Base de datos de taxonomía del genoma

La Base de Datos de Taxonomía Genómica (GTDB) es una base de datos en línea que mantiene información sobre una nomenclatura propuesta de procariotas , siguiendo un enfoque filogenómico basado en un conjunto de proteínas de copia única conservadas. Además de resolver grupos parafiléticos , este método también reasigna rangos taxonómicos algorítmicamente, actualizando los nombres en ambos casos. ^{[ 1 ]} La información para las arqueas se agregó en 2020, ^{[ 2 ]} junto con una clasificación de especies basada en la identidad nucleotídica promedio . ^{[ 3 ]} Cada actualización incorpora nuevos genomas, así como la curación automatizada y manual de la taxonomía. ^{[ 4 ]}

Existe una herramienta de código abierto llamada GTDB-Tk para clasificar los genomas preliminares en la jerarquía GTDB. ^{[ 5 ]} El sistema GTDB, a través de GTDB-Tk, se ha utilizado para catalogar bacterias aún no nombradas en el microbioma intestinal humano y otras fuentes metagenómicas . ^{[ 6 ] [ 7 ]}

La GTDB se incorporó al Manual de Sistemática de Arqueas y Bacterias de Bergey en 2019 como su recurso filogenómico. ^{[ 8 ]}

Los genomas utilizados para construir la filogenia se obtienen del NCBI ( RefSeq y GenBank ), y las versiones de GTDB se indexan a las versiones de RefSeq , comenzando con la versión 76. Es importante destacar que este conjunto de datos incluye, cada vez con mayor frecuencia, genomas preliminares de microorganismos no cultivados obtenidos a partir de metagenomas y células individuales, lo que garantiza una mejor representación genómica del mundo microbiano. Todos los genomas se someten a un control de calidad independiente mediante CheckM antes de su inclusión en GTDB. ^{[ 9 ]}

Los genomas primero se someten a la llamada de genes para extraer los genes. La taxonomía se basa en árboles inferidos con FastTree a partir de un conjunto concatenado alineado de 120 proteínas marcadoras de copia única para Bacteria bajo un modelo WAG, y con IQ-TREE a partir de un conjunto concatenado de 53 (desde RS207; 122 antes) proteínas marcadoras para Archaea bajo el modelo PMSF. También se utilizan conjuntos de marcadores adicionales para validar de forma cruzada las topologías de los árboles, incluidas las proteínas ribosómicas concatenadas y los genes de ARN ribosómico. ^{[ 9 ]} La métrica de divergencia evolutiva relativa (RED), que determina los rangos taxonómicos utilizados, se deriva de los dos árboles principales mediante el programa PhyloRank. ^{[ 1 ]}

Las especies se delimitan utilizando la identidad nucleotídica promedio y la fracción de alineación, ambas calculadas por skani . Para las especies existentes en una versión anterior, GTDB compara la calidad y la posición de dos genomas y puede decidir cambiar a un nuevo genoma representativo de la especie . ^{[ 9 ]}

La taxonomía proviene de las siguientes fuentes:

• Una versión anterior, si está disponible para el vecindario de similitud genómica.
• La taxonomía del Centro Nacional de Información Biotecnológica (NCBI) se utilizó inicialmente para decorar el árbol del genoma a través de tax2tree. ^{[ 1 ]}
• La taxonomía Greengenes basada en el ARNr 16S se utiliza para complementar la taxonomía, particularmente en regiones del árbol sin representantes cultivados. ^{[ 1 ]}
• La Lista de nombres procariotas con estatus en la nomenclatura (LPSN) se utiliza como la principal autoridad taxonómica para establecer prioridades de nomenclatura. ^{[ 1 ]}

El personal de GTDB organiza la taxonomía a partir de las fuentes mencionadas anteriormente, comparándola con los resultados de PhyloRank y el árbol filogenético.

• El nodo del árbol correspondiente a un nombre de taxón puede tener un ROJO inapropiado para su rango. El nombre puede ser movido a otro nodo o (cambiando el sufijo latino) a un rango diferente. ^{[ 1 ]}
  • La división puede ocurrir a nivel de especies o géneros si la divergencia resulta demasiado alta. Esto crea nuevos taxones. ^{[ 3 ]}
• El taxón puede resultar polifilético. El curador primero restringe el taxón al clado que contiene su material tipo. Se crea un nuevo taxón para cada uno de los demás clados. ^{[ 1 ]}

Para cada nuevo taxón, los curadores intentan encontrar un nombre propuesto en la literatura. Si no se propone ningún nombre, se le asigna un nombre provisional añadiendo un sufijo al nombre original, por ejemplo, Lactobacillus gasseri _A. Después de "Z" viene "AA". ^{[ 1 ]}

Cada lanzamiento contiene: ^{[ 10 ]}

• Tablas taxonómicas que contienen la asignación de todos los ensamblajes genómicos incluidos a la taxonomía de filo a especie. (Una por dominio).
• Archivos que contienen los metadatos de cada ensamblaje genómico, incluyendo la taxonomía original del NCBI, el identificador de cepa original, la taxonomía de GTDB, las estimaciones de calidad y la presencia de genes importantes (ARNt y ARNr). (Uno por dominio).
• Archivos Newick del árbol de especies que contienen los genomas representativos de cada especie (uno por especie), construidos como se describe en la sección anterior. (Uno por dominio).
• Para genomas representativos de especies:
  • alineamientos de genes marcadores identificados a partir de estos genomas
  • archivo que contiene una secuencia de ARNr 16S de cada especie
  • Archivos tarball que contienen versiones de aminoácidos y nucleótidos de todos los genes predichos en estos genomas.
  • archivo tarball que contiene el contenido completo de todos estos genomas.
• Para todos los genomas que superan el control de calidad:
  • alineamientos de genes marcadores identificados a partir de estos genomas
  • Archivo que contiene todas las secuencias de ARNr 16S identificadas en estos genomas.
• Archivos auxiliares; consulte el archivo FILE_DESCRIPTIONS.txt completo.

La interfaz web muestra un árbol basado en la taxonomía (no en el archivo Newick completo), hasta el nivel de ensamblaje del genoma. Cada ensamblaje del genoma tiene una página que detalla sus metadatos y un historial de su clasificación en cada versión de GTDB. Incluye una función de búsqueda.

GTDB se ha convertido en un recurso importante para la taxonomía procariota. Tanto su árbol de especies como elementos de su metodología son utilizados por los taxónomos para mejorar la taxonomía actual aceptada según el Código Procariota . Por ejemplo, un taxónomo puede hacer referencia al árbol de GTDB sobre su propio árbol filogenético para respaldar aún más una propuesta taxonómica. ^{[ 11 ]}

Se han presentado propuestas aún más ambiciosas para incorporar gran parte de la base de datos a la taxonomía aceptada. Un artículo de 2022 en el IJSEM , escrito por autores externos, propone asignar nombres basados ​​en sílabas latinas sin significado a más de 65.000 taxones de GTDB, ^{[ 12 ]} aunque ninguno de estos nombres se ha incorporado a la LPSN. Un artículo de 2023 del equipo de GTDB propone incorporar 223 taxones de orden superior al sistema Prokaryotic Code y 49 al sistema SeqCode . ^{[ 13 ]} Muchos de los nombres publicados bajo el Prokaryotic Code ya han sido validados. ^{[ 14 ]} (El SeqCode requiere el registro de los nombres para su publicación válida, lo cual también se ha realizado).

• PhyloCode
• Centro Nacional de Información Biotecnológica
• Base de datos de ARN ribosómico SILVA
• Lista de nombres procariotas con estatus en la nomenclatura

• Zhu, Q; Mai, U; Pfeiffer, W; et  al. (2 de diciembre de 2019). "Filogenómica de 10.575 genomas revela proximidad evolutiva entre los dominios Bacteria y Archaea" . Nature Communications . 10 (1): 5477. Bibcode : 2019NatCo..10.5477Z . doi : 10.1038/ s41467-019-13443-4 . PMC 6889312. PMID 31792218 .  – un esfuerzo independiente similar que también evalúa la calidad taxonómica de GTDB.

• AnnoTree : herramienta de terceros para la visualización de anotaciones genómicas utilizando el árbol de especies GTDB (R95 o R214).