基准数据集构建
获取多样化的原核基因组，包括高质量参考、不同分类和模拟问题基因组，以评估不同条件下的工具性能。
从GTDB 207.0获取代表性细菌和古菌基因组，并额外下载所有大肠杆菌菌株；从NCBI下载基因组，通过GTDB元数据获取质量指标；另外对32,914个基因组引入0.5%,1%,2%的随机核苷酸删除模拟移码效应，并单独提取3,137个细菌MAG进行分析。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
跨数千物种的原核生物注释工具的大规模基准测试
Large-scale benchmarking of prokaryotic annotation tools across thousands of species
实验完整度
高本研究包含全面的大规模基准测试，涵盖多个数据集和条件，并使用多种指标（如编码密度、RNA特征、GO术语）进行功能验证，同时包含比较分析和影响评估，符合“高”的标准。
主要模型
24,393株大肠杆菌基因组 26,970种细菌代表性基因组 2,791个古菌基因组 3,137个细菌宏基因组组装基因组(MAGs)
重点核对
数据库版本：Bakta DB v5.0, EggNOG-mapper DB 2022-11-22, PGAP DB 2023-02-07, Prokka内置DB 翻译表：Mycoplasmatota使用第4套翻译表。 E. coli基因组数：24,393个，平均完整度99.72%，污染度0.41% 细菌和古菌基因组数：30,107细菌和2,791古菌，完整性均值95.45%和85.57% 移码模拟：对32,914个基因组引入0.5%，1%，2%的核苷酸缺失
摘要
背景：基因组注释是从原核生物测序数据中获取功能意义的重要步骤，然而缺乏指导工具选择的系统性评估。我们首次对四种著名的开源注释工具（Prokka、Bakta、EggNOG-mapper和PGAP）在156,033个多样化基因组上进行了大规模研究。其中包括用于基线性能的大肠杆菌菌株、数千种古菌和细菌基因组，以及移码和宏基因组组装的基因组。结果：Bakta在注释高质量细菌基因组方面表现出色，而PGAP在注释古菌基因组和具有挑战性的细菌组装体（包括宏基因组组装、片段化或受污染的样本）方面更胜一筹。对于基因本体注释，PGAP始终提供更广泛的术语覆盖范围，而EggNOG-mapper为每个特征提供更多的术语。结论：我们的研究结果强调了工具特定的优势，这对于根据基因组质量、分类学和来源（例如MAG）选择最佳解决方案至关重要。这项研究为用户提供了基于证据的指南，并为未来的工具开发提供了信息。补充信息：在线版本包含补充材料，可在 https://doi.org/10.1186/s13059-026-04262-0 获取。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 哪种原核生物基因组注释工具在不同基因组质量、分类和来源下表现最佳？
- 核心机制
- 不同工具采用不同的预测策略（如序列相似性 vs 直系同源），导致在编码密度、RNA检测和GO注释覆盖上存在差异；PGAP通过ORFfinder和ProSplign实现了对移码的鲁棒性。
- 主要证据
- 基于156,033个基因组的注释分析，比较编码密度、RNA特征和GO术语覆盖度，显示Bakta在细菌描述编码密度上领先，PGAP在总编码密度和困难基因组（如MAGs）上更稳定，且对移码具有鲁棒性。
- 研究意义
- 研究为选择注释工具提供了循证指南，强调了工具特定优势，并有助于未来工具的发展。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
基因组注释
使用四种工具对基因组进行注释，获取编码基因、RNA和功能注释。
分别使用Prokka、Bakta、EggNOG-mapper和PGAP的默认参数（除特定翻译表调整）对每个基因组进行注释，生成GFF文件。
注释质量评估
比较各工具在编码密度、RNA特征、GO注释等方面的性能。
从注释文件中计算编码密度（总、描述、未描述）、RNA特征（rRNA、tRNA、tmRNA）数量和GO术语覆盖度与富集度。
不同数据集上的性能比较
评估工具在不同分类、基因组完整性和来源上的性能差异。
比较E. coli菌株（高完整性、低变异性）与细菌/古菌代表基因组（跨物种），以及MAGs（低完整性、高变异）上的工具表现，并分析移码的影响。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
基因组注释方法
评估工具性能的方法
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 基因组注释 | Prokka | -- | -- |
| Bakta | -- | -- | |
| EggNOG-mapper | -- | -- | |
| PGAP | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 基因组数据获取 | GTDB 207.0版本；NCBI下载；质量指标包括CheckM完整性、污染度；E. coli菌株命名筛选；代表基因组的条件 阅读提示：Methods: Datasets; Data querying and extraction |
| 注释工具参数 | 各工具版本、数据库版本、命令参数；特别是EggNOG-mapper的GO证据限制；PGAP的taxonomy输入 阅读提示：Methods: Tools; Prokka/Bakta/EggNOG-mapper/PGAP部分 |
| 移码模拟 | 删除百分比（0.5%,1%,2%），随机删除方法，基因组数量 阅读提示：Methods: Frameshifts |
| 数据分析指标 | 编码密度计算公式、未描述特征定义、GO术语提取方法、RNA特征识别方法 阅读提示：Methods: Data analysis |