温馨提示：请使用火狐或者Chrome的网页浏览器来查看报告

{示例企业}宏基因组分箱数据分析结题报告

---

一 概述

宏基因组分箱（Binning）是将宏基因组测序得到的混合了 不同微生物的序列reads或序列组装得到的contigs或scaffolds按物种分开归类的过程。 这些分开归类的序列被称为宏基因组组装基因组（metagenome-assembled genomes，MAGs）。 传统的单物种全基因组序列都是经纯培养之后，再进行全基因组de novo测序才获得的， 但是环境中存在着大量的不可培养微生物（uncultured candidate bacterial species，未培养候选菌种）， 而宏基因组分箱及相关技术不仅有助于获得不可培养微生物的基因组序列，还有以下诸多功能： （1）发现新物种，预测新物种基因，利用现有数据库分析新物种的功能； （2）扩充微生物基因组数据库，增加微生物多样性，提高宏基因组数据reads mapping率（检出率）； （3）有助于宏基因组技术开发； （4）助力“感兴趣”微生物群结构和功能的研究； （5）为菌群的分类和功能描述提供了更多的解决方案。 早在2011年，science上的一篇文章就用了宏基因组Binning技术对来自牛瘤胃的样本进行了宏基因组测序研究。 该研究从268 Gbp的宏基因数据中成功Binning出了15个不能培养的微生物的全基因组序列 ^[17]。

从那以后，宏基因组Binning技术开始被更多的人关注和重视， 也逐渐出现了很多宏基因组Binning相关的工具。 Metabat是近几年所有分箱工具中最受欢迎的工具（截止2020年, 引用达460+）。 2019年发表在PeerJ上的新版Metabat2更是在完成度、效率等多方面均优于Metabat和同类工具 。 仅在2019年当年Metabat2就已经被Cell、Nature Biotechnology、Genome Biology等多篇高水平期刊引用 。 因此{示例企业}从众多分箱工具中选择Metabat2进行分箱。 不仅如此，{示例企业}宏基因组分箱分析流程中使用的每一个软件都是根据效率、准确度等多个参数从众多同类软件中精选出来的， 例如序列组装工具Megahit，MAG质检工具Checkm，功能预测工具Prokka，蛋白比对工具Diamond等等。

---

二 项目流程

2.1 实验流程

2.2 数据分析流程

本报告中，宏基因组分箱的数据分析流程如图2-2标准分析部分所示， 主要步骤为质控，去宿主，分箱，MAG去冗余和筛选，MAG丰度计算(定量)， MAG功能注释，MAG物种注释，MAG圈图等。

---

三 结果文件夹解读

00-QCStats序列质控和去宿主序列

    |--00-QCStats
    | |--1-QC_report_Rawfastq/*.html [原始数据fastqc质检结果]
    | |--2-QC_report_Filtered/*.html [序列质控和去宿主序列之后的fastqc质检结果]
    | |--reads_summary.txt [数据产出质量情况一览表]

本项目采用Illumina测序平台对测序样本进行双端测序。 基于FASTQ格式的测序文件是一种存储序列信息的特定文件，推荐用Notepad++等文本编辑器或者在电脑终端中打开。 FASTQ文件每四行对应一条测序Read：第一行以符号“@”起始，对应于序列ID和相应的描述信息； 第二行为实际测得的碱基序列；第三行以符号“+”起始； 而第四行的字符串则记录了第二行序列中每个碱基所对应的测序质量。

采用 Illumina测序平台测序获得的原始数据(Raw Data)存在一定比例低质量数据， 为了保证后续分析的结果准确可靠，需要对原始的测序数据进行预处理，包括质控 （Trimmomatic^[16] 参数：ILLUMINACLIP:adapters_path:2:30:10 SLIDINGWINDOW:4:20 MINLEN:50）， 和去宿主序列（Bowtie2^[2]参数：--very-sensitive），获取用于后续分析的有效序列（clean data）。 测序数据预处理统计结果见表 3-1。序列质控步骤关键参数解释如下：

1. 去除接头序列 (参数ILLUMINACLIP:adapters_path:2:30:10)；
2. 扫描序列（4bp滑窗大小），如果平均质量分低于20（99%正确率），切除后续序列（参数SLIDINGWINDOW:4:20）；
3. 去除最终长度小于50bp的序列（参数MINLEN:50）。

01-MAG分箱与MAGs质控

文件说明：
|--01-MAG
| |--1-MAG_raw/*.fa [所有样本分箱得到的MAGs]
| |--2-MAG_pick/*.fa [筛选和去冗余后的MAGs]
| |--MAGs_picked_summary.txt [统计所有筛选得到的MAGs：完成度、污染度、N50、N90、Size、GC含量]
| |--checkm_raw.txt [所有MAGs的污染度、完整度]

对于每个样本，运用Megahit^[1]软件， 将样本去宿主基因后的clean reads进行组装（megahit默认组装参数）， 得到contigs；运用Bowtie2^[2] 进行建索引和序列比对获得clean reads在contigs中的比对信息； 用Samtools软件^[3]对比对结果进行格式转换和排序； 用Metabat2^[4] 自带的jgi_summarize_bam_contig_depths程序计算contigs深度； 挑选长度大于1500bp的contigs(Metabat2参数“-m 1500”, 分箱的contig最短1500bp, 软件算法要求, 无法再降)， 结合上一步得到的contigs深度，用Metabat2对contigs进行分箱； 用RefineM ^[5] 对得到的MAGs进行提纯，去除MAGs中污染度较高的contigs。

合并所有样本中得到的MAGs，用CheckM^[6] 中的lineage_wf流程评估MAGs的完成度和污染度， 并用dRep^[7] 软件对MAGs进行去冗余(dRep 参数: --P_ani 0.9 --S_ani 0.95 --completeness 50 --contamination 50) (完成度、污染度阈值, 可在创建流程前联系技术支持修改, 创建流程后, 无法修改)。

02-MAG_Plot 分箱效果散点图

文件说明：
|--02-MAG_Plot
| |--MAGs_contig_summary.txt [散点图输入文件，含每个MAG的contig的GC含量和contig的深度信息]
| |--MAGs_contig_summary.svg [绘图结果，利用GC和depth数据把每个MAG的contig 画到图中]
		

利用可视化的方法直观展示MAG的由来和所含信息。 宏基因组分箱的原理是根据序列（contig/scaffold） 四核苷酸频率和序列丰度变化模式将序列分成一个个MAGs。 每个MAG的每个contig都会在此处理（metabat2分箱）的过程中有一个depth深度数据。 另外我们利用自己的python脚本计算每个MAG的contig GC含量。 有了contig GC含量和depth数据即可进行MAG可视化，绘制每个MAG中每个contig的散点图(图3-1)。

03-MAG_Abundance 丰度分析

03-MAG_Abundance
├── 1-Barplots [丰度柱形图]
├── 2-Heatmaps [丰度热图]
├── 3-Circos   [丰度圈图]
├── 4-SignificanceAnalysis  [丰度组间显著性差异比较]
├── 5-CorrelationAnalysis   [丰度相关性分析]
└── MAGs_abundance_table.xls [MAGs在各样本的丰度汇总表]
		

使用Metawrap^[8] 的quant_bins模块(Salmon算法)计算每个MAG的丰度。 原理是将样本clean reads比对到MAG中的contigs， 计算单个样本某个MAG中所有contigs的总TPM。

我们用R语言pheatmap绘图函数绘制样品-MAG丰度热图。 热图可以以色块颜色深浅的方式表达MAG丰度的大小，还可以进行MAG-MAG聚类和样品-样品聚类，相似的丰度模式会被聚到一起。 然后，统计每个MAG的丰度总数，用ggplot geom_bar绘制柱形图并排序，展示整批数据中所有MAG的丰度情况。 如果客户提供的样品分组>=2且每组样品在三个以上，那么还可以用lefse进行组间差异分析寻找与分组有关的MAG。

1-Barplots文件夹中包含按照分组顺序排列的每个样本的MAG丰度柱形图（图3-2），以及计算分组均值后画的柱形图。

2-Heatmaps文件夹中包含按照分组顺序排列的每个样本的MAG丰度热图（图3-3），以及计算分组均值后画的热图。

3-Circos 文件夹中包含按照分组顺序排列的每个样本的MAG丰度Circos图（图3-4），用于展示每个样本各个MAG（丰度前10）的丰度比例，以及每个MAG在各个样本中的丰度比例。

4-SignificanceAnalysis文件夹中， DunnTest文件夹包含了DunnTest组间多重比较结果表格，第一列为MAG ID, KW_pvalue是Kruskal-Wallis算出总的p值，DunnTest_comparison是比较的分组对， DunnTest_Z是DunnTest检验统计量，DunnTest_PValueAdjusted是Bofferoni校正错误发现率后的DunnTestp值； LEfSe文件夹中包含了LEfSe分析^[18]中， LDA分值大于2的MAGs柱形图（图3-5）， LEfSe寻找每一个分组的特征MAGs（默认为LDA>2的MAG）， 也就是相对于其他分组，在这个组中丰度较高的MAG。

只有提供了环境因子，5-CorrelationAnalysis中才会包含内容。其中，CorrelationHeatmap文件夹中包含了相关性热图（图3-6）；RDA文件夹中包含了RDA分析结果图（图3-7）。CCA/RDA的分析主要依赖R语言VEGAN包，以及用ggplot2进行可视化。CCA/RDA(DCA判断用哪一种分析)分析是基于对应分析发展的一种排序方法，将对应分析与多元回归分析相结合，每一步计算均与环境因子进行回归，又称多元直接梯度分析。RDA是基于线性模型，CCA是基于单峰模型。本报告先进行DCA分析，看最大轴的值是否大于4,如果大于4.0，就选CCA，否则选RDA。该分析主要用来反映菌群与环境因子之间的关系，可以检测环境因子、样品、菌群(抗性基因，KEGG功能)三者之间的关系或者两两之间的关系，可得到影响样品分布的重要环境驱动因子。该分析给出的所有p值都是反映解释变量（连续的数值变量，或者分类变量）对MAGs群落丰度结构的解释程度是否显著（简单的说就是解释变量对MAGs 丰度是否有影响，影响是否显著），所有p值都是用R语言VEGAN包里的置换检验得出的（permutation test），*_features_location_plot图中（图3-7）的p值反映了所有连续的数值变量（环境因子）对MAGs丰度差异的解释程度（总的p值），表格*_RDA.envfit中的p值反映了每个环境因子对MAGs丰度差异的解释程度；*_RDA_sample_location_plot图中的p值反映了分组对MAGs丰度差异的解释程度，p<0.05,解释方差显著，图中样本点之间的距离近似于样本之间MAGs丰度结构差异程度，样本点投影到环境因子对应的值近似于该样本真实的环境因子值。

04-MAG_Function MAGs功能注释情况统计

04-MAG_Function [功能注释结果文件夹]
├── CAZyme [CAZy碳水化合物数据库注释结果]
├── COG    [eggNOG数据库COG注释结果]
├── GO     [GO数据库注释结果]
├── KEGG   [KEGG数据库注释结果]
└── *
├── *_detail_MAG           [包含每个MAG 注释到数据库基因家族的种类和CDS个数统计图]
|	└── *_annotations.txt [每个MAG的原始注释结果文件]
├── *_detail_MAG_L1        [包含每个MAG 注释到数据库基因家族level1水平的种类和CDS个数统计图]
├── *_detail_gene          [包含每个注释到的数据库基因家族来源于各个MAG 的CDS个数统计图]
├── *_summary              [注释情况汇总统计图，由于图片大小限制，只会展示CDS个数排名靠前的基因家族和MAGs]
├── *_GeneCount.xls        [MAGs注释到数据库基因家族的CDS个数统计表]
└── *_GeneCount.L1.xls     [MAGs注释到数据库基因家族level1水平的CDS个数统计表]
		

使用Prokka软件^[9] 对每个MAG进行功能注释，Prokka是常用的基因组注释软件， Prokka先使用Prodigal^[10] 预测得到每个MAG中的基因， 得到核苷酸序列(基因序列)和氨基酸序列 （通过核苷酸序列翻译得到，也常称为蛋白序列），将序列与已有数据库信息比对， 获得每个MAG中的rRNA、tRNA、tmRNA、CDS、直系同源蛋白簇（COG）、EC等注释信息。

我们接下来对Prokka得到的每个MAG中的氨基酸序列做进一步注释。 使用KofamKOALA^[11] 的离线版本Kofamscan进行KEGG功能注释。 使用emapper^[12] 注释得到多个数据库的注释信息(包括GO)。 使用Diamond软件^[13] 比对CAZy数据库, 对每个MAG进行碳水化合物酶注释， 获取每个MAG中的碳水化合物酶信息。

有了每个MAG中的基因组注释信息，我们就可以统计每个基因组（MAG）上各个基因家族的数目 （同一个基因家族在该基因组上注释到的次数，可理解为拷贝数）。

04-MAG_Function文件夹包含了各个功能数据库的注释情况统计；接下来我们将对每个功能数据库展开说明：

04-MAG_Function/CAZyme CAZy碳水化合物数据库注释

碳水化合物酶（CAZy）数据库是关于能够合成或者分解复杂碳水化合物和糖复合物的酶类的数据库。CAZy数据库基于蛋白质结构域中的氨基酸序列相似性将碳水化合物活性酶类归入不同蛋白质家族。CAZy数据库提供了酶分子序列的家族信息，物种来源，基因序列，蛋白序列，三维结构，EC分类，相关数据库链接。此数据库可以将酶分子的序列、结构、催化机制关联起来。CAZy有三个level，第一个level是六大功能类，即GH GT AA CE PL CBM；第二个level是CAZy family；第三个是有EC编号的具体酶信息，如EC2.4.1.129。

利用蛋白比对工具diamond将prokka预测得到的所有功能区(CDS)与CAZy数据库进行比对可获取基因组CAZyme family注释信息。

碳水化合物活性酶数据库中CAZymes功能分类如下：

名称	缩写
糖苷水解酶类	GHs
糖苷转移酶类	GTs
多糖裂解酶类	PLs
糖水化合物脂酶类	CEs
碳水化合物结合模块	CBMs
辅助模块酶类	AAs

部分结果统计图如下：

04-MAG_Function/COG COGs注释

COG，即Clusters of Orthologous Groups of proteins（同源蛋白簇）。COG是由NCBI创建并维护的蛋白数据库，根据细菌、藻类和真核生物完整基因组的编码蛋白系统进化关系分类构建而成。COG分为两类，一类是原核生物的（一般称COG），另一类是真核生物（一般称KOG）。通过比对可以将某个蛋白序列注释到某一个COG中，每一簇COG由直系同源序列构成，从而可以推测该序列的功能。

图3-13 展示了COG level2水平其中一个MAG的CDS计数统计柱形图，其它MAGs请查看结果文件夹。

COG level 2分类的26个字母的意义如下：

COG Function Category	Level 1	Level 2
J	INFORMATION STORAGE AND PROCESSING	Translation, ribosomal structure and biogenesis
A	INFORMATION STORAGE AND PROCESSING	RNA processing and modification
K	INFORMATION STORAGE AND PROCESSING	Transcription
L	INFORMATION STORAGE AND PROCESSING	Replication, recombination and repair
B	INFORMATION STORAGE AND PROCESSING	Chromatin structure and dynamics
D	CELLULAR PROCESSES AND SIGNALING	Cell cycle control, cell division, chromosome partitioning
Y	CELLULAR PROCESSES AND SIGNALING	Nuclear structure
V	CELLULAR PROCESSES AND SIGNALING	Defense mechanisms
T	CELLULAR PROCESSES AND SIGNALING	Signal transduction mechanisms
M	CELLULAR PROCESSES AND SIGNALING	Cell wall/membrane/envelope biogenesis
N	CELLULAR PROCESSES AND SIGNALING	Cell motility
Z	CELLULAR PROCESSES AND SIGNALING	Cytoskeleton
W	CELLULAR PROCESSES AND SIGNALING	Extracellular structures
U	CELLULAR PROCESSES AND SIGNALING	Intracellular trafficking, secretion, and vesicular transport
O	CELLULAR PROCESSES AND SIGNALING	Posttranslational modification, protein turnover, chaperones
X	CELLULAR PROCESSES AND SIGNALING	Mobilome: prophages, transposons
C	METABOLISM	Energy production and conversion
G	METABOLISM	Carbohydrate transport and metabolism
E	METABOLISM	Amino acid transport and metabolism
F	METABOLISM	Nucleotide transport and metabolism
H	METABOLISM	Coenzyme transport and metabolism
I	METABOLISM	Lipid transport and metabolism
P	METABOLISM	Inorganic ion transport and metabolism
Q	METABOLISM	Secondary metabolites biosynthesis, transport and catabolism
R	POORLY CHARACTERIZED	General function prediction only
S	POORLY CHARACTERIZED	Function unknown

04-MAG_Function/GO GO注释

GO数据库是基因本体联合会(Gene Onotology Consortium)所建立的数据库，旨在建立一个适用于各种物种的，对基因和蛋白质功能进行限定和描述的，并能随着研究不断深入而更新的语言词汇标准。GO是多种生物本体语言中的一种，是OBO（Open BiomedicalOntologies）组织中的一员，GO提供了一系列的语义（terms）用于描绘基因、基因产物的特点，这些语义通过三个概念维度展开：细胞学组件（Cellular Component）用于描述某个节点的亚细胞结构、位置和大分子复合物，如外部封装结构（external encapsulating structure）等；分子功能（molecular function），用于描述基因以及基因产物的功能，比如蛋白质结合转录因子活性（protein binding transcription factor activity）；生物学途径（biological process）指的是分子功能的有序组合以实现更复杂的生物功能，例如树突状细胞的抗原处理和提呈（dendritic cell antigen processing and presentation）。

使用eggnog-mapper功能注释软件和eggNOG数据库进行GO注释。该方法除了获得GO的注释信息还能获得KEGG、COG等信息。获得GO结果后统计注释到每个GO中的基因数量，然后进一步归类获得GO的category分类信息。最后通过R语言对该数据进行柱形图绘制。

图3-14 展示了其中一个MAG预测基因所属GO的计数，其它MAGs请查看结果文件夹。

04-MAG_Function/KEGG KEGG注释

KEGG数据库于 1995 年由 Kanehisa Laboratories 推出 0.1 版，目前发展为一个综合性数据库，其中最核心的为 KEGG PATHWAY 和 KEGG ORTHOLOGY 数据库。在 KEGG ORTHOLOGY 数据库中，将行使相同功能的基因聚在一起，称为 Ortholog Groups (KO entries)，每个 KO 包含多个基因信息，并在一至多个 pathway 中发挥作用。而在 KEGG PATHWAY 数据库中，将生物代谢通路划分为 6 类，分别为：细胞过程（Cellular Processes）、环境信息处理（Environmental Information Processing）、遗传信息处理（Genetic Information Processing）、人类疾病（Human Diseases）、新陈代谢（Metabolism）、生物体系统（Organismal Systems），其中每类又被系统分类为二、三、四层。第二层目前包括有 57个种子 pathway；第三层即为其代谢通路图；第四层为每个代谢通路图的具体注释信息。

使用KEGG注释软件KofamScan和KOfam数据库对prokka预测基因的蛋白序列进行KEGG注释。其中一个MAG的KEGG pathway level2水平的CDS数量如图3-15所示，其它MAGs请查看结果文件夹。

KEGG数据库有比较详细的通路图，我们将每个MAG注释到的KO(KEGG Ortholog Groups)在通路图中高亮显示。其中一个MAG的其中一个通路如图3-16所示，其它结果请看结果文件夹。

KEGG通路的符号图例如下：

05-MAG_Taxonomy MAGs物种注释和进化分析

05-MAG_Taxonomy/                     [MAGs物种注释和进化分析结果文件夹]
├── MAGs_abundance_taxonomy.xls       [MAGs丰度表，同时在最后一列加上了MAG的物种分类注释]
├── MAGs_tree.tre                     [MAGs 进化树，nwk格式]
├── phylogenetic_tree_heatmap_ID.pdf [进化树可视化，标注MAG ID]
├── phylogenetic_tree_heatmap.pdf    [进化树可视化，标注MAG 所属的属水平分类]
└── phylogenetic_tree_table.xls      [与进化树中的热图对应的丰度表]
		

PhyloPhlAn是发表在Nature Communications上的一个用于分析微生物之间进化关系的软件， PhyloPhlAn3在PhyloPhlAn基础上作了很多改进，再次发表于Nature Communications ^[14]。 我们使用PhyloPhlAn3软件，基于Prokka得到的MAG中的氨基酸序列， 通过分析400多种通用微生物蛋白, 计算MAGs之间的进化树。

使用GTDB-Tk软件^[15](默认参数), 将MAGs(基因组)与GTDB-Tk软件配套的 GTDB数据库比较(Release 220), 获取每个MAG的物种分类信息。

图3-17是MAG之间的进化关系树状图，图中的热图展示的是MAG丰度信息，树状图由R语言ggplot2和ggtree包绘制

06-MAG_Circos MAGs基因组Circos图

Circos是由加拿大生物信息学科学家Martin Krzywinski利用Perl语言开发的一款可以用于描述关系型数据和多维数据的基因组圈图可视化软件。2009年Circos发表在Genome research。Circos不仅能将一个物种的整个基因组呈现在一张图片中，还可以给基因组添加丰富的注释信息，如功能注释信息，差异统计信息等等。

利用每个MAG（基于contig）的Prokka蛋白预测信息，功能区注释信息（含正负链、CDS、RNA类型等信息），CAZy数据库注释结果（GH、GT、CE、PL、CBM、AA），以及GC content、GC skew的统计结果绘制Circos圈图。图3-18是其中一个MAG的基因组Circos图，其它MAG请查看结果文件夹。

---

四 常见问题解答

1. 为什么大多数MAGs注释不到种水平？

    Binning是一个比较新的分析技术，与之配套的物种分类数据库还在不断发展和完善；分箱得到的MAGs，往往是存在很大变异的微生物，在数据库中还没有收录；分箱得到的MAGs，多少存在无法通过分析手段解决的序列污染，会使一个MAG注释到多个物种，从而导致最终注释结果无法精确到种水平。

2. 宏基因组分析得到的优势菌为何无法通过Binning得到其基因组？

    我们通常会觉得样本中的优势细菌更容易通过分箱得到其基因组，这种认识是不全面的。Binning算法是通过计算contigs的测序深度(同一个样本中，属于同一物种的contig, 测序深度应该近似，不同物种之间，丰度存在一定差异)，结合contigs的碱基组成（属于同一个物种的contig，GC含量会比较近似，不同物种之间GC含量存在一定差异）区分不同物种的contigs，达到分箱的效果。这种算法的局限性也很明显，假如两个物种在样本中的丰度很近似，碱基组成也很近似，那分箱技术将无法区分这两个物种，从而无法分箱，或者得到一个污染严重的MAG。简而言之，不是所有的微生物的基因组都能通过分箱得到，只有那些变异比较大（通常丰度也比较小）的物种，才能够较好地和其它物种区分开，通过分箱技术得到其基因组。

---

五 分析所用软件的版本

软件	版本
Megahit	1.2.9
Bowtie2	2.3.5.1
Samtools	1.7
Metabat2	2.15
RefineM	0.1.2
CheckM	1.1.3
dRep	2.6.2
Metawrap	1.3.2
Prokka	1.14.6
Prodigal	2.6.3
KofamKOALA	1.2.0
emapper	2.0.1
diamond	0.9.14
PhyloPhlAn3	3.0.60
GTDB-Tk	2.4.0
Trimmomatic	0.39
LEfSe	1.0.8

---

六 参考文献

[1] D. Li, R. Luo, C.-M. Liu, C.-M. Leung, H.-F. Ting, K. Sadakane, H. Yamashita, and T.-W. Lam, “MEGAHIT v1.0: A fast and scalable metagenome assembler driven by advanced methodologies and community practices,” Methods, vol. 102, pp. 3–1 1, Jun. 2016.

[2] Langmead, B. , & Salzberg, S. L. . (2012). Fast gapped-read alignment with bowtie 2. Nature Methods, 9(4), 357-359.

[3] Li, H. , Handsaker, B. , Wysoker, A. , Fennell, T. , Ruan, J. , & Homer, N. , et al. (2009). The sequence alignment/map format and samtools. Bioinformatics, 25(16), 2078-2079.

[4] Kang, D. D. , Li, F. , Kirton, E. , Thomas, A. , & Wang, Z. . (2019). Metabat 2: an adaptive binning algorithm for robust and efficient genome reconstruction from metagenome assemblies. PeerJ, 7(7), e7359.

[5] Parks DH et al. 2017. Recovery of nearly 8,000 metagenome-assembled genomes substantially expands the tree of life. Nat Microbiol 2: 1533-1542.

[6] Parks, D. H. , Imelfort, M. , Skennerton, C. T. , Hugenholtz, P. , & Tyson, G. W. . (2015). Checkm: assessing the quality of microbial genomes recovered from isolates, single cells, and metagenomes. Genome Research, 25(7), 1043-1055.

[7] Olm, M. R. , Brown, C. T. , Brooks, B. , & Banfield, J. F. . (2017). Drep: a tool for fast and accurate genomic comparisons that enables improved genome recovery from metagenomes through de-replication. Isme Journal.

[8] Gherman, V, Uritskiy, Jocelyne, DiRuggiero, & James, et al. (2018). Metawrap-a flexible pipeline for genome-resolved metagenomic data analysis. Microbiome.

[9] Seemann T, "Prokka: Rapid Prokaryotic Genome Annotation",Bioinformatics, 2014 Jul 15;30(14):2068-9.

[10] Hyatt D., Chen, GL., et. Al., (2010) Prodigal: prokaryotic gene recognition and translation initiation site identification. BMC Bioinformatics, 11:119.

[11] Aramaki, T. , Blanc-Mathieu, R. , Endo, H. , Ohkubo, K. , & Ogata, H. . (2019). Kofamkoala: kegg ortholog assignment based on profile hmm and adaptive score threshold. Bioinformatics, 36(7).

[12] Jaime, H. C. , Kristoffer, F. , Pedro, C. L. , Damian, S. , Juhl, J. L. , & Christian, V. M. , et al. (2016). Fast genome-wide functional annotation through orthology assignment by eggnog-mapper. Molecular Biology & Evolution(8), 2115.

[13] Buchfink B, Xie C, Huson DH. (2015) Fast and sensitive protein alignment using DIAMOND. Nat Methods 12:59-60.

[14] Asnicar, F. , Thomas, A. M. , Beghini, F. , Mengoni, C. , & Segata, N. . (2020). Precise phylogenetic analysis of microbial isolates and genomes from metagenomes using phylophlan 3.0. Nature Communications, 11(1).

[15] Chaumeil PA, et al. 2022. GTDB-Tk v2: memory friendly classification with the Genome Taxonomy Database. Bioinformatics, btac672.

[16] Bolger, A. M., Lohse, M., & Usadel, B. (2014). Trimmomatic: A flexible trimmer for Illumina Sequence Data. Bioinformatics, btu170.

[17] Matthias Hess 1, Alexander Sczyrba, Rob Egan, et al., (2011). Metagenomic discovery of biomass-degrading genes and genomes from cow rumen. Science, 331(6016), p.463-467.

[18] Segata, N., et. al., (2011). Metagenomic biomarker discovery and explanation. Genome Biol.12,R60 .