宏基因组组装基因组 (MAG) 为利用宏基因组测序数据探索微生物「暗物质」提供了宝贵的见解。然而，人们越来越担心MAG中的污染可能会严重影响下游分析的结果。目前的MAG净化工具主要依赖于标记基因，并没有充分利用基因组序列的背景信息。为了克服这一限制，香港浸会大学（Hong Kong Baptist University）和英伟达AI技术中心（NVIDIA AI Technology Center）的研究人员提出了Deepurify来进行MAG净化。该研究以「A multi-modal deep language model for contaminant removal from metagenome-assembled genomes」为题，于2024年10月7日发布在Nature Machine Intelligence。

Deepurify使用多模态深度语言模型和对比学习来匹配微生物基因组序列与其分类谱系。它将MAG内的contig分配给MAG分离树，并应用树遍历算法将MAG划分为子MAG，目的是最大化高质量和中质量子MAG的数量。

Deepurify在模拟数据、CAMI数据集和复杂程度各异的真实数据集上的表现均优于竞品（MDMclearer和MAGpurify）。在土壤、海洋、植物、淡水和人类粪便宏基因组测序数据集中，Deepurify分别使高质量MAG的数量增加了20.0%、45.1%、45.5%、33.8%和28.5%。

利用短读宏基因组测序数据进行基因组组装已成为研究复杂环境中微生物暗物质的常用方法。然而，单个重叠群仅捕获完整微生物基因组的一个片段。因此，需要进行重叠群分箱，将具有相似序列特征和丰度的重叠群分组以代表微生物基因组。

有研究表明，MAG污染是宏基因组组装中重叠群分箱过程中的一大挑战。已经开发出MAGpurify和MDMcleaner等工具来解决此问题，方法是从MAG中去除受污染的重叠群。

然而，这些工具有一些局限性。如果核心基因组和受污染基因组的LCA属于同一科或属，它们很难区分重叠群。

同时，还有来自源基因组的重叠群的挑战，这些重叠群在参考数据库中是不存在的。此外，这些工具主要关注基因，而忽略了基因顺序和基因组重排等基因组变异。

在最新的研究中，香港浸会大学和英伟达AI技术中心的研究人员开发了Deepurify，一种多模态深度语言模型，用于高分辨率和广义的MAG净化。

在训练过程中，Deepurify使用两个编码器，GseqFormer和长短期记忆 (LSTM)，分别生成基因组序列及其源基因组分类谱系的嵌入。然后，这些嵌入用于对比学习，以建立这两种类型的模态之间的关系。

Deepurify训练流程。

在净化过程中，Deepurify首先根据预测的分类谱系评估MAG中重叠群的分类相似性。预测的分类谱系用于构建MAG分离树，其中每个节点包含特定分类群中具有相同分类谱系的重叠群。每个节点的重叠群根据其序列嵌入和注释的单拷贝基因 (SCG) 分组为子MAG。

Deepurify用于MAG净化的工作流程。

研究人员使用了一种树遍历算法来选择子MAG，旨在从树中最大化高质量和中等质量MAG的总数。此外，他们实施了一种名为Deepurify_Iter的迭代净化策略，以促进来自多个分箱工具的MAG的逐步净化。

Deepurify_Iter中使用的迭代净化策略的工作流程。

对于模拟数据，Deepurify在MAG净化方面的表现优于两种最先进的工具MAGpurify和MDMcleaner，如下图所示。

不同污染率下平衡宏观F1得分的平均数。

Deepurify还展示了出色的泛化能力，即使训练集中没有源基因组，也能准确识别受污染的重叠群，如下图。对于宏基因组解释的关键评估 (CAMI) I和真实世界的宏基因组测序数据集，研究团队使用GUNC来评估净化后的MAG的污染水平。

不同污染率下平衡宏观F1得分的平均数（训练集中没有源基因组）。

对于CAMI I数据集，研究人员将MAGpurify、MDMcleaner、Deepurify和Deepurify_Iter应用于由三个contig分箱工具生成的MAG：CONCOCT、MetaBAT2和SemiBin2。

结果表明，Deepurify和Deepurify_Iter显著减少了MAG的污染，在所有分箱工具中都超过了MAGpurify和MDMcleaner，如下图所示。

通过GUNC污染标准的高质量和中等质量MAG的数量，以及CAMI I和五个真实世界数据集的质量得分（1k=1,000）。

同时，他们将Deepurify_Iter应用于现实世界中复杂程度各异的宏基因组测序数据集，包括来自土壤、海洋、植物、淡水和人类粪便的样本。研究结果表明，Deepurify_Iter显著提高了所有这些样本中MAG的质量，高质量MAG分别增加了20.0%、45.1%、45.5%、33.8%和28.5%。并且，即使处理来自高度复杂生态系统的MAG，Deepurify_Iter的性能仍然保持稳健。

总之，该团队证明了Deepurify在从短读长宏基因组组装中去除MAG方面具有显著的效果。

论文链接：

https://www.nature.com/articles/s42256-024-00908-5

--Science AI