מאמר שיטה

כרייה היוריסטית של גנוטיפים היררכיים וגושים של גנום עזר באוכלוסיות חיידקים

DOI:

10.3791/63115

⸱

7 בדצמבר 2021

 ,  , 
1Department of Computer Science and Engineering, University of Nebraska-Lincoln, 2Department of Food Science and Technology, University of Nebraska-Lincoln, 3Nebraska Food for Health Center, University of Nebraska-Lincoln

* These authors contributed equally

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

פלטפורמה חישובית אנליטית זו מספקת הדרכה מעשית למיקרוביולוגים, אקולוגים ואפידמיולוגים המתעניינים בגנומיקה של אוכלוסיית החיידקים. באופן ספציפי, העבודה שהוצגה כאן הדגימה כיצד לבצע: א) מיפוי מונחה פילוגניה של גנוטיפים היררכיים; 2) ניתוח מבוסס תדרים של גנוטיפים; 3) ניתוחי קרבה וקלונליות; 4) זיהוי של שושלת המבדילה בין לוקים לאביזר.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

שימוש שגרתי ושיטתי בריצוף גנום שלם של חיידקים (WGS) משפר את הדיוק והרזולוציה של חקירות אפידמיולוגיות המבוצעות על ידי מעבדות לבריאות הציבור וסוכנויות רגולטוריות. ניתן להשתמש בכמויות גדולות של נתוני WGS הזמינים לציבור כדי לחקור אוכלוסיות פתוגניות בקנה מידה גדול. לאחרונה פורסמה פלטפורמה חישובית זמינה באופן חופשי בשם ProkEvo כדי לאפשר ניתוחים גנומיים של אוכלוסיות מבוססות היררכיה הניתנות לשחזור, אוטומטיות ומדרגיות באמצעות נתוני WGS של חיידקים. יישום זה של ProkEvo הדגים את החשיבות של שילוב מיפוי גנוטיפי סטנדרטי של אוכלוסיות עם כרייה של תוכן גנומי עזר להסקה אקולוגית. בפרט, העבודה המודגשת כאן השתמשה בתפוקות הנגזרות מ- ProkEvo עבור ניתוחים היררכיים בקנה מידה של אוכלוסייה באמצעות שפת התכנות R. המטרה העיקרית הייתה לספק מדריך מעשי למיקרוביולוגים, אקולוגים ואפידמיולוגים על ידי כך שיראו כיצד: 1) להשתמש במיפוי מונחה פילוגנזה של גנוטיפים היררכיים; 2) להעריך התפלגויות תדרים של גנוטיפים כמייצג לכושר אקולוגי; 3) לקבוע יחסי קרבה ומגוון גנטי באמצעות סיווגים גנוטיפיים ספציפיים; ו-4) שושלת מפה המבדילה בין מוקדי אביזר. כדי לשפר את יכולת השכפול והניידות, נעשה שימוש בקבצי R markdown כדי להדגים את כל הגישה האנליטית. מערך הנתונים לדוגמה הכיל נתונים גנומיים מ-2,365 מבודדים של הפתוגן הזואונוטי סלמונלה ניופורט. מיפוי מעוגן פילוגנזה של גנוטיפים היררכיים (Serovar -> BAPS1 -> ST -> cgMLST) חשף את המבנה הגנטי של האוכלוסייה, והדגיש את סוגי הרצפים (STs) כגנוטיפ המבדיל את אבן המפתח. בשלוש השושלות הדומיננטיות ביותר, ST5 ו-ST118 חלקו אב קדמון משותף לאחרונה יותר מאשר עם הפילוטיפ ST45 הקלוני ביותר. הבדלים מבוססי ST הודגשו עוד יותר על ידי התפלגות מוקדי ההתנגדות האנטי-מיקרוביאלית (AMR) של האביזרים. לבסוף, הדמיה מעוגנת פילוגנית שימשה לשילוב גנוטיפים היררכיים ותכולת AMR כדי לחשוף את מבנה הקרבה ואת החתימות הגנומיות הספציפיות לשושלת. בשילוב, גישה אנליטית זו מספקת כמה קווים מנחים לביצוע ניתוחים גנומיים של אוכלוסיית חיידקים היוריסטיים תוך שימוש במידע פאן-גנומי.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

השימוש הגובר בריצוף גנום שלם של חיידקים (WGS) כבסיס למעקב שגרתי ולחקירה אפידמיולוגית על ידי מעבדות לבריאות הציבור וסוכנויות רגולטוריות שיפר באופן משמעותי את חקירותההתפרצות של פתוגנים 1,2,3,4. כתוצאה מכך, כמויות גדולות של נתוני WGS שלא זוהו זמינות כעת לציבור וניתן להשתמש בהן כדי לחקור היבטים של ביולוגיה של אוכלוסייה של מינים פתוגניים בקנה מידה חסר תקדים, כולל מחקרים המבוססים על: מבני אוכלוסייה, תדרי גנוטיפ ותדירויות גנים/אללים על פני מאגרים מרובים, אזורים גיאוגרפיים וסוגי סביבות5 . החקירות האפידמיולוגיות הנפוצות ביותר בהנחיית WGS מבוססות על ניתוחים המשתמשים רק בתוכן הליבה-גנומי המשותף, כאשר התוכן המשותף (המשומר) לבדו משמש לסיווג גנוטיפי (למשל, קריאת וריאנטים), וגרסאות אלה הופכות לבסיס לניתוח אפידמיולוגי ולמעקב אחר 1,2,6,7 . בדרך כלל, גנוטיפ מבוסס ליבה-גנום חיידקי מתבצע עם גישות הקלדת רצף רב-לוקוס (MLST) באמצעות שבעה עד כמה אלפי לוקוסים 8,9,10. אסטרטגיות מבוססות MLST אלה כוללות מיפוי של רצפים גנומיים שהורכבו מראש או הורכבו על גבי מסדי נתונים שנאספו במיוחד, ובכך משלבות מידע אלילי ליחידות גנוטיפיות הניתנות לשחזור לצורך ניתוח אפידמיולוגי ואקולוגי11,12. לדוגמה, סיווג מבוסס MLST זה יכול להפיק מידע גנוטיפי בשתי רמות של רזולוציה: סוגי רצף ברמה נמוכה יותר (STs) או ST שושלות (7 loci), וגרסאות גנום ליבה MLST (cgMLST) ברמה גבוהה יותר (~ 300-3,000 loci)10.

הסיווג הגנוטיפי מבוסס MLST הוא נייד מבחינה חישובית וניתן לשחזור רב בין מעבדות, מה שהופך אותו למקובל כגישת תת-הקלדה מדויקת מתחת לרמה של מיני החיידקיםברמה 13,14. עם זאת, אוכלוסיות חיידקים בנויות עם דרגות שונות ספציפיות למין של קלונליות (כלומר, הומוגניות גנוטיפית), דפוסים מורכבים של קרבה היררכית בין גנוטיפים 15,16,17, ומגוון רחב של וריאציות בהתפלגות התוכן הגנומי האביזרי18,19 . לפיכך, גישה הוליסטית יותר חורגת מעבר לסיווגים בדידים לגנוטיפים של MLST ומשלבת את היחסים ההיררכיים של גנוטיפים בקני מידה שונים של רזולוציה, יחד עם מיפוי של תוכן גנומי עזר לסיווגים גנוטיפיים, מה שמאפשר הסקה מבוססת אוכלוסייה 18,20,21 . יתר על כן, ניתוחים יכולים גם להתמקד בדפוסים משותפים של תורשה של לוקוסים גנומיים של אביזרים בין אפילו גנוטיפים הקשורים רחוק21,22. באופן כללי, הגישה המשולבת מאפשרת חקירה אגנוסטית של הקשרים בין מבנה האוכלוסייה לבין התפלגות הרכבים גנומיים ספציפיים (למשל, לוקוסים) בין גרדיאנטים גיאו-מרחביים או סביבתיים. גישה כזו יכולה להניב מידע בסיסי ומעשי כאחד על המאפיינים האקולוגיים של אוכלוסיות ספציפיות שעשויות, בתורן, להסביר את הטרופיזם ודפוסי הפיזור שלהן על פני מאגרים, כגון חיות מזון או בני אדם.

גישה היררכית מבוססת מערכות זו, המוכוונת אוכלוסייה, דורשת כמויות גדולות של נתוני WGS כדי לספק עוצמה סטטיסטית מספקת כדי לחזות חתימות גנומיות הניתנות לחיזוי. כתוצאה מכך, הגישה דורשת פלטפורמה חישובית המסוגלת לעבד אלפים רבים של גנומים חיידקיים בבת אחת. לאחרונה, ProkEvo פותחה והיא פלטפורמת ביואינפורמטיקה זמינה באופן חופשי, אוטומטית, ניידת ומדרגית המאפשרת ניתוחים אינטגרטיביים של אוכלוסיית חיידקים מבוססי היררכיה, כולל מיפוי פאן-גנומי20. ProkEvo מאפשרת לחקור מערכי נתונים חיידקיים בקנה מידה בינוני עד גדול תוך מתן מסגרת ליצירת השערות אפידמיולוגיות ואקולוגיות הניתנות לבדיקה ולהסקה ותחזיות פנוטיפיות שניתן להתאים אישית על ידי המשתמש. עבודה זו משלימה את הצינור הזה במתן מדריך כיצד להשתמש בקבצי פלט שמקורם ב- ProkEvo כקלט לניתוח ופרשנות של סיווגי אוכלוסייה היררכיים וכרייה גנומית אביזרים. מקרה הבוחן שהוצג כאן השתמש באוכלוסיית שושלת סלמונלה אנטריקה I זואונוטית סרובר S. ניופורט כדוגמה ונועדה במיוחד לספק קווים מנחים מעשיים למיקרוביולוגים, אקולוגים ואפידמיולוגים כיצד: 1) להשתמש בגישה אוטומטית התלויה בפילוגנזה כדי למפות גנוטיפים היררכיים; 2) להעריך את התפלגות התדירות של הגנוטיפים כמייצג להערכת כושר אקולוגי; 3) לקבוע דרגות ספציפיות לשושלת של קלונליות באמצעות גישות סטטיסטיות בלתי תלויות; ו-4) למפות מוקדי AMR מבדילי שושלת כדוגמה לאופן שבו ניתן לכרות תוכן גנומי של אביזרים בהקשר של מבנה האוכלוסייה. באופן רחב יותר, גישה אנליטית זו מספקת מסגרת הניתנת להכללה לביצוע ניתוח גנומי מבוסס אוכלוסייה בקנה מידה שניתן להשתמש בו כדי להסיק דפוסים אבולוציוניים ואקולוגיים ללא קשר למין הממוקד.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. הכנת קבצי קלט

הערה: הפרוטוקול זמין כאן - https://github.com/jcgneto/jove_bacterial_population_genomics/tree/main/code. הפרוטוקול מניח שהחוקר השתמש באופן ספציפי ב- ProkEvo (או בצינור דומה) כדי לקבל את הפלטים הדרושים הזמינים במאגר Figshare זה (https://figshare.com/account/projects/116625/articles/15097503 - נדרשים אישורי כניסה - על המשתמש ליצור חשבון חופשי כדי לקבל גישה לקבצים!). יש לציין כי ProkEvo מוריד באופן אוטומטי רצפים גנומיים ממאגר NCBI-SRA ודורש רק קובץ .txt המכיל רשימה של זיהויי גנום כקלט20, וזה המשמש לעבודה זו על S. מבודדי ניופורט ארה"ב מסופקים כאן (https://figshare.com/account/projects/116625/articles/15097503?file=29025729).  מידע מפורט על אופן ההתקנה והשימוש בפלטפורמה זו של גנומיקה חיידקית זמין כאן (https://github.com/npavlovikj/ProkEvo/wiki/2.-Quick-start)20

  1. צור פילוגנזה של גנום הליבה באמצעות FastTree23 כפי שתואר קודם לכן20, שאינו חלק מפלטפורמת הביואינפורמטיקה20. FastTree דורש את יישור הליבה-גנום Roary24 כקובץ קלט. קובץ הפילוגניה נקרא newport_phylogeny.עץ (https://figshare.com/account/projects/116625/articles/15097503?file=29025690).
  2. צור פלט SISTR25 המכיל את המידע לגבי סיווגי serovars עבור סלמונלה ונתוני שיחות cgMLST (sistr_output.csv - https://figshare.com/account/projects/116625/articles/15097503?file=29025699).
  3. צור קובץ BAPS על ידי fastbaps26,27 המכיל את רמות BAPS 1-6 סיווג של גנומים לתת-קבוצות או להפלוטיפים (fastbaps_partition_baps_prior_l6.csv - https://figshare.com/account/projects/116625/articles/15097503?file=29025684).
  4. צור סיווג מבוסס MLST של גנומים ל- STs באמצעות תוכנית MLST (https://github.com/tseemann/mlst)28 (salmonellast_output.csv - https://figshare.com/account/projects/116625/articles/15097503?file=29025696).
  5. צור פלט ABRicate (https://github.com/tseemann/abricate)29 כקובץ .csv המכיל מוקדי AMR הממופים לכל גנום (sabricate_resfinder_output.csv - https://figshare.com/account/projects/116625/articles/15097503?file=29025693).
    הערה: המשתמש יכול לכבות חלקים ספציפיים של צינור הביואינפורמטיקה של ProkEvo (בדוק כאן לקבלת מידע נוסף - https://github.com/npavlovikj/ProkEvo/wiki/4.2.-Remove-existing-bioinformatics-tool-from-ProkEvo). הגישה האנליטית המוצגת כאן מספקת קווים מנחים כיצד לבצע ניתוח מבוסס אוכלוסייה לאחר הפעלת צינור הביואינפורמטיקה.

2. הורד והתקן את התוכנה הסטטיסטית ואת יישום סביבת הפיתוח המשולבת (IDE)

  1. הורד את הגרסה העדכנית ביותר הזמינה באופן חופשי של תוכנת R עבור לינוקס, Mac או PC30. בצע את שלבי ההתקנה המוגדרים כברירת מחדל.
  2. הורד את הגרסה העדכנית ביותר הזמינה באופן חופשי של IDE שולחן העבודה RStudio כאן31. בצע את שלבי ברירת המחדל להתקנה.
    הערה: השלבים הבאים כלולים בסקריפט הזמין, כולל מידע מפורט על ניצול קוד, ויש להפעילם ברצף כדי ליצור את הפלטים והנתונים המוצגים בעבודה זו (https://github.com/jcgneto/jove_bacterial_population_genomics/blob/main/code/data_analysis_R_code.Rmd). המשתמש עשוי להחליט להשתמש בשפת תכנות אחרת כדי לבצע ניתוח אנליטי/סטטיסטי זה כגון Python. במקרה כזה, השתמש בשלבים בסקריפטים כמסגרת לביצוע הניתוח.

3. התקנה והפעלה של ספריות מדעי הנתונים

  1. התקן את כל ספריות מדעי הנתונים בבת אחת כצעד ראשון בניתוח. הימנע מהתקנת הספריות בכל פעם שיש צורך להפעיל מחדש את קובץ ה- Script. השתמש בפונקציה install.packages() להתקנת ספריה. לחלופין, המשתמש יכול ללחוץ על הכרטיסייה חבילות בתוך ה- IDE ולהתקין את החבילות באופן אוטומטי. הקוד המשמש להתקנת כל הספריות הדרושות מוצג כאן:
    # התקן את Tidyverse
    install.packages("tidyverse")
    # התקן את הסקימר
    install.packages("skimr")
    # התקן טבעוני
    install.packages("טבעוני")
    # התקן פורקאטים
    install.packages("forcats")
    # התקן את נאניאר
    install.packages("naniar")
    # התקן ggpubr
    install.packages("ggpubr")
    # התקן ggrepel
    install.packages("ggrepel")
    # התקן עיצוב מחדש2
    install.packages("reshape2")
    # התקן את RColorBrewer
    install.packages("RColorBrewer")
    # התקן ggtree
    אם (!דרושNamespace("BiocManager", בשקט = TRUE))
    install.packages("BiocManager")
    BiocManager::install("ggtree")
    # התקנה של ggtree תבקש שאלה לגבי התקנה - התשובה היא "a" להתקנה/עדכון של כל יחסי התלות
  2. הפעל את כל הספריות או החבילות באמצעות פונקציית הספריה() בתחילת קובץ ה- Script, מיד לאחר ההתקנה. הנה הדגמה כיצד להפעיל את כל החבילות הדרושות:
    # הפעל את הספריות והחבילות
    ספרייה(מסודרת)
    library(skimr)
    ספרייה (טבעונית)
    ספריה(forcats)
    library(naniar)
    library(ggtree)
    library(ggpubr)
    library(ggrepel)
    ספריה(עיצוב מחדש2)
    library(RColorBrewer)
  3. בטל פלט של הקוד המשמש להתקנה והפעלה של ספרייה וחבילה באמצעות {r, include = FALSE} בקוד chuck, באופן הבא:
    ''' {r, include = FALSE}
    # התקן את Tidyverse
    install.packages("tidyverse")
    ```
    הערה: שלב זה הוא אופציונלי, אך נמנע מהצגת נתחי קוד מיותרים בדוח ה-HTML, המסמך או ה-PDF הסופי.
  4. לקבלת תיאור קצר של הפונקציות הספציפיות של כל הספריות יחד עם כמה קישורים שימושיים לאיסוף מידע נוסף, עיין בשלבים 3.4.1-3.4.11.
    1. Tidyverse - השתמש באוסף זה של חבילות המשמשות למדעי הנתונים, כולל הזנת נתונים, ויזואליזציה, ניתוח וצבירה, ומידול סטטיסטי. בדרך כלל, ggplot2 (תצוגה חזותית של נתונים) ו- dplyr (היאבקות נתונים ומידול) הן חבילות מעשיות הקיימות בספריה זו32.
    2. skimr - השתמש בחבילה זו ליצירת נתונים סטטיסטיים מסכמים של מסגרות נתונים, כולל זיהוי ערכים חסרים33.
    3. טבעוני - השתמש בחבילה זו לניתוחים סטטיסטיים של אקולוגיה קהילתית, כגון חישוב נתונים סטטיסטיים מבוססי גיוון (למשל, אלפא ובטא-גיוון)34.
    4. forcats - השתמש בחבילה זו כדי לעבוד עם משתנים קטגוריאליים כגון סדר מחדש של סיווגים. חבילה זו היא חלק מספריית Tidyverse32.
    5. naniar - השתמש בחבילה זו כדי להמחיש באופן חזותי את התפלגות הערכים החסרים על פני משתנים במסגרת נתונים, באמצעות הפונקציה viss_miss()35.
    6. ggtree - השתמש בחבילה זו להדמיה של עצים פילוגנטיים36.
    7. ggpubr - השתמש בחבילה זו כדי לשפר את האיכות של הדמיות מבוססות ggplot237.
    8. ggrepel - השתמש בחבילה זו לתיוג טקסט בתוך גרפים38.
    9. עיצוב מחדש2 - השתמש בפונקציה melt() מחבילה זו להמרה של מסגרות נתונים מתבנית רחבה לארוכה39.
    10. RColorBrewer - השתמש בחבילה זו כדי לנהל צבעים בהדמיות מבוססות ggplot240.
    11. השתמש בפונקציות הבסיסיות הבאות לניתוח נתונים גישוש: head() כדי לבדוק את התצפיות הראשונות במסגרת נתונים, tail() כדי לבדוק את התצפיות האחרונות של מסגרת נתונים, is.na() כדי לספור את מספר השורות עם ערכים חסרים על פני מסגרת נתונים, dim() כדי לבדוק את מספר השורות והעמודות במערך נתונים, טבלה() כדי לספור תצפיות על פני משתנה, וסכום() כדי לספור את המספר הכולל של תצפיות או מופעים.

4. הזנת נתונים וניתוחם

הערה: מידע מפורט על כל שלב בניתוח זה ניתן למצוא בסקריפט הזמין (https://github.com/jcgneto/jove_bacterial_population_genomics/blob/main/code/data_analysis_R_code.Rmd). עם זאת, הנה כמה נקודות חשובות שיש לקחת בחשבון:

  1. בצע את כל הזנת הנתונים הגנומיים, כולל כל הסיווגים הגנוטיפיים (serovar, BAPS, ST ו- cgMLST) באמצעות הפונקציה read_csv() באמצעות הפונקציה read_csv().
  2. שנה שם, צור משתנים חדשים ובחר עמודות מעניינות מכל ערכת נתונים לפני צבירה מרובת ערכות נתונים.
  3. אל תסיר ערכים חסרים מכל מערך נתונים עצמאי. המתן עד שכל מערכי הנתונים יצטברו כדי לשנות או לא לכלול ערכים חסרים. אם משתנים חדשים נוצרים עבור כל ערכת נתונים, ערכים חסרים מסווגים כברירת מחדל לאחד הסיווגים החדשים שנוצרו.
  4. בדוק אם קיימים תווים שגויים כגון מקפים או סימני חקירה והחלף אותם ב- NA (לא רלוונטי). בצע את אותו הדבר עבור ערכים חסרים.
  5. נתונים מצטברים המבוססים על הסדר ההיררכי של הגנוטיפים (serovar -> BAPS1 -> ST -> cgMLST), ועל ידי קיבוץ המבוסס על זיהויי הגנום הבודדים.
  6. בדוק אם קיימים ערכים חסרים באמצעות אסטרטגיות מרובות והתמודד עם חוסר עקביות כזה במפורש. הסר גנום או בודד מהנתונים רק אם הסיווג אינו אמין. אחרת, שקול את הניתוח שנעשה והסר NAs על בסיס כל מקרה לגופו.
    הערה: מומלץ מאוד לקבוע אסטרטגיה להתמודדות עם ערכים כאלה מראש. הימנע מהסרת כל הגנומים או המבודדים עם ערכים חסרים על פני משתנים כלשהם. לדוגמה, גנום עשוי להיות בעל סיווג ST ללא מספר וריאנט cgMLST. במקרה כזה, הגנום עדיין יכול לשמש לניתוח מבוסס ST.
  7. לאחר שכל מערכי הנתונים נצברים, הקצה אותם לשם מסגרת נתונים או לאובייקט שניתן להשתמש בהם במיקומים מרובים בניתוח המעקב, כדי להימנע מהצורך ליצור את אותו קובץ מטה-נתונים עבור כל איור במאמר.

5. לערוך ניתוחים וליצור הדמיות

הערה: תיאור מפורט של כל שלב הדרוש להפקת כל הניתוחים וההדמיות ניתן למצוא בקובץ הסימון עבור מאמר זה (https://github.com/jcgneto/jove_bacterial_population_genomics/tree/main/code). הקוד לכל דמות מופרד בגושים ויש להריץ את התסריט כולו ברצף. בנוסף, הקוד עבור כל דמות ראשית ומשלימה מסופק כקובץ נפרד (ראה קובץ משלים 1 וקובץ משלים 2). הנה כמה נקודות חיוניות (עם קטעי קוד) שיש לקחת בחשבון תוך יצירת כל דמויות עיקריות ומשלימות.

  1. השתמשו ב-ggtree כדי לשרטט עץ פילוגנטי יחד עם מידע גנוטיפי (איור 1).
    1. מטב את גודל הדמות של ggtree, כולל קוטר ורוחב של טבעות, על ידי שינוי הערכים המספריים בתוך הפונקציות xlim() ו- gheatmap(width = ), בהתאמה (ראה קוד לדוגמה להלן).
      tree_plot <- ggtree(עץ, פריסה = "עגול") + xlim(-250, NA)
      figure_1 <- gheatmap(tree_plot, d4, offset=.0, width=20, colnames = FALSE)
      הערה: להשוואה מפורטת יותר של תוכניות שניתן להשתמש בהן לשרטוט פילוגנטי, בדוק עבודה זו20. העבודה הדגישה ניסיון שנעשה לזהות אסטרטגיות לשיפור תצוגות חזותיות מבוססות ggtree כגון הקטנת גודל מערך הנתונים, אך אורכי הענפים וטופולוגיית העצים לא היו מפלים באופן ברור בהשוואה לפננגו41.
    2. צבר את כל המטא-נתונים לקטגוריות מעטות ככל האפשר כדי להקל על בחירת לוח הצביעה בעת התוויית שכבות מרובות של נתונים עם העץ הפילוגנטי (https://github.com/jcgneto/jove_bacterial_population_genomics/blob/main/code/figure_1.Rmd). נהל את צבירת הנתונים על סמך שאלת העניין והידע בתחום.
  2. השתמש בעלילת סרגל כדי להעריך תדרים יחסיים (איור 2).
    1. צבר נתונים הן עבור שושלות ST והן עבור גרסאות cgMLST כדי להקל על תצוגות חזותיות. בחר סף אמפירי או סטטיסטי המשמש לצבירת נתונים, תוך התחשבות בשאלה הנשאלת.
    2. לקבלת קוד לדוגמה שניתן להשתמש בו כדי לבדוק את התפלגות התדרים של שושלות ST כדי לקבוע את הניתוק ראה להלן:
      st_dist <- d2 %>% group_by(ST) %>% קבוצה לפי העמודה ST
      count() %>% # לספור את מספר התצפיות
      סידור(desc(n)) # סידור הספירות בסדר יורד
    3. לדוגמה, קוד המציג כיצד ניתן לצבור STs מינוריים (בתדר נמוך) עיין להלן. כפי שמודגם להלן, STs שאינם ממוספרים כ- 5, 31, 45, 46, 118, 132 או 350, מקובצים יחד כ-"STs אחרים ". השתמש בקוד דומה עבור גרסאות cgMLST (https://github.com/jcgneto/jove_bacterial_population_genomics/blob/main/code/figure_2.Rmd).
      d2$st <- ifelse(d2$ST == 5, "ST5", # צור עמודת ST חדשה שעבורה מצטברים S Ts משניים כאחרים
      ifelse(d2$ST == 31, "ST31",
      ifelse(d2$ST == 45, "ST45",
      ifelse(d2$ST == 46, "ST46",
      ifelse(d2$ST == 118, "ST118",
      ifelse(d2$ST == 132, "ST132", ifelse(d2$ST == 350, "ST350", "Other STs")))))))))
  3. השתמש בגישה מקוננת כדי לחשב את היחסיות של כל שושלת ST בתוך כל תת-קבוצה של BAPS1 כדי לזהות STs הקשורים באופן קדום (שייכים לאותה תת-קבוצה BAPS1) (איור 3). הקוד שלהלן מדגים כיצד ניתן לחשב את הפרופורציה מבוססת ST על פני תת-קבוצות BAPS1 (https://github.com/jcgneto/jove_bacterial_population_genomics/blob/main/code/figure_3.Rmd):
    baps <- d2b %>% filter(serovar == "Newport") %>% # filter Newport serovars
    בחר(baps_1, ST) %>% # בחר עמודות baps_1 ועמודות ST
    mutate(ST = as.numeric(ST)) %>% # שנה את עמודת ST למספרית
    drop_na(baps_1, ST) %>% ירידה NAs
    group_by(baps_1, ST) %>% # קבוצה לפי baps_1 ו- ST
    summarise(n = n()) %>% # תצפיות ספירה
    mutate(prop = n/sum(n)*100) # חישוב פרופורציות
  4. שרטטו את ההתפלגות של מוקדי AMR על פני שושלות ST באמצעות תוצאות ביאור הגנים המבוססות על Resfinder (איור 4).
    הערה: Resfinder נמצא בשימוש נרחב במחקרים אקולוגיים ואפידמיולוגיים42. ביאור של גנים המקודדים חלבונים יכול להשתנות בהתאם לתדירות שבה מסדי נתונים נאספים ומתעדכנים. אם משתמשים בצנרת הביואינפורמטיקה המוצעת, החוקר יכול להשוות בין סיווגי לוקוסים מבוססי AMR על פני מסדי נתונים שונים20. הקפד לבדוק אילו מסדי נתונים מתעדכנים כל הזמן. אין להשתמש במסדי נתונים לא מעודכנים או לא מסודרים, כדי למנוע טעויות.
    1. השתמש בסף אמפירי או סטטיסטי כדי לסנן את מוקדי ה- AMR החשובים ביותר כדי להקל על תצוגות חזותיות. ספק קובץ .csv גולמי המכיל את הפרופורציות המחושבות של כל מוקדי AMR בכל שושלות ST, כגון המוצג כאן (https://figshare.com/account/projects/116625/articles/15097503?file=29025687).
    2. חשב את פרופורציית ה- AMR עבור כל ST באמצעות הקוד (https://github.com/jcgneto/jove_bacterial_population_genomics/blob/main/code/figure_4.Rmd) הבא:
      # חישובים עבור ST45
      d2c <- data6 %>% filter(st == "ST45") # מסנן נתוני ST45 תחילה
      # עבור ST45, חשב את היחס בין מוקדי AMR ושמור רק על פרופורציה גדולה מ-10%
      d3c <- d2c %>% בחר(id, גן) %>% # בחר עמודות
      group_by(id, גן) %>% # קבוצה לפי מזהה וגן
      סיכום(ספירה = n()) %>% # תצפיות ספירה
      mutate(count = replace(count, count == 2, 1)) %>% # להחליף ספירות שוות ל-2 עם 1 כדי לשקול רק עותק אחד של כל גן (כפילויות עשויות להיות לא אמינות), אך החוקר יכול להחליט להחריג או לשמור אותן. אם החוקר רוצה להחריג אותם, השתמש בפונקציית המסנן (ספירה != 2) או השאר כפי שהוא
      filter(count <= 1) # מסנן נחשב מתחת או שווה ל- 1
      d4c <- d3c %>% group_by(גן) %>% # קבוצה לפי גן
      סיכום(ערך = n()) %>% # תצפיות ספירה
      mutate(total = table(data1$st)[6]) %>% # לקבל את הספירות הכוללות של st mutate(prop = (value/total)*100) # לחשב פרופורציות
      d5c <- d4c %>% מוטציה(st = "ST45") # צור עמודה st והוסף מידע ST
    3. לאחר ביצוע החישובים עבור כל ה- STs, שלב ערכות נתונים כמסגרת נתונים אחת, באמצעות הקוד הבא:
      # שלב מערכי נתונים
      d6 <- rbind(d5a, d5b, d5c, d5d, d5e, d5f, d5g, d5h) # row bind datasets
    4. כדי לייצא את קובץ .csv המכיל את הפרופורציות המחושבות, השתמש בקוד:
      # ייצוא טבלת נתונים המכילה מידע על מוקדי ST ו- AMR
      abx_newport_st <- d6 לכתוב.csv(abx_newport_st,"abx_newport_st.csv", row.names = FALSE)
    5. לפני התוויית ההתפלגות מבוססת AMR על פני שושלות ST, סנן את הנתונים בהתבסס על סף כדי להקל על תצוגות חזותיות, כפי שמוצג להלן:
      # מסנן מוקדי AMR עם פרופורציה גבוהה מ- או שווה ל- 10%
      d7 <- d6 %>% מסנן (prop >= 10) # לקבוע את הסף באופן אמפירי או סטטיסטי
  5. שרטטו את הפילוגנזה של גנום הליבה יחד עם הסיווגים הגנוטיפיים ההיררכיים ונתוני ה-AMR בחלקה אחת באמצעות ggtree (איור 5).
    1. מטב את גודל הדמות בתוך ggtree באמצעות הפרמטרים שהוזכרו לעיל (ראה שלב 5.1.1.1.).
    2. מטב את ההדמיות על ידי צבירת משתנים, או באמצעות סיווג בינארי כגון נוכחות גנים או היעדרות. ככל שמתווספות יותר תכונות לעלילה, כך תהליך בחירת הצביעה הופך להיות קשה יותר (https://github.com/jcgneto/jove_bacterial_population_genomics/blob/main/code/figure_5.Rmd).
      הערה: נתונים משלימים - תיאור מפורט של הקוד כולו ניתן למצוא כאן (https://github.com/jcgneto/jove_bacterial_population_genomics/blob/main/code/data_analysis_R_code.Rmd).
  6. השתמש בחלקת פיזור ב- ggplot2, ללא צבירת נתונים, כדי להציג את התפלגות שושלות ST או גרסאות cgMLST תוך הדגשת הגנוטיפים הנפוצים ביותר (איור משלים 1) (https://github.com/jcgneto/jove_bacterial_population_genomics/blob/main/code/supplementary_figure_s1.Rmd).
  7. ערכו ניתוח מקונן כדי להעריך את הרכב השושלות של ST דרך שיעור הווריאנטים של cgMLST כדי לקבל הצצה למגוון הגנטי מבוסס ST, תוך זיהוי הווריאנטים השכיחים ביותר והיחסים הגנטיים שלהם (כלומר, וריאנטים של cgMLST השייכים לאותו ST חלקו אב קדמון לאחרונה יותר מאשר אלה השייכים ל-STs שונים) (איור משלים 2 ) (https://github.com/jcgneto/jove_bacterial_population_genomics/blob/main/code/supplementary_figure_s2.Rmd).
  8. השתמש במדד האקולוגיה הקהילתית, כלומר מדד המגוון D של סימפסון, כדי למדוד את מידת הקלונליות או המגוון הגנוטיפי של כל אחת משושלות ST העיקריות43 (איור משלים 3).
    1. חשב את מדד הגיוון בין שושלות ST ברמות שונות של רזולוציה גנוטיפית, כולל BAPS רמה 1 עד 6 ו- cgMLST. להלן דוגמת הקוד כיצד לבצע חישוב זה ברמת BAPS 1 (BAPS1) של רזולוציה גנוטיפית:
      # BAPS רמה 1 (BAPS1)
      # שחרר את ה- STs וה- BAPS1 עם NAs, קיבוץ לפי ST ו- BAPS1 ולאחר מכן חישב את המדד של סימפסון
      baps1 <- data6 %>%
      select(st, BAPS1) %>% # בחר עמודות
      drop_na(st, BAPS1) %>% # ירידה NAs
      group_by(st, BAPS1) %>% קבוצה לפי עמודות
      summarise(n = n()) %>% # תצפיות ספירה
      mutate(simpson = diversity(n, "simpson")) %>% # לחשב גיוון
      group_by(st) %>% # קבוצה לפי עמודה
      summarise(simpson = mean(simpson)) %>% # לחשב את הממוצע של המדד
      melt(id.vars=c("st"), measure.vars="simpson",
      variable.name="index", value.name="value") %>% # סמוי לפורמט ארוך
      mutate(strat = "BAPS1") # צור עמודת שכבה
      הערה: לאוכלוסייה מגוונת יותר מבחינה גנטית (כלומר, יותר וריאנטים בשכבות שונות של רזולוציה גנוטיפית) יש אינדקס גבוה יותר ברמת cgMLST ומייצרת ערכים מבוססי אינדקס הולכים וגדלים מרמה BAPS 2 ל-6 (https://github.com/jcgneto/jove_bacterial_population_genomics/blob/main/code/supplementary_figure_s3.Rmd).
  9. בחנו את מידת המגוון הגנוטיפי של שושלות ST על ידי התוויית התדירות היחסית של תת-קבוצות BAPS בכל רמות הרזולוציה (BAPS1-6) (איור משלים 4). ככל שהאוכלוסייה מגוונת יותר, כך התפלגותן של תת-קבוצות BAPS (הפלוטיפים) הופכת דלילה יותר מ-BAPS1 (רמת רזולוציה נמוכה יותר) ל-BAPS6 (רמת רזולוציה גבוהה יותר) (https://github.com/jcgneto/jove_bacterial_population_genomics/blob/main/code/supplementary_figure_s4.Rmd).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

על ידי שימוש בפלטפורמה החישובית ProkEvo לניתוח גנומיקה של אוכלוסיות, הצעד הראשון בכריית נתוני WGS של חיידקים מורכב מבדיקת מבנה האוכלוסייה ההיררכי בהקשר של פילוגנזה של גנום ליבה (איור 1). במקרה של ס'. שושלת אנטריקה I, כפי שהודגם על ידי S. מערך הנתונים של ניופורט, האוכלוסייה בנויה באופן היררכי באופן הבא: serovar (הרמה הנמוכה ביותר של רזולוציה), תת-קבוצות BAPS1 או haplotypes, שושלות ST, ווריאנטים של cgMLST (רמת הרזולוציה הגבוהה ביותר)20. ניתוח...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

השימוש בניתוח מבנה אוכלוסייה היוריסטי והיררכי מבוסס מערכות מספק מסגרת לזיהוי חתימות גנומיות חדשניות במערכי נתונים חיידקיים שיש להם פוטנציאל להסביר דפוסים אקולוגיים ואפידמיולוגיים ייחודיים20. בנוסף, ניתן להשתמש במיפוי נתוני הגנום האביזרי על מבנה האוכלוסייה כדי להסיק תכונות שנרכשו על ידי אבות ו/או נגזרו לאחרונה, המאפשרות את התפשטותן של שושלות ST או גרסאות cgMLST על פני מאגרים 6,20,21,45,46.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחברים הצהירו כי לא קיימים אינטרסים מתחרים.

תודות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

עבודה זו נתמכה על ידי מימון שסופק על ידי חטיבת המחקר החקלאי של UNL-IANR והמכון הלאומי למחקר וחינוך נגד עמידות מיקרוביאלית ועל ידי מרכז המזון לבריאות של נברסקה במחלקת המדע והטכנולוגיה של המזון (UNL). ניתן היה להשלים מחקר זה רק על ידי שימוש במרכז המחשוב של הולנד (HCC) ב- UNL, המקבל תמיכה מיוזמת המחקר של נברסקה. אנו מודים גם על כך שיש לנו גישה, באמצעות HCC, למשאבים המסופקים על ידי רשת המדע הפתוחה (OSG), הנתמכת על ידי הקרן הלאומית למדע ומשרד המדע של משרד האנרגיה האמריקאי. עבודה זו השתמשה בתוכנת ניהול זרימת העבודה של פגסוס הממומנת על ידי הקרן הלאומית למדע (מענק #1664162).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
https://figshare.com/account/projects/116625/articles/14829225?file=28758762
amr_data_rawhttps://figshare.com/account/projects/116625/articles/14829225?file=28547994
baps_output
https://figshare.com/account/projects/116625/articles/14829225?file=28548003 פילוגנום הליבהhttps://figshare.com/account/projects/116625/articles/14829225?file=28548006
genome_srahttps://figshare.com/account/projects/116625/articles/14829225?file=28639209
לינוקס, מק או מחשב אישיבכל פלטפורמה בעלת ביצועים גבוהים
mlst_outputhttps://figshare.com/account/projects/116625/articles/14829225?file=28547997
https://figshare.com/account/projects/116625/articles/14829225?file=28548000 אישורי figshare נדרשים לכניסה ויש להם גישה לקבצים
amr_data_filtered sistr_output

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Grad, Y. H., et al. Genomic epidemiology of the Escherichia coli O104:H4 outbreaks in Europe, 2011. Proceedings of the National Academy of Sciences of the United States of America. 109 (8), 3065-3070 (2012).
  2. Worby, C. J., Chang, H. -H., Hanage, W. P., Lipsitch, M. The distribution of pairwise genetic distances: a tool for investigating disease transmission. Genetics. 198 (4), 1395-1404 (2014).
  3. Leekitcharoenphon, P., et al. Global genomic epidemiology of Salmonella enterica serovar Typhimurium DT104. Applied and Environmental Microbiology. 82 (8), 2516-2526 (2016).
  4. Alba, P., et al. Molecular epidemiology of Salmonella Infantis in Europe: insights into the success of the bacterial host and its parasitic pESI-like megaplasmid. Microbial Genomics. 6 (5), (2020).
  5. Zhou, Z., Alikhan, N. -F., Mohamed, K., Fan, Y. the Agama Study Group, Achtman, M. The EnteroBase user's guide, with case studies on Salmonella transmissions, Yersinia pestis phylogeny, and Escherichia core genomic diversity. Genome Research. 30 (1), 138-152 (2020).
  6. Azarian, T., et al. Global emergence and population dynamics of divergent serotype 3 CC180 pneumococci. PLOS Pathogens. 14 (11), 1007438(2018).
  7. Saltykova, A., et al. Comparison of SNP-based subtyping workflows for bacterial isolates using WGS data, applied to Salmonella enterica serotype Typhimurium and serotype 1,4,[5],12:i. PLOS ONE. 13 (2), 0192504(2018).
  8. Achtman, M., et al. Multi-locus sequence typing as a replacement for serotyping in Salmonella enterica. PLoS Pathogens. 8 (6), 1002776(2012).
  9. Maiden, M. C. J., et al. Multi-locus sequence typing: A portable approach to the identification of clones within populations of pathogenic microorganisms. Proceedings of the National Academy of Sciences of the United States of America. 95 (6), 3140-3145 (1998).
  10. Alikhan, N. -F., Zhou, Z., Sergeant, M. J., Achtman, M. A genomic overview of the population structure of Salmonella. PLOS Genetics. 14 (4), 1007261(2018).
  11. Gupta, A., Jordan, I. K., Rishishwar, L. stringMLST: a fast k-mer based tool for multi-locus sequence typing. Bioinformatics. 33 (1), 119-121 (2017).
  12. Jolley, K. A., Maiden, M. C. BIGSdb: Scalable analysis of bacterial genome variation at the population level. BMC Bioinformatics. 11 (1), 595(2010).
  13. Maiden, M. C. J., et al. MLST revisited: the gene-by-gene approach to bacterial genomics. Nature Reviews Microbiology. 11 (10), 728-736 (2013).
  14. Maiden, M. C. J. Multilocus sequence typing of bacteria. Annual Review of Microbiology. 60 (1), 561-588 (2006).
  15. Shapiro, B. J., Polz, M. F. Ordering microbial diversity into ecologically and genetically cohesive units. Trends in Microbiology. 22 (5), 235-247 (2014).
  16. Cordero, O. X., Polz, M. F. Explaining microbial genomic diversity in light of evolutionary ecology. Nature Reviews Microbiology. 12 (4), 263-273 (2014).
  17. Achtman, M., Wagner, M. Microbial diversity and the genetic nature of microbial species. Nature Reviews Microbiology. 6 (6), 431-440 (2008).
  18. Abudahab, K., et al. PANINI: Pangenome neighbour identification for bacterial populations. Microbial Genomics. 5 (4), (2019).
  19. Laing, C. R., Whiteside, M. D., Gannon, V. P. J. Pan-genome analyses of the species Salmonella enterica, and identification of genomic markers predictive for species, subspecies, and serovar. Frontiers in Microbiology. 8, 1345(2017).
  20. Pavlovikj, N., Gomes-Neto, J. C., Deogun, J. S., Benson, A. K. ProkEvo: an automated, reproducible, and scalable framework for high-throughput bacterial population genomics analyses. PeerJ. 9, 11376(2021).
  21. McNally, A., et al. Combined analysis of variation in core, accessory and regulatory genome regions provides a super-resolution view into the evolution of bacterial populations. PLOS Genetics. 12 (9), 1006280(2016).
  22. Langridge, G. C., et al. Patterns of genome evolution that have accompanied host adaptation in Salmonella. Proceedings of the National Academy of Sciences of the United States of America. 112 (3), 863-868 (2015).
  23. Price, M. N., Dehal, P. S., Arkin, A. P. FastTree 2 - Approximately maximum-likelihood trees for large alignments. PLoS ONE. 5 (3), 9490(2010).
  24. Page, A. J., et al. Roary: rapid large-scale prokaryote pan genome analysis. Bioinformatics. 31 (22), 3691-3693 (2015).
  25. Yoshida, C. E., et al. The Salmonella In silico typing resource (SISTR): An open web-accessible tool for rapidly typing and subtyping draft Salmonella genome assemblies. PLOS ONE. 11 (1), 0147101(2016).
  26. Cheng, L., Connor, T. R., Siren, J., Aanensen, D. M., Corander, J. Hierarchical and spatially explicit clustering of DNA sequences with BAPS software. Molecular Biology and Evolution. 30 (5), 1224-1228 (2013).
  27. Tonkin-Hill, G., Lees, J. A., Bentley, S. D., Frost, S. D. W., Corander, J. Fast hierarchical Bayesian analysis of population structure. Nucleic Acids Research. 47 (11), 5539-5549 (2019).
  28. Seemann, T. MLST. GitHub. , Available from: https://github.com/tseemann/mist (2020).
  29. Seemann, T. ABRicate. GitHub. , Available from: https://github.com/tseemann/abricate (2020).
  30. R Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing. , Vienna, Austria. at. Available from: https://cran.r-project.org (2021).
  31. Studio Team. RStudio: Integrated Development for R. Studio, PBC. , Boston, MA. Available from: http://www.rstudio.com (2020).
  32. Wickham, H., et al. Welcome to the Tidyverse. Journal of Open Source Software. 4 (43), 1686(2019).
  33. rOpenSci: The skimr package. GitHub. , Berkeley, CA. Available from: https://github.com/ropensci/skimr/ (2021).
  34. Oksanen, J., et al. vegan: Community ecology package. R package version 2.5-5. , Available from: https://CRAN.R-project.org/package=vegan (2019).
  35. Tierney, N. J., Cook, D. H. Expanding tidy data principles to facilitate missing data exploration, visualization and assessment of imputations. arXiv. , Available from: http://arxiv.org/abs/1809.02264 (2020).
  36. Yu, G. Using ggtree to visualize data on tree-like structures. Current Protocols in Bioinformatics. 69 (1), (2020).
  37. Kassambara, A. ggpubr: "ggplot2" Based Publication Ready Plots. R package version 0.4.0. , Available from: https://CRAN.R-project.org/package=ggpubr (2020).
  38. Slowikowski, K. ggrepel: Automatically Position Non-Overlapping Text Labels with "ggplot2”. R package version 0.9.1. , Available from: https://CRAN.R-project.org/package=ggrepel (2021).
  39. Wickham, H. Reshaping Data with the reshape Package. Journal of Statistical Software. 21 (12), (2007).
  40. Neuwirth, E. RColorBrewer: ColorBrewer Palettes. R package version 1.1-2. , Available from: https://CRAN.R-project.org/package=RColorBrewer (2014).
  41. Hadfield, J., Croucher, N. J., Goater, R. J., Abudahab, K., Aanensen, D. M., Harris, S. R. Phandango: an interactive viewer for bacterial population genomics. Bioinformatics. 34 (2), 292-293 (2018).
  42. Perron, G. G., et al. Functional characterization of bacteria isolated from ancient arctic soil exposes diverse resistance mechanisms to modern antibiotics. PLOS ONE. 10 (3), 0069533(2015).
  43. Mitchell, P. K., et al. Population genomics of pneumococcal carriage in Massachusetts children following introduction of PCV-13. Microbial Genomics. 5 (2), (2019).
  44. Klemm, E. J., et al. Emergence of host-adapted Salmonella Enteritidis through rapid evolution in an immunocompromised host. Nature Microbiology. 1 (3), 15023(2016).
  45. Břinda, K., et al. Rapid inference of antibiotic resistance and susceptibility by genomic neighbour typing. Nature Microbiology. 5 (3), 455-464 (2020).
  46. MacFadden, D. R., et al. Using genetic distance from archived samples for the prediction of antibiotic resistance in Escherichia coli. Antimicrobial Agents and Chemotherapy. 64 (5), (2020).
  47. Mageiros, L., et al. Genome evolution and the emergence of pathogenicity in avian Escherichia coli. Nature Communications. 12 (1), 765(2021).
  48. Yahara, K., et al. Genome-wide association of functional traits linked with Campylobacter jejuni survival from farm to fork. Environmental Microbiology. 19 (1), 361-380 (2017).
  49. Walter, J., Maldonado-Gómez, M. X., Martínez, I. To engraft or not to engraft: an ecological framework for gut microbiome modulation with live microbes. Current Opinion in Biotechnology. 49, 129-139 (2018).
  50. Maldonado-Gómez, M. X., et al. Stable engraftment of Bifidobacterium longum AH1206 in the human gut depends on individualized features of the resident microbiome. Cell Host & Microbe. 20 (4), 515-526 (2016).
  51. Zhao, S., et al. Adaptive evolution within gut microbiomes of healthy people. Cell Host & Microbe. 25 (5), 656-667 (2019).
  52. Treangen, T. J., Ondov, B. D., Koren, S., Phillippy, A. M. The Harvest suite for rapid core-genome alignment and visualization of thousands of intraspecific microbial genomes. Genome Biology. 15 (11), 524(2014).
  53. Letunic, I., Bork, P. Interactive Tree Of Life (iTOL) v5: an online tool for phylogenetic tree display and annotation. Nucleic Acids Research. 49, 293-296 (2021).
  54. Croucher, N. J., et al. Rapid phylogenetic analysis of large samples of recombinant bacterial whole genome sequences using Gubbins. Nucleic Acids Research. 43 (3), 15(2015).
  55. Fenske, G. J., Thachil, A., McDonough, P. L., Glaser, A., Scaria, J. Geography shapes the population genomics of Salmonella enterica Dublin. Genome Biology and Evolution. 11 (8), 2220-2231 (2019).
  56. Lees, J. A., et al. Fast and flexible bacterial genomic epidemiology with PopPUNK. Genome Research. 29 (2), 304-316 (2019).
  57. Cohan, F. M. Towards a conceptual and operational union of bacterial systematics, ecology, and evolution. Philosophical Transactions of the Royal Society B: Biological Sciences. 361 (1475), 1985-1996 (2006).
  58. Cohan, F. M., Koeppel, A. F. The origins of ecological diversity in prokaryotes. Current Biology. 18 (21), 1024-1034 (2008).
  59. Cohan, F. M. Transmission in the origins of bacterial diversity, from ecotypes to phyla. Microbial Transmission. 5 (5), 311-343 (2019).
  60. Davis, J. J., et al. The PATRIC bioinformatics resource center: expanding data and analysis capabilities. Nucleic Acids Research. 48, 606-612 (2019).
  61. Feng, Y., Zou, S., Chen, H., Yu, Y., Ruan, Z. BacWGSTdb 2.0: a one-stop repository for bacterial whole-genome sequence typing and source tracking. Nucleic Acids Research. 49, 644-650 (2021).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

ProkEvo

מאמרים קשורים