广泛使用的数据库受到污染，削弱了基于 rRNA 的宏基因组和宏转录组分类学注释的准确性

宏基因组和宏转录组数据集的分类注释通常依赖于将小亚基（SSU）rRNA reads 比对到带注释的参考数据库。然而，广泛使用的 SSU 数据库，包括 SILVA、GTDB、Eukaryome 以及 SortMeRNA 随附分发的数据库，均受到大亚基（LSU）rRNA 序列污染。即使较低水平的 LSU 污染，也可能导致大量 LSU reads 被错误识别为 SSU，并对后续的分类学归属产生严重影响。 这一问题可以通过严格去除用于分类注释的数据库中的 LSU 序列来避免，而我们已在 KSGP 4.0 中完成了这一工作。另一种方法是，使用一个经过精心整理且不含 LSU 污染的小型 SSU 数据库来进行初始 SSU read 筛选。我们结合这两种方法，并利用一个河口沉积物的宏转录组数据集进行了说明。在不清理数据库的情况下，来源于 LSU 的 reads 可占所谓 SSU 序列的一半，并被归属于少数几个表面上占优势但实际上是伪影的分类单元。数据库清理能够消除这一问题；此外，我们还提供了一个脚本 `total_rnaseq`，用于采用该方法对总 RNASeq 或宏基因组数据进行注释。与 SILVA 数据库相比，KSGP 4.0 数据库显著改善了古菌的注释效果，并分别对真核生物和细菌带来了中等程度和较小程度的改进。

宏基因组和宏转录组数据集的分类注释通常依赖于将小亚基（SSU）rRNA 读段比对到带注释的参考数据库上。然而，广泛使用的 SSU 数据库，包括 SILVA、GTDB、Eukaryome 以及随 SortMeRNA 分发的数据库，都受到大亚基（LSU）rRNA 序列的污染。即使是低水平的 LSU 污染，也可能导致大量 LSU 读段被错误识别为 SSU，并对后续的分类学指派产生严重后果。通过严格去除用于分类注释的数据库中的 LSU 序列，可以避免这一问题；我们已在 KSGP 4.0 中完成了这项工作。或者，也可以使用一个经过精心整理且不含 LSU 污染的小型 SSU 数据库来进行初始的 SSU 读段筛选。我们结合这两种方法，利用一个河口沉积物的宏转录组数据集进行了说明。在未清理数据库的情况下，来源于 LSU 的读段可占所谓 SSU 序列的一半，并被指派给少数几个看似占优势但实际上是伪影的分类群。数据库清理消除了这一问题；我们还提供了一个脚本 `total_rnaseq`，用于采用该方法对总 RNASeq 或宏基因组数据进行注释。与 SILVA 数据库相比，KSGP 4.0 数据库对古菌的注释有显著改进，对真核生物和细菌的注释则分别有中等和较小幅度的改进。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.22.739903v1?rss=1

🏷️ 宏基因组 宏转录组 rRNA数据库污染 分类学注释 SSU/LSU鉴定 参考数据库清理