们进一步验证了GMI能够在四个独立的数据集中一致地对不同国家的不同COVID-19症状严重程度的患者进行分类，并将COVID-19患者与健康受试者和肺炎对照组区分开来。因此，这种基于基因组的Guild级别特征可能有助于早期识别入院时出现更严重后果的高危住院COVID-19患者。
一种结合metagenome、metaresistome、metareplicome和因果推断的新方法，以确定导致生态失调的微生物及其抗生素抗性基因库
利用整个宏基因组数据来推断所有微生物的相对丰度已经得到很好的确立。同样的数据可用于确定所有具有环状染色体的真细菌类群的复制率。尽管它们的可用性，复制速率剖面(metareplicome)还没有在微生物组分析中充分利用。另一种相对较新的方法是应用因果推理来分析超越相关性研究的微生物组数据。一个新的可扩展的管道被称为MeRRCI (Metagenome, metaResistome, metaReplicome for Causal inference)。MeRRCI结合了宏基因组(细菌相对丰度)、metaresistome(抗菌基因丰度)和metareplicome(复制率)的高效计算，并使用贝叶斯网络集成了环境变量(元数据)进行因果分析。MeRRCI应用于婴儿肠道微生物组数据集，以调查微生物群落对抗生素的反应。我们的分析表明，目前的治疗策略有助于早产儿肠道生态失调，允许病原体的增殖。该研究强调了特定的抗菌耐药基因，这些基因可能有助于在各种病原体(肺炎克雷伯菌、弗氏柠檬酸杆菌、表皮葡萄球菌、细小细孔杆菌和产气荚膜梭菌)存在的情况下进行指数细胞分裂。这些微生物通常会导致这些婴儿出现有害的长期后遗症。
MeRRCI:方法主页
