- 2 次围观
高通量测序革新了 RNA 病毒的发现，使研究者获得了海量数据集；这些数据集中往往包含来自多种样本类型、尚未探索的已知及新型病毒序列。针对特定分类群开展大规模病毒基因组重建，仍是一项耗时且劳动密集的工作，受到组装结果碎片化、工作流程不统一，以及以序列一致性百分比阈值进行分类定位存在局限等因素的制约。本研究聚焦于烟草花叶病毒属（Tobamovirus；Virgaviridae 科），该属包含重要的新兴植物病原体。烟草花叶病毒可在多种环境基质中检测到，因此预计其存在于各类数据集中。我们挖掘了全球短读长数据集，以揭示隐藏的烟草花叶病毒多样性，并结合专家审查与监督式机器学习，以简化新型烟草花叶病毒的发现流程。首先，我们利用 Serratus PalmID 工具筛选出 253 个最有可能含有新型烟草花叶病毒的候选数据集。随后，我们开发了一套可复现的 Snakemake 流程，用于质量控制、从头组装、相似性搜索及初步分类学归属，最终在 131 个数据集中获得 510 条候选烟草花叶病毒重叠群。经人工审查后，我们依据 BLAST 相似性搜索结果、编码序列组成、基因组组织结构以及潜在错误组装评估，确认了来自 23 个数据集的 228 条烟草花叶病毒重叠群。为加快审查进程，我们构建了一个用于烟草花叶病毒重叠群的两阶段机器学习分类器。该分类器基于比对衍生特征和序列属性，首先对每个开放阅读框（ORF）进行评分，以判定其是否属于烟草花叶病毒。随后，通过堆叠泛化将 ORF 层级的预测结果整合为重叠群层级的分类结果。通过聚类和系统发育分析，我们……在源自淡水、污水、植物、动物肠道和土壤的数据集中，鉴定出至少 32 种推定的新型烟草花叶病毒。大多数病毒归属于已确立的烟草花叶病毒亚支系，而少数高度分化的序列则形成了独立的基部分支，与近期鉴定并归类为 Virgaviridae sp. 的土壤相关序列存在亲缘关系。这些发现凸显了水生环境和污水系统在拓展我们对烟草花叶病毒多样性的认识方面的价值，并表明数据挖掘与针对性整理能够显著扩展该属已知的多样性。随着公共数据集不断增长，该工作流程可轻松应用于其他病毒类群，并有助于持续发现新病毒。
高通量测序革新了 RNA 病毒的发现，使研究者获得了海量数据集；这些数据集中往往包含来自多种样本类型、尚未探索的已知及新型病毒序列。针对特定分类群开展大规模病毒基因组重建，仍是一项耗时且劳动密集的工作，受到组装结果碎片化、工作流程不统一，以及以序列一致性百分比阈值进行分类定位存在局限等因素的制约。本研究聚焦于烟草花叶病毒属（Tobamovirus；Virgaviridae 科），该属包含重要的新兴植物病原体。烟草花叶病毒可在多种环境基质中检测到，因此预计其存在于各类数据集中。我们挖掘了全球短读长数据集，以揭示隐藏的烟草花叶病毒多样性，并结合专家审查与监督式机器学习，以简化新型烟草花叶病毒的发现流程。首先，我们利用 Serratus PalmID 工具筛选出 253 个最有可能含有新型烟草花叶病毒的候选数据集。随后，我们开发了一套可复现的 Snakemake 流程，用于质量控制、从头组装、相似性搜索及初步分类学归属，最终在 131 个数据集中获得 510 条候选烟草花叶病毒重叠群。经人工审查后，我们依据 BLAST 相似性搜索结果、编码序列组成、基因组组织结构以及潜在错误组装评估，确认了来自 23 个数据集的 228 条烟草花叶病毒重叠群。为加快审查进程，我们构建了一个用于烟草花叶病毒重叠群的两阶段机器学习分类器。该分类器基于比对衍生特征和序列属性，首先对每个开放阅读框（ORF）进行评分，以判定其是否属于烟草花叶病毒。随后，通过堆叠泛化将 ORF 层级的预测结果整合为重叠群层级的分类结果。通过聚类和系统发育分析，我们……
在淡水、污水、植物、动物肠道和土壤相关数据集中，至少鉴定出 32 种推测的新型烟草花叶病毒。大多数病毒被归入已确立的烟草花叶病毒亚支系；少数高度分化的序列则形成独立的基部支系，与近期鉴定并归类为 Virgaviridae sp. 的土壤相关序列存在亲缘关系。这些发现凸显了水生环境和污水系统对于拓展我们对烟草花叶病毒多样性认知的价值，并表明数据挖掘与针对性整理能够显著拓展该属已知的多样性。该工作流程易于推广至其他病毒类群，并有助于随着公共数据集不断增长而持续发现新病毒。
作者声明不存在任何利益冲突。
感谢您有意传播 bioRxiv 的相关信息。
注意：要求提供您的电子邮箱地址，仅用于确认您是本文的发送者。
关键词：烟草花叶病毒 · 病毒多样性 · 宏数据挖掘 · 基因组组装 · 机器学习分类 · 系统发育分析
原文链接：https://www.biorxiv.org/content/10.64898/2026.10.22.760918v1?rss=1