(ASSEMBLY_BINNING_description)= # ASSEMBLY_BINNING 이 모듈은 메타게놈 데이터의 de novo 어셈블리, 빈닝 및 빈 정제를 위해 설계된 metaFun 파이프라인의 일부입니다. ## 개요 ASSEMBLY_BINNING 모듈은 *de novo* 어셈블리와 빈닝 및 정제 과정을 위한 모듈입니다. 이 모듈은 품질 제어된 메타게놈 리드의 de novo 어셈블리를 수행한 후, 메타게놈 빈닝을 통해 정제 과정을 거친 메타게놈 어셈블 게놈(MAG)을 복원합니다. ## 모듈 실행 ```{code-block} bash # 기본 사용법 (metafun) metafun -module ASSEMBLY_BINNING # RAWREAD_QC에서 사용자 정의 출력 경로를 사용한 경우 입력 디렉토리 지정 (metafun) metafun -module ASSEMBLY_BINNING -i /path/to/filtered_reads # MEGAHIT 어셈블리 매개변수 변경 (metafun) metafun -module ASSEMBLY_BINNING --megahit_presets meta-large # 자체 학습 모드에서 SemiBin2 사용 (입력 데이터에서 특성 학습, 더 오래 걸림) (metafun) metafun -module ASSEMBLY_BINNING --semibin2_mode self # SemiBin2에 특정 환경 모델 사용 (여러 환경 모델 사용 가능) # 'human_gut','dog_gut','ocean','soil','cat_gut','human_oral','mouse_gut','pig_gut','built_environment','wastewater','chicken_caecum','global' (metafun) metafun -module ASSEMBLY_BINNING --semibin2_mode human_gut ``` :::{admonition} 어셈블리 및 빈닝 옵션 :class: note 어셈블리 및 빈닝 프로세스를 최적화하기 위한 여러 옵션이 있습니다: 모든 옵션을 한 명령줄에 지정할 수 있습니다. **MEGAHIT 어셈블리 프리셋:** - 기본값은 대부분의 메타게놈에 균형이 맞는 `default`로 설정되어 있습니다. - 토양과 같은 크고 복잡한 메타게놈의 경우 `--megahit_presets meta-large` 사용: ```{code-block} bash :caption: 복잡한 메타게놈에 meta-large 프리셋 사용 (metafun) metafun -module ASSEMBLY_BINNING --megahit_presets meta-large ``` - 더 민감하지만 느린 어셈블리의 경우 `--megahit_presets meta-sensitive` 사용: ```{code-block} bash :caption: 더 높은 민감도를 위해 meta-sensitive 프리셋 사용 (metafun) metafun -module ASSEMBLY_BINNING --megahit_presets meta-sensitive ``` **SemiBin2 환경 모델:** - 기본값은 `self`(참조 모델 없이 자체 감독 학습)로 설정되어 있습니다. - 참조 데이터가 없는 새로운 환경의 경우 자체 감독 모드 사용: ```{code-block} bash :caption: 새로운 환경에 자체 감독 모드 사용 (metafun) metafun -module ASSEMBLY_BINNING --semibin2_mode self ``` - 특정 환경의 경우 사용 가능한 모델 중에서 선택: ```{code-block} bash :caption: 환경별 모델 사용 # 인간 마이크로바이옴 (metafun) metafun -module ASSEMBLY_BINNING --semibin2_mode human_gut (metafun) metafun -module ASSEMBLY_BINNING --semibin2_mode human_oral # 동물 마이크로바이옴 (metafun) metafun -module ASSEMBLY_BINNING --semibin2_mode dog_gut (metafun) metafun -module ASSEMBLY_BINNING --semibin2_mode cat_gut (metafun) metafun -module ASSEMBLY_BINNING --semibin2_mode mouse_gut (metafun) metafun -module ASSEMBLY_BINNING --semibin2_mode pig_gut (metafun) metafun -module ASSEMBLY_BINNING --semibin2_mode chicken_caecum # 환경 샘플 (metafun) metafun -module ASSEMBLY_BINNING --semibin2_mode ocean (metafun) metafun -module ASSEMBLY_BINNING --semibin2_mode soil (metafun) metafun -module ASSEMBLY_BINNING --semibin2_mode wastewater (metafun) metafun -module ASSEMBLY_BINNING --semibin2_mode built_environment # 범용 모델 (metafun) metafun -module ASSEMBLY_BINNING --semibin2_mode global ``` ::: ## 모듈 작동 순서 이 모듈은 다음 단계를 수행합니다: 1. MEGAHIT를 사용한 *De novo* 어셈블리 2. 일관된 형식을 위한 컨티그 이름 변경 3. 어셈블된 컨티그에 대한 Bowtie2 인덱스 구축 4. 컨티그에 메타게놈 리드 매핑 5. MetaBAT2 및 SemiBin2를 사용한 메타게놈 빈닝 6. DAS Tool을 사용한 빈 정제 ## 매개변수 **`${launchDir}`은 metaFun을 실행하는 디렉토리로, 출력 기본 디렉토리로 활용됩니다.** | 매개변수 | 설명 | 기본값 | 참고 | |-----------|-------------|---------------|------| | `-i, --inputDir` | 필터링된 리드가 있는 입력 디렉토리 | `${launchDir}/results/metagenome/RAWREAD_QC/read_filtered` | RAWREAD_QC 모듈의 출력 또는 품질 필터링된 리드가 포함된 자체 디렉토리를 지정합니다. RAWREAD_QC 모듈에서 출력 디렉토리를 지정하지 않은 경우 입력 디렉토리 없이 실행할 수 있습니다. | | `-o, --outdir` | 출력 디렉토리 | `${launchDir}/results/metagenome/ASSEMBLY_BINNING` | 다운스트림 분석을 위해 기본값 권장 | | `--megahit_presets` | MEGAHIT 어셈블리 프리셋 | `default` | 옵션: `default`, `meta-large`, `meta-sensitive` | | `--semibin2_mode` | SemiBin2 환경 모델 | `self` | 옵션: `self`, `human_gut`, `dog_gut`, `ocean`, `soil` 등 | | `-p, --processors` | 사용할 CPU 수 | `8` | | ## **입력 및 출력** ### 입력 * 품질 제어된 페어드 엔드 메타게놈 리드(RAWREAD_QC 워크플로우에서) * 이 리드는 호스트 필터링 및 품질 트리밍이 되어 있어야 함 * 기본 입력 디렉토리: `${launchDir}/results/metagenome/RAWREAD_QC/read_filtered` (ASSEMBLY_BINNING_output)= ### 출력 * 어셈블된 컨티그(FASTA 형식) * 여러 빈닝 방법으로부터의 메타게놈 어셈블 게놈(MAG): * MetaBAT2 빈 * SemiBin2 빈 * MetaBAT2와 SemiBin2를 사용한 DAS Tool 정제 빈 * 관련 매핑 파일 및 중간 결과(Nextflow의 작업 디렉토리에서 확인 가능) ### 출력 디렉토리 구조 출력 디렉토리는 ${launchDir}/results/metagenome/ASSEMBLY_BINNING 또는 `-o outdir`로 지정한 디렉토리 경로에 있습니다. ```{admonition} 입력 및 출력 디렉토리 전환 :class: note `-o ${output directory}`로 사용자 정의 출력 디렉토리를 정의하는 경우, 다운스트림 워크플로우에서 입력 매개변수를 적절히 수정해야 합니다. 기본 출력 디렉토리는 ${launchDir}의 `results/metagenome/ASSEMBLY_BINNING`입니다. ``` ```{code-block} bash :caption: 출력 디렉토리 구조 ${launchDir}/results/metagenome/ASSEMBLY_BINNING/ ├── assembled_contigs/ # MEGAHIT 어셈블리 결과 │ ├── results/ │ │ ├── assembly/ │ │ │ ├── ${sample_id}/ │ │ │ │ ├── ${sample_id}_renamed_MH.contigs.fa # 어셈블되고 이름이 변경된 컨티그 │ ├── ... ├── metabat2_bins/ # MetaBAT2 빈닝 결과 │ ├── ${sample_id}_MB2.1.fa # 개별 MetaBAT2 빈 │ ├── ${sample_id}_MB2.2.fa │ ├── ${sample_id}_MB2.3.fa │ ├── ... ├── semibin2_bins/ # SemiBin2 빈닝 결과 │ ├── ${sample_id}_${mode}_SB2_0.fa # 개별 SemiBin2 빈 │ │ # 여기서 ${mode}는 선택한 환경 모델임(예: self, human_gut) │ ├── ${sample_id}_${mode}_SB2_1.fa │ ├── ${sample_id}_${mode}_SB2_2.fa │ ├── ... ├── dastool_bins/ # DAS Tool 정제 빈 │ ├── ${sample_id}_dastool_DASTool_bins/ │ │ ├── ${sample_id}_*.fa # DAS Tool 정제 빈 │ │ ├── ... │ ├── ... └── final_bins/ # 다운스트림 분석을 위한 모든 빈의 최종 모음 ├── ${sample_id}_*.fa # 모든 방법에서 최상의 빈 복사본 ├── ... ``` ## 실행 예제 및 결과 ### metaFun 명령줄 실행 예제 ```{figure} ../../images/ASSEMBLY_BINNING_command.png --- width: 100% figclass: margin-caption alt: metafun_pipeline name: ASSEMBLY_BINNING_command align: middle --- ``` ::::{admonition} SemiBin2 출력 파일 이름 지정에 대해 :class: note SemiBin2 출력 파일 이름은 다음 패턴을 따릅니다: `${sample_id}_${mode}_SB2_${number}.fa` - `${sample_id}`: 입력 리드의 샘플 식별자 - `${mode}`: `--semibin2_mode`로 선택한 SemiBin2 환경 모델 - 예: `self`, `human_gut`, `ocean` 등 - `${number}`: 순차적 빈 번호 예: `SRR6915091_human_gut_SB2_14.fa` :::: **assembled_contigs 폴더의 어셈블리와 final_bins 디렉토리의 게놈이 이 모듈의 주요 출력 파일입니다.** 생성된 빈의 품질은 BIN_ASSESSMENT 모듈에서 평가할 수 있습니다. ## ASSEMBLY_BINNING 모듈의 Nextflow 프로세스 | 프로세스 | InputDir | OutputDir | 참고 | |---------|----------|-----------|------| | AssemblyAndRename | `${params.inputDir}` | `${params.outdir}/assembled_contigs` | MEGAHIT 어셈블리 및 컨티그 이름 변경 | | Bowtie2IndexBuild | AssemblyAndRename의 출력 | 중간 결과 | 컨티그에 대한 Bowtie2 인덱스 구축 | | MHcontig2sortedbam | 리드 및 Bowtie2 인덱스 | 중간 결과 | 컨티그에 리드를 매핑하고 정렬된 BAM 생성 | | MB2_binning | 정렬된 BAM 및 컨티그 | `${params.outdir}/metabat2_bins` | MetaBAT2 빈닝 | | SB2_binning | 정렬된 BAM 및 컨티그 | `${params.outdir}/semibin2_bins` | SemiBin2 빈닝 | | Contigs2bin_prep_mb2 | MetaBAT2 빈 | 중간 결과 | DAS Tool을 위한 MetaBAT2 빈 정보 준비 | | Contigs2bin_prep_sb2 | SemiBin2 빈 | 중간 결과 | DAS Tool을 위한 SemiBin2 빈 정보 준비 | | Dastool | MetaBAT2 및 SemiBin2 빈 정보, 컨티그 | `${params.outdir}/dastool_bins` | DAS Tool 빈 정제 | | get_bins | DAS Tool의 모든 빈 | `${params.outdir}/final_bins` | 다운스트림 분석을 위한 모든 빈 수집 | ## ASSEMBLY_BINNING 워크플로우의 프로세스 설명 1. **AssemblyAndRename**: MEGAHIT를 사용하여 de novo 어셈블리를 수행하고 일관된 형식을 위해 컨티그 이름을 변경합니다. `assembled_contigs/results/assembly/${sample_id}/${sample_id}_renamed_MH.contigs.fa`에 출력을 생성합니다. 2. **Bowtie2IndexBuild**: 리드 매핑을 용이하게 하기 위해 어셈블된 컨티그에 대한 Bowtie2 인덱스를 구축합니다. 매핑 단계에서 사용되는 `${sample_id}_MH_bt2_index.*.bt2` 이름의 인덱스 파일을 생성합니다. 3. **MHcontig2sortedbam**: Bowtie2를 사용하여 컨티그에 리드를 매핑하고 빈닝을 위한 정렬된 BAM 파일을 생성합니다. 두 빈닝 방법 모두에 필요한 `${sample_id}_sorted.bam` 및 `${sample_id}_sorted.bam.bai` 파일을 생성합니다. 4. **MB2_binning**: MetaBAT2를 사용하여 메타게놈 빈닝을 수행합니다. 이는 커버리지와 시퀀스 구성을 기반으로 컨티그를 빈닝합니다. `${sample_id}_MB2.${number}.fa` 명명 패턴으로 빈을 생성합니다. 5. **SB2_binning**: SemiBin2를 사용하여 메타게놈 빈닝을 수행합니다. 이는 딥 러닝을 사용하여 빈닝합니다. `${sample_id}_${mode}_SB2_${number}.fa` 명명 패턴으로 빈을 생성합니다. 여기서 `${mode}`는 선택한 환경 모델입니다. 6. **Contigs2bin_prep_mb2** 및 **Contigs2bin_prep_sb2**: DAS Tool 통합을 위한 컨티그-빈 파일을 준비합니다. 이 프로세스는 DAS Tool이 필요로 하는 컨티그와 빈 사이의 매핑 파일을 생성합니다. 7. **Dastool**: 두 빈닝 방법에서 빈을 정제하고 통합하여 더 높은 품질의 MAG를 생성합니다. `${sample_id}_dastool_DASTool_bins/` 디렉토리에 정제된 빈을 출력합니다. 8. **get_bins**: 모든 생성된 빈을 수집하여 다운스트림 분석에 쉽게 접근할 수 있도록 `final_bins/` 디렉토리에 배치합니다. 이 디렉토리는 BIN_ASSESSMENT 모듈의 주요 입력으로 사용됩니다. ## ASSEMBLY_BINNING에서 사용되는 도구 | 도구 | 목적 | 버전 | 기본 매개변수 | 선택할 수 있는 매개변수 | |------|---------|---------|---------------------|--------------------------------| | MEGAHIT | De novo 어셈블리 | 1.2.9 | `megahit_presets`에 따라 다양 | `--presets ${params.megahit_presets}` | | Bowtie2 | 리드 매핑 | 2.5.2 | `--sensitive` | 이 스크립트에 지정되지 않음 | | MetaBAT2 | 메타게놈 빈닝 | 2.15 | `-m 1500` | 이 스크립트에 지정되지 않음 | | SemiBin2 | 메타게놈 빈닝 | 2.1.0 | 미리 훈련된 인간 장내 모델을 사용한 `single_easy_bin` 모드 | `--semibin2_mode ${mode}` | | DAS Tool | 빈 정제 | 1.1.7 | `--score_threshold=0` | 이 스크립트에 지정되지 않음 | ## 사용 참고 사항 - 스크립트는 진행하기 전에 입력 디렉토리의 존재 및 비어 있지 않음을 확인합니다. - SemiBin2는 `--semibin2_mode ${mode}`를 설정하여 자체 감독 모드 또는 사전 제작된 환경 모델과 함께 실행할 수 있습니다: - 참조 게놈이 없는 새로운 환경의 경우 `self` 사용 - 사용 가능한 환경 모델: `human_gut`, `dog_gut`, `ocean`, `soil`, `cat_gut`, `human_oral`, `mouse_gut`, `pig_gut`, `built_environment`, `wastewater`, `chicken_caecum`, `global` - 복잡한 메타게놈의 경우 더 나은 어셈블리를 위해 `--megahit_presets meta-large` 사용 고려 - 민감한 어셈블리(더 많은 계산이 필요)의 경우 `--megahit_presets meta-sensitive` 사용 - **ASSEMBLY_BINNING** 워크플로우는 RAWREAD_QC 워크플로우의 출력과 함께 작동하도록 설계되었습니다. - 결과 빈은 BIN_ASSESSMENT 모듈에서 품질 및 분류학적 분류에 대해 평가할 수 있습니다. ## 다음 단계 이 모듈로 MAG를 생성한 후, BIN_ASSESSMENT로 진행하여: - CheckM2 및 GUNC를 사용한 게놈 품질 평가 - GTDB-Tk를 사용한 분류 분류 - 품질 지표에 따른 빈 필터링 - 다운스트림 분석을 위한 메타데이터와 결과 결합