Metagenómica

Estudio de genes que se encuentran en el medio ambiente.

En metagenómica, los materiales genéticos ( ADN , C ) se extraen directamente de muestras tomadas del medio ambiente (por ejemplo, suelo, agua de mar, intestino humano, A ) después de filtrar ( B ), y se secuencian ( E ) después de la multiplicación por clonación ( D ) en un enfoque llamado secuenciación de escopeta . Estas secuencias cortas se pueden volver a juntar utilizando métodos de ensamblaje ( F ) para deducir los genomas individuales o partes de genomas que constituyen la muestra ambiental original. Esta información se puede utilizar para estudiar la diversidad de especies.y potencial funcional de la comunidad microbiana del medio ambiente. ^[1]

La metagenómica es el estudio de material genético recuperado directamente de muestras ambientales . El campo amplio también puede denominarse genómica ambiental , ecogenómica o genómica comunitaria .

Mientras tradicional microbiología y microbiana secuenciación del genoma y la genómica se basan en cultivadas clonales culturas , a principios de la secuenciación de genes ambiental clonado genes específicos (a menudo el 16S rRNA genes) para producir un perfil de la diversidad en una muestra natural. Ese trabajo reveló que la gran mayoría de la diversidad biológica microbiana se había perdido con los métodos basados ​​en el cultivo. ^[2]

Debido a su capacidad para revelar la diversidad previamente oculta de la vida microscópica, la metagenómica ofrece una lente poderosa para ver el mundo microbiano que tiene el potencial de revolucionar la comprensión de todo el mundo viviente. ^[3] A medida que el precio de la secuenciación del ADN sigue cayendo, la metagenómica permite ahora investigar la ecología microbiana a una escala y un detalle mucho mayores que antes. Estudios recientes utilizan secuenciación dirigida por " escopeta " o por PCR para obtener muestras en gran parte no sesgadas de todos los genes de todos los miembros de las comunidades muestreadas. ^[4]

Etimología

El término "metagenómica" fue utilizado por primera vez por Jo Handelsman , Jon Clardy , Robert M. Goodman , Sean F. Brady y otros, y apareció por primera vez en una publicación en 1998. ^[5] El término metagenoma hacía referencia a la idea de que una colección de genes secuenciado del medio ambiente podría analizarse de una manera análoga al estudio de un solo genoma . En 2005, Kevin Chen y Lior Pachter (investigadores de la Universidad de California, Berkeley ) definieron la metagenómica como "la aplicación de la técnica genómica moderna sin necesidad de aislamiento y cultivo de laboratorio de especies individuales". ^[6]

Historia

Parte de una serie sobre
Código de barras de ADN
Código de barras de ADN • Metabarcoding
Por taxones
Microbiano Hongos Polen Algas Macroinvertebrados acuáticos pescado
Otro
ADN ambiental (eDNA) ARN ambiental Metagenómica virus Metatranscriptómica Amplificación PCR Secuencia de escopeta Secuenciación de alto rendimiento ARN extracelular Quimera Cuidado de la salud Evaluación de la dieta Consorcio para el código de barras de la vida
v t mi

La secuenciación convencional comienza con un cultivo de células idénticas como fuente de ADN . Sin embargo, los primeros estudios metagenómicos revelaron que probablemente hay grandes grupos de microorganismos en muchos entornos que no pueden cultivarse y, por lo tanto, no pueden secuenciarse. Estos primeros estudios se centraron en secuencias de ARN ribosómico 16S (ARNr) que son relativamente cortas, a menudo conservadas dentro de una especie y generalmente diferentes entre especies. Se han encontrado muchas secuencias de ARNr 16S que no pertenecen a ninguna especie cultivada conocida., lo que indica que existen numerosos organismos no aislados. Estos estudios de genes de ARN ribosómico tomados directamente del medio ambiente revelaron que los métodos basados ​​en el cultivo encuentran menos del 1% de las especies de bacterias y arqueas en una muestra. ^[2] Gran parte del interés en la metagenómica proviene de estos descubrimientos que demostraron que la gran mayoría de los microorganismos habían pasado desapercibidos previamente.

Norman R. Pace y sus colegas realizaron los primeros trabajos moleculares en el campo , quienes utilizaron la PCR para explorar la diversidad de secuencias de ARN ribosómico. ^[7] Los conocimientos adquiridos a partir de estos estudios innovadores llevaron a Pace a proponer la idea de clonar ADN directamente de muestras ambientales ya en 1985. ^[8] Esto condujo al primer informe de aislamiento y clonación de ADN a granel de una muestra ambiental, publicado por Pace y sus colegas en 1991 ^[9] mientras Pace estaba en el Departamento de Biología de la Universidad de Indiana . Esfuerzos considerables aseguraron que estos no fueran PCRfalsos positivos y apoyó la existencia de una comunidad compleja de especies inexploradas. Aunque esta metodología se limitó a explorar genes codificantes no proteicos altamente conservados, sí apoyó las primeras observaciones basadas en la morfología microbiana de que la diversidad era mucho más compleja de lo que se conocía mediante los métodos de cultivo. Poco después de eso, Healy informó sobre el aislamiento metagenómico de genes funcionales de "zoolibraries" construidas a partir de un cultivo complejo de organismos ambientales cultivados en el laboratorio en pastos secos en 1995. ^[10] Después de dejar el laboratorio de Pace, Edward DeLongcontinuó en el campo y ha publicado trabajos que en gran medida han sentado las bases para las filogenias ambientales basadas en secuencias distintivas 16S, comenzando con la construcción de bibliotecas de su grupo a partir de muestras marinas . ^[11]

En 2002, Mya Breitbart , Forest Rohwer y sus colegas utilizaron la secuenciación de escopeta ambiental (ver más abajo) para mostrar que 200 litros de agua de mar contienen más de 5000 virus diferentes. ^[12] Estudios posteriores mostraron que hay más de mil especies virales en las heces humanas y posiblemente un millón de virus diferentes por kilogramo de sedimento marino , incluidos muchos bacteriófagos . Básicamente, todos los virus de estos estudios eran especies nuevas. En 2004, Gene Tyson, Jill Banfield y sus colegas de la Universidad de California, Berkeley y el Joint Genome Institute secuenciaron el ADN extraído de un drenaje ácido de una mina.sistema. ^[13] Este esfuerzo dio como resultado los genomas completos, o casi completos, de un puñado de bacterias y arqueas que anteriormente se habían resistido a los intentos de cultivarlas. ^[14]

A partir de 2003, Craig Venter , líder del proyecto paralelo del Genoma Humano financiado con fondos privados , ha dirigido la Expedición Global de Muestreo Oceánico (GOS), dando la vuelta al mundo y recolectando muestras metagenómicas a lo largo del viaje. Todas estas muestras se secuencian mediante secuenciación de escopeta, con la esperanza de que se identifiquen nuevos genomas (y, por lo tanto, nuevos organismos). El proyecto piloto, realizado en el Mar de los Sargazos , encontró ADN de casi 2000 especies diferentes , incluidos 148 tipos de bacterias nunca antes vistas. ^[15] Venter ha dado la vuelta al mundo y ha explorado a fondo la costa oeste de los Estados Unidos., y completó una expedición de dos años para explorar los mares Báltico , Mediterráneo y Negro . El análisis de los datos metagenómicos recopilados durante este viaje reveló dos grupos de organismos, uno compuesto por taxones adaptados a las condiciones ambientales de 'festín o hambruna', y un segundo compuesto por relativamente menos taxones, pero más abundantes y ampliamente distribuidos, compuestos principalmente de plancton . ^[dieciséis]

En 2005, Stephan C. Schuster de la Penn State University y sus colegas publicaron las primeras secuencias de una muestra ambiental generada con secuenciación de alto rendimiento , en este caso pirosecuenciación masivamente paralela desarrollada por 454 Life Sciences . ^[17] Otro artículo temprano en esta área apareció en 2006 por Robert Edwards, Forest Rohwer y colegas de la Universidad Estatal de San Diego . ^[18]

Secuenciación

Diagrama de flujo de un proyecto típico de metagenoma ^[19]

Artículo principal: secuenciación de ADN

La recuperación de secuencias de ADN de más de unos pocos miles de pares de bases de muestras ambientales fue muy difícil hasta que los avances recientes en las técnicas de biología molecular permitieron la construcción de bibliotecas en cromosomas artificiales bacterianos (BAC), que proporcionaron mejores vectores para la clonación molecular . ^[20]

Metagenómica de escopeta

Los avances en bioinformática , los refinamientos de la amplificación del ADN y la proliferación del poder computacional han ayudado en gran medida al análisis de las secuencias de ADN recuperadas de muestras ambientales, permitiendo la adaptación de la secuenciación de escopeta a muestras metagenómicas (conocida también como secuenciación de escopeta de metagenoma completo o secuenciación WMGS). El enfoque, utilizado para secuenciar muchos microorganismos cultivados y el genoma humano , corta aleatoriamente el ADN, secuencia muchas secuencias cortas y las reconstruye en una secuencia de consenso.. La secuenciación por escopeta revela genes presentes en muestras ambientales. Históricamente, se utilizaron bibliotecas de clones para facilitar esta secuenciación. Sin embargo, con los avances en las tecnologías de secuenciación de alto rendimiento, el paso de clonación ya no es necesario y se pueden obtener mayores rendimientos de datos de secuenciación sin este paso de cuello de botella que requiere mucha mano de obra. La metagenómica de escopeta proporciona información sobre qué organismos están presentes y qué procesos metabólicos son posibles en la comunidad. ^[21]Debido a que la recolección de ADN de un ambiente en gran parte no está controlada, los organismos más abundantes en una muestra ambiental están altamente representados en los datos de secuencia resultantes. Para lograr la alta cobertura necesaria para resolver completamente los genomas de miembros de la comunidad subrepresentados, se necesitan muestras grandes, a menudo prohibitivas. Por otro lado, la naturaleza aleatoria de la secuenciación por escopeta asegura que muchos de estos organismos, que de otro modo pasarían desapercibidos utilizando técnicas de cultivo tradicionales, estarán representados por al menos algunos pequeños segmentos de secuencia. ^[13]

Secuenciación de alto rendimiento

Una ventaja de la secuenciación de alto rendimiento es que esta técnica no requiere la clonación del ADN antes de la secuenciación, lo que elimina uno de los principales sesgos y cuellos de botella en el muestreo ambiental. Los primeros estudios metagenómicos realizados con secuenciación de alto rendimiento utilizaron pirosecuenciación 454 masivamente paralela . ^[17] Otras tres tecnologías comúnmente aplicadas al muestreo ambiental son Ion Torrent Personal Genome Machine , Illumina MiSeq o HiSeq y el sistema Applied Biosystems SOLiD . ^[22] Estas técnicas para secuenciar el ADN generan fragmentos más cortos que la secuenciación de Sanger.; El sistema Ion Torrent PGM y la pirosecuenciación 454 suelen producir lecturas de ~ 400 pb, Illumina MiSeq produce lecturas de 400 a 700 pb (según se utilicen opciones de extremos emparejados) y SOLiD produce lecturas de 25 a 75 pb. ^[23] Históricamente, estas longitudes de lectura eran significativamente más cortas que la longitud de lectura de secuenciación típica de Sanger de ~ 750 bp, sin embargo, la tecnología Illumina se está acercando rápidamente a este punto de referencia. Sin embargo, esta limitación se compensa con el número mucho mayor de lecturas de secuencia. En 2009, los metagenomas pirosecuenciados generan 200-500 megabases, y las plataformas Illumina generan alrededor de 20-50 gigabases, pero estos resultados han aumentado en órdenes de magnitud en los últimos años. ^[24]

Un enfoque emergente combina secuenciación rápida y captura de conformación cromosómica (Hi-C), que mide la proximidad de dos secuencias de ADN dentro de la misma célula, para guiar el ensamblaje del genoma microbiano. ^[25] Las tecnologías de secuenciación de lectura larga, incluidas PacBio RSII y PacBio Sequel de Pacific Biosciences , y Nanopore MinION, GridION, PromethION de Oxford Nanopore Technologies , es otra opción para obtener lecturas de secuenciación de escopeta largas que deberían facilitar el proceso de ensamblaje. ^[26]

Bioinformática

Representación esquemática de los principales pasos necesarios para el análisis de datos derivados de la secuenciación completa del metagenoma escopeta. ^[27] El software relacionado con cada paso se muestra en cursiva.

Los datos generados por los experimentos de metagenómica son enormes e intrínsecamente ruidosos, y contienen datos fragmentados que representan hasta 10.000 especies. ^[1] La secuenciación del metagenoma del rumen de la vaca generó 279 gigabases , o 279 mil millones de pares de bases de datos de secuencia de nucleótidos, ^[28] mientras que el catálogo de genes del microbioma intestinal humano identificó 3.3 millones de genes ensamblados a partir de 567.7 gigabases de datos de secuencia. ^[29] La recopilación, conservación y extracción de información biológica útil de conjuntos de datos de este tamaño representan importantes desafíos computacionales para los investigadores. ^{[21] [30] [31] [32]}

Prefiltrado de secuencia

El primer paso del análisis de datos metagenómicos requiere la ejecución de ciertos pasos de prefiltrado, incluida la eliminación de secuencias redundantes de baja calidad y secuencias de probable origen eucariota (especialmente en metagenomas de origen humano). ^{[33] [34]} Los métodos disponibles para la eliminación de secuencias de ADN genómico eucariotas contaminantes incluyen Eu-Detect y DeConseq. ^{[35] [36]}

Montaje

Artículo principal: Ensamblaje de secuencia

Los datos de la secuencia de ADN de los proyectos genómicos y metagenómicos son esencialmente los mismos, pero los datos de la secuencia genómica ofrecen una mayor cobertura, mientras que los datos metagenómicos generalmente no son redundantes. ^[31] Además, el mayor uso de tecnologías de secuenciación de segunda generación con longitudes de lectura cortas significa que gran parte de los datos metagenómicos futuros serán propensos a errores. Tomados en combinación, estos factores hacen que el ensamblaje de lecturas de secuencias metagenómicas en genomas sea difícil y poco confiable. Los ensamblajes incorrectos son causados ​​por la presencia de secuencias de ADN repetitivas que hacen que el ensamblaje sea especialmente difícil debido a la diferencia en la abundancia relativa de especies presentes en la muestra. ^[37]Los ensamblajes incorrectos también pueden implicar la combinación de secuencias de más de una especie en contigs quiméricos . ^[37]

Hay varios programas de ensamblaje, la mayoría de los cuales pueden utilizar información de etiquetas de extremo emparejado para mejorar la precisión de los ensamblajes. Algunos programas, como Phrap o Celera Assembler, se diseñaron para ensamblar genomas individuales pero, no obstante, producen buenos resultados al ensamblar conjuntos de datos metagenómicos. ^[1] Otros programas, como el ensamblador Velvet , se han optimizado para las lecturas más cortas producidas por la secuenciación de segunda generación mediante el uso de gráficos de Bruijn . ^{[38] [39]}El uso de genomas de referencia permite a los investigadores mejorar el ensamblaje de las especies microbianas más abundantes, pero este enfoque está limitado por el pequeño subconjunto de filos microbianos para los que están disponibles los genomas secuenciados. ^[37] Después de que se crea un ensamblaje, un desafío adicional es la "deconvolución metagenómica", o determinar qué secuencias provienen de qué especies en la muestra. ^[40]

Predicción genética

Artículo principal: predicción genética

Las tuberías de análisis metagenómico utilizan dos enfoques en la anotación de regiones de codificación en los contigs ensamblados. ^[37] El primer enfoque consiste en identificar genes basándose en la homología con genes que ya están disponibles públicamente en las bases de datos de secuencias , generalmente mediante búsquedas BLAST . Este tipo de enfoque se implementa en el programa MEGAN 4. ^[41] El segundo, ab initio , utiliza características intrínsecas de la secuencia para predecir regiones de codificación basadas en conjuntos de entrenamiento de genes de organismos relacionados. Este es el enfoque adoptado por programas como GeneMark ^[42] y GLIMMER. La principal ventaja de la predicción ab initio es que permite la detección de regiones codificantes que carecen de homólogos en las bases de datos de secuencias; sin embargo, es más preciso cuando hay grandes regiones de ADN genómico contiguo disponibles para la comparación. ^[1]

Diversidad de especies

Artículo principal: diversidad de especies

Las anotaciones genéticas proporcionan el "qué", mientras que las mediciones de la diversidad de especies proporcionan el "quién". ^[43] Para conectar la composición de la comunidad y la función en los metagenomas, las secuencias deben estar agrupadas. Binning es el proceso de asociar una secuencia particular con un organismo. ^[37] En el binning basado en similitudes, métodos como BLAST se utilizan para buscar rápidamente marcadores filogenéticos o secuencias similares en las bases de datos públicas existentes. Este enfoque se implementa en MEGAN . ^[44] Otra herramienta, PhymmBL, utiliza modelos de Markov interpolados para asignar lecturas. ^[1] MetaPhlAn y AMPHORAson métodos basados ​​en marcadores específicos de clados únicos para estimar las abundancias relativas de los organismos con mejores rendimientos computacionales. ^[45] Otras herramientas, como mOTUs ^{[46] [47]} y MetaPhyler, ^[48] usan genes marcadores universales para perfilar especies procariotas. Con el perfilador mOTUs es posible perfilar especies sin un genoma de referencia, mejorando la estimación de la diversidad de la comunidad microbiana. ^[47] Los métodos recientes, como SLIMM , utilizan el panorama de cobertura de lectura de genomas de referencia individuales para minimizar los falsos positivos y obtener abundancias relativas fiables. ^[49]En el binning basado en la composición, los métodos usan características intrínsecas de la secuencia, como frecuencias de oligonucleótidos o sesgo de uso de codones . ^[1] Una vez agrupadas las secuencias, es posible realizar un análisis comparativo de diversidad y riqueza.

Integración de datos

La enorme cantidad de datos de secuencia que crecen exponencialmente es un desafío abrumador que se complica por la complejidad de los metadatos asociados con los proyectos metagenómicos. Los metadatos incluyen información detallada sobre la geografía tridimensional (incluida la profundidad o altura) y las características ambientales de la muestra, datos físicos sobre el sitio de la muestra y la metodología del muestreo. ^[31] Esta información es necesaria tanto para garantizar la replicabilidad como para permitir el análisis posterior. Debido a su importancia, la revisión y conservación de metadatos y datos colaborativos requieren formatos de datos estandarizados ubicados en bases de datos especializadas, como Genomes OnLine Database (GOLD). ^[50]

Se han desarrollado varias herramientas para integrar metadatos y secuencia de datos, lo que permite análisis comparativos posteriores de diferentes conjuntos de datos utilizando una serie de índices ecológicos. En 2007, Folker Meyer y Robert Edwards y un equipo del Laboratorio Nacional Argonne y la Universidad de Chicago lanzaron el servidor Metagenomics Rapid Annotation usando Subsystem Technology ( MG-RAST ), un recurso comunitario para el análisis de conjuntos de datos de metagenomas. ^[51] En junio de 2012, se analizaron más de 14,8 terabasas (14 x 10 ¹² bases) de ADN, con más de 10.000 conjuntos de datos públicos disponibles gratuitamente para su comparación dentro de MG-RAST. Más de 8.000 usuarios han enviado un total de 50.000 metagenomas a MG-RAST. LaEl sistema Integrated Microbial Genomes / Metagenomes (IMG / M) también proporciona una colección de herramientas para el análisis funcional de comunidades microbianas basadas en su secuencia de metagenoma, basado en genomas aislados de referencia incluidos del sistema Integrated Microbial Genomes (IMG) y la Enciclopedia Genómica de Bacterias. y proyecto Archaea (GEBA) . ^[52]

Una de las primeras herramientas independientes para analizar datos de escopeta de metagenoma de alto rendimiento fue MEGAN (MEta Genome ANalyzer). ^{[41] [44]} En 2005 se utilizó una primera versión del programa para analizar el contexto metagenómico de las secuencias de ADN obtenidas de un hueso de mamut. ^[17] Basado en una comparación BLAST con una base de datos de referencia, esta herramienta realiza agrupaciones taxonómicas y funcionales, colocando las lecturas en los nodos de la taxonomía NCBI utilizando un algoritmo simple de ancestro común más bajo (LCA) o en los nodos de SEED. o clasificaciones KEGG , respectivamente. ^[53]

Con la llegada de instrumentos de secuenciación rápidos y económicos, el crecimiento de las bases de datos de secuencias de ADN es ahora exponencial (por ejemplo, la base de datos NCBI GenBank ^[54] ). Se necesitan herramientas más rápidas y eficientes para seguir el ritmo de la secuenciación de alto rendimiento, porque los enfoques basados ​​en BLAST, como MG-RAST o MEGAN, se ejecutan lentamente para anotar muestras grandes (por ejemplo, varias horas para procesar un conjunto de datos / muestra de tamaño pequeño / mediano ^[55] ). Por lo tanto, recientemente han surgido clasificadores ultrarrápidos, gracias a servidores potentes más asequibles. Estas herramientas pueden realizar la anotación taxonómica a una velocidad extremadamente alta, por ejemplo CLARK ^[56](según los autores de CLARK, puede clasificar con precisión "32 millones de lecturas cortas metagenómicas por minuto"). A tal velocidad, un conjunto de datos / muestra muy grande de mil millones de lecturas cortas se puede procesar en aproximadamente 30 minutos.

Con la creciente disponibilidad de muestras que contienen ADN antiguo y debido a la incertidumbre asociada con la naturaleza de esas muestras (daño del ADN antiguo), ^[57] se ha puesto a disposición una herramienta rápida capaz de producir estimaciones conservadoras de similitud. Según los autores de FALCON, puede usar umbrales relajados y editar distancias sin afectar la memoria y el rendimiento de la velocidad.

Metagenómica comparada

Los análisis comparativos entre metagenomas pueden proporcionar información adicional sobre la función de comunidades microbianas complejas y su papel en la salud del huésped. ^[58] Se pueden hacer comparaciones por pares o múltiples entre metagenomas al nivel de la composición de la secuencia (comparando el contenido de GC o el tamaño del genoma), la diversidad taxonómica o el complemento funcional. Las comparaciones de la estructura de la población y la diversidad filogenética se pueden realizar sobre la base de 16S y otros genes marcadores filogenéticos o, en el caso de comunidades de baja diversidad, mediante la reconstrucción del genoma a partir del conjunto de datos metagenómicos. ^[59] Se pueden hacer comparaciones funcionales entre metagenomas comparando secuencias con bases de datos de referencia como COG o KEGG., y tabular la abundancia por categoría y evaluar cualquier diferencia para determinar su significación estadística. ^[53] Este enfoque centrado en los genes enfatiza el complemento funcional de la comunidad como un todo en lugar de los grupos taxonómicos, y muestra que los complementos funcionales son análogos en condiciones ambientales similares. ^[59] En consecuencia, los metadatos sobre el contexto ambiental de la muestra metagenómica son especialmente importantes en los análisis comparativos, ya que brindan a los investigadores la capacidad de estudiar el efecto del hábitat sobre la estructura y función de la comunidad. ^[1]

Además, varios estudios también han utilizado patrones de uso de oligonucleótidos para identificar las diferencias entre diversas comunidades microbianas. Ejemplos de tales metodologías incluyen el enfoque de abundancia relativa de dinucleótidos de Willner et al. ^[60] y el enfoque HabiSign de Ghosh et al. ^[61] Este último estudio también indicó que las diferencias en los patrones de uso de tetranucleótidos pueden usarse para identificar genes (o lecturas metagenómicas) que se originan en hábitats específicos. Además, algunos métodos como TriageTools ^[62] o Compareads ^[63] detectan lecturas similares entre dos conjuntos de lecturas. La medida de similitud que aplican en las lecturas se basa en un número de palabras idénticas de longitud k compartido por pares de lecturas.

Un objetivo clave en la metagenómica comparativa es identificar los grupos microbianos que son responsables de conferir características específicas a un entorno determinado. Sin embargo, debido a problemas en las tecnologías de secuenciación, los artefactos deben tenerse en cuenta como en metagenomeSeq. ^[30] Otros han caracterizado las interacciones microbianas entre los grupos microbianos residentes. Una interfaz gráfica de usuario con base en la aplicación de análisis metagenomic comparativo llamado Comunidad analizador ha sido desarrollado por Kuntal et al. ^[64]que implementa un algoritmo de diseño de gráficos basado en correlación que no solo facilita una visualización rápida de las diferencias en las comunidades microbianas analizadas (en términos de su composición taxonómica), sino que también proporciona información sobre las interacciones inter-microbianas inherentes que ocurren en ellas. En particular, este algoritmo de diseño también permite la agrupación de los metagenomas en función de los probables patrones de interacción microbiana en lugar de simplemente comparar los valores de abundancia de varios grupos taxonómicos. Además, la herramienta implementa varias funcionalidades interactivas basadas en GUI que permiten a los usuarios realizar análisis comparativos estándar en microbiomas.

Análisis de datos

Metabolismo comunitario

En muchas comunidades bacterianas, naturales o artificiales (como los biorreactores ), existe una división significativa del trabajo en el metabolismo ( sintrofia ), durante la cual los productos de desecho de algunos organismos son metabolitos para otros. ^[65] En uno de estos sistemas, el biorreactor metanogénico , la estabilidad funcional requiere la presencia de varias especies sintróficas ( Syntrophobacterales y Synergistia ) trabajando juntas para convertir los recursos en bruto en desechos completamente metabolizados ( metano ). ^[66] Uso de estudios comparativos de genes y experimentos de expresión con microarrays o proteómicalos investigadores pueden reconstruir una red metabólica que va más allá de los límites de las especies. Tales estudios requieren un conocimiento detallado sobre qué versiones de qué proteínas están codificadas por qué especies e incluso por qué cepas de qué especies. Por lo tanto, la información genómica comunitaria es otra herramienta fundamental (con metabolómica y proteómica) en la búsqueda de determinar cómo una comunidad transfiere y transforma los metabolitos. ^[67]

Metatranscriptómica

Más información: Tecnologías de transcriptoma y transcriptómica

Artículo principal: Metatranscriptómica

La metagenómica permite a los investigadores acceder a la diversidad funcional y metabólica de las comunidades microbianas, pero no puede mostrar cuáles de estos procesos están activos. ^[59] La extracción y análisis de ARNm metagenómico (el metatranscriptoma ) proporciona información sobre la regulación y los perfiles de expresión de comunidades complejas. Debido a las dificultades técnicas (la corta vida media del ARNm, por ejemplo) en la recolección de ARN ambiental, ha habido relativamente pocos estudios metatranscriptómicos in situ de comunidades microbianas hasta la fecha. ^[59] Aunque originalmente se limitaba a microarraystecnología, los estudios de metatranscriptómica han hecho uso de tecnologías de transcriptómica para medir la expresión del genoma completo y la cuantificación de una comunidad microbiana, ^[59] empleadas por primera vez en el análisis de la oxidación del amoníaco en suelos. ^[68]

Virus

Artículo principal: metagenómica viral

La secuenciación metagenómica es particularmente útil en el estudio de comunidades virales. Como los virus carecen de un marcador filogenético universal compartido (como ARN 16S para bacterias y arqueas, y ARN 18S para eukarya), la única forma de acceder a la diversidad genética de la comunidad viral a partir de una muestra ambiental es a través de la metagenómica. Los metagenomas virales (también llamados viromas) deberían proporcionar cada vez más información sobre la diversidad y evolución viral. ^{[69] [70] [71] [72] [73]} Por ejemplo, una tubería metagenómica llamada Giant Virus Finder mostró la primera evidencia de existencia de virus gigantes en un desierto salino ^[74] y en los valles secos de la Antártida.^[75]

Aplicaciones

La metagenómica tiene el potencial de promover el conocimiento en una amplia variedad de campos. También se puede aplicar para resolver desafíos prácticos en medicina , ingeniería , agricultura , sostenibilidad y ecología . ^{[31] [76]}

Agricultura

Los suelos en los que crecen las plantas están habitados por comunidades microbianas, con un gramo de suelo que contiene alrededor de 10 ⁹ -10 ¹⁰ células microbianas que comprenden aproximadamente una gigabase de información de secuencia. ^{[77] [78]} Las comunidades microbianas que habitan los suelos son algunas de las más complejas conocidas por la ciencia y siguen siendo poco conocidas a pesar de su importancia económica. ^[79] Los consorcios microbianos realizan una amplia variedad de servicios ecosistémicos necesarios para el crecimiento de las plantas, incluida la fijación de nitrógeno atmosférico, el ciclo de nutrientes , la supresión de enfermedades y el secuestro de hierro y otros metales . ^[80]Se están utilizando estrategias de metagenómica funcional para explorar las interacciones entre plantas y microbios a través del estudio independiente del cultivo de estas comunidades microbianas. ^{[81] [82]} Al permitir información sobre el papel de miembros de la comunidad raros o no cultivados previamente en el ciclo de nutrientes y la promoción del crecimiento de las plantas, los enfoques metagenómicos pueden contribuir a una mejor detección de enfermedades en cultivos y ganado y la adaptación de prácticas agrícolas mejoradas que mejoran la salud de los cultivos aprovechando la relación entre microbios y plantas. ^[31]

Biocombustible

Artículo principal: Biocombustible

Los biocombustibles son combustibles derivados de la conversión de biomasa , como en la conversión de celulosa contenida en tallos de maíz , pasto varilla y otra biomasa en etanol celulósico . ^[31] Este proceso depende de consorcios microbianos (asociación) que transforman la celulosa en azúcares , seguido de la fermentación de los azúcares en etanol . Los microbios también producen una variedad de fuentes de bioenergía que incluyen metano e hidrógeno . ^[31]

La deconstrucción eficiente de biomasa a escala industrial requiere enzimas novedosas con mayor productividad y menor costo. ^[28] Los enfoques metagenómicos para el análisis de comunidades microbianas complejas permiten la detección selectiva de enzimas con aplicaciones industriales en la producción de biocombustibles, como las glucósido hidrolasas . ^[83] Además, el conocimiento de cómo funcionan estas comunidades microbianas es necesario para controlarlas, y la metagenómica es una herramienta clave en su comprensión. Los enfoques metagenómicos permiten análisis comparativos entre sistemas microbianos convergentes como fermentadores de biogás ^[84]o insectos herbívoros como el jardín de hongos de las hormigas cortadoras de hojas . ^[85]

Biotecnología

Las comunidades microbianas producen una amplia gama de sustancias químicas biológicamente activas que se utilizan en la competencia y la comunicación. ^[80] Muchas de las drogas que se usan hoy en día se descubrieron originalmente en microbios; Los avances recientes en la extracción de los ricos recursos genéticos de microbios no cultivables han llevado al descubrimiento de nuevos genes, enzimas y productos naturales. ^{[59] [86]} La aplicación de la metagenómica ha permitido el desarrollo de productos químicos finos y de productos básicos , agroquímicos y productos farmacéuticos en los que el beneficio de la síntesis quiral catalizada por enzimas se reconoce cada vez más. ^[87]

Se utilizan dos tipos de análisis en la bioprospección de datos metagenómicos: cribado basado en funciones para un rasgo expresado y cribado basado en secuencias para secuencias de ADN de interés. ^[88] El análisis basado en funciones busca identificar clones que expresan un rasgo deseado o una actividad útil, seguido de una caracterización bioquímica y un análisis de secuencia. Este enfoque está limitado por la disponibilidad de una pantalla adecuada y el requisito de que el rasgo deseado se exprese en la célula huésped. Además, la baja tasa de descubrimiento (menos de uno por cada 1000 clones examinados) y su naturaleza de trabajo intensivo limitan aún más este enfoque. ^[89] Por el contrario, el análisis basado en secuencias utiliza secuencias de ADN conservadas para diseñar cebadores de PCR.para seleccionar clones para la secuencia de interés. ^[88] En comparación con los enfoques basados ​​en la clonación, el uso de un enfoque de solo secuencia reduce aún más la cantidad de trabajo de banco requerido. La aplicación de secuenciación masivamente paralela también aumenta en gran medida la cantidad de datos de secuencia generados, que requieren tuberías de análisis bioinformático de alto rendimiento. ^[89] El enfoque de detección basado en secuencias está limitado por la amplitud y precisión de las funciones de los genes presentes en las bases de datos de secuencias públicas. En la práctica, los experimentos hacen uso de una combinación de enfoques tanto funcionales como basados ​​en secuencias en función de la función de interés, la complejidad de la muestra que se va a cribar y otros factores. ^{[89] [90]}Un ejemplo de éxito en el uso de la metagenómica como biotecnología para el descubrimiento de fármacos se ilustra con los antibióticos malacidina . ^[91]

Ecología

La metagenómica permite el estudio de comunidades microbianas como las presentes en este arroyo que reciben drenaje ácido de la minería superficial del carbón.

La metagenómica puede proporcionar información valiosa sobre la ecología funcional de las comunidades ambientales. ^{[92] El} análisis metagenómico de los consorcios bacterianos encontrados en las defecaciones de los leones marinos australianos sugiere que las heces ricas en nutrientes de los leones marinos pueden ser una fuente importante de nutrientes para los ecosistemas costeros. Esto se debe a que las bacterias que se expulsan simultáneamente con las defecaciones son expertas en descomponer los nutrientes de las heces en una forma biodisponible que puede incorporarse a la cadena alimentaria. ^[93]

La secuenciación de ADN también se puede utilizar de manera más amplia para identificar especies presentes en una masa de agua, ^[94] desechos filtrados del aire o muestras de suciedad. Esto puede establecer el rango de especies invasoras y especies en peligro de extinción y rastrear poblaciones estacionales.

Remediación ambiental

Artículo principal: Biorremediación

La metagenómica puede mejorar las estrategias para monitorear el impacto de los contaminantes en los ecosistemas y para limpiar los ambientes contaminados. Una mayor comprensión de cómo las comunidades microbianas se enfrentan a los contaminantes mejora las evaluaciones del potencial de los sitios contaminados para recuperarse de la contaminación y aumenta las posibilidades de éxito de los ensayos de bioaumentación o bioestimulación . ^[95]

Caracterización de microbios intestinales

Las comunidades microbianas juegan un papel clave en la preservación de la salud humana , pero su composición y el mecanismo por el cual lo hacen sigue siendo un misterio. ^{[96] La} secuenciación metagenómica se está utilizando para caracterizar las comunidades microbianas de 15 a 18 sitios corporales de al menos 250 individuos. Esto es parte de la iniciativa Microbioma humano con los objetivos principales de determinar si existe un microbioma humano central , comprender los cambios en el microbioma humano que pueden correlacionarse con la salud humana y desarrollar nuevas herramientas tecnológicas y bioinformáticas para respaldar estos objetivos. ^[97]

Otro estudio médico como parte del proyecto MetaHit (Metagenomics of the Human Intestinal Tract) consistió en 124 personas de Dinamarca y España que consistían en pacientes sanos, con sobrepeso e intestino irritable. El estudio intentó categorizar la profundidad y la diversidad filogenética de las bacterias gastrointestinales. Usando los datos de secuencia de Illumina GA y SOAPdenovo, una herramienta basada en gráficos de Bruijn diseñada específicamente para ensamblar lecturas cortas, pudieron generar 6.58 millones de contigs superiores a 500 bp para una longitud total de contig de 10.3 Gb y una longitud N50 de 2.2 kb.

El estudio demostró que dos divisiones bacterianas, Bacteroidetes y Firmicutes, constituyen más del 90% de las categorías filogenéticas conocidas que dominan las bacterias intestinales distales. Usando las frecuencias de genes relativas que se encuentran dentro del intestino, estos investigadores identificaron 1.244 grupos metagenómicos que son de importancia crítica para la salud del tracto intestinal. Hay dos tipos de funciones en estos grupos de rango: limpieza y las específicas del intestino. Los grupos de genes de mantenimiento son necesarios en todas las bacterias y, a menudo, son actores importantes en las principales vías metabólicas, incluido el metabolismo central del carbono y la síntesis de aminoácidos. Las funciones específicas del intestino incluyen la adhesión a las proteínas del huésped y la recolección de azúcares de los glicolípidos de la serie Globo.Se demostró que los pacientes con síndrome del intestino irritable exhiben un 25% menos de genes y una menor diversidad bacteriana que las personas que no padecen el síndrome del intestino irritable, lo que indica que los cambios en la diversidad del bioma intestinal de los pacientes pueden estar asociados con esta afección.

Si bien estos estudios destacan algunas aplicaciones médicas potencialmente valiosas, solo del 31 al 48,8% de las lecturas podrían alinearse con 194 genomas bacterianos intestinales humanos públicos y del 7,6 al 21,2% a los genomas bacterianos disponibles en GenBank, lo que indica que todavía se necesita mucha más investigación para capturar nuevos genomas bacterianos. ^[98]

En el Proyecto de Microbioma Humano (HMP), se analizaron las comunidades microbianas intestinales mediante secuenciación de ADN de alto rendimiento. HMP mostró que, a diferencia de las especies microbianas individuales, muchos procesos metabólicos estaban presentes en todos los hábitats corporales con frecuencias variables. Se estudiaron comunidades microbianas de 649 metagenomas extraídos de siete sitios corporales primarios en 102 individuos como parte del microbioma humano.proyecto. El análisis metagenómico reveló variaciones en la abundancia específica de nicho entre 168 módulos funcionales y 196 vías metabólicas dentro del microbioma. Estos incluyeron la degradación de glicosaminoglicanos en el intestino, así como el transporte de fosfato y aminoácidos ligado al fenotipo del hospedador (pH vaginal) en el fondo de saco posterior. El HMP ha sacado a la luz la utilidad de la metagenómica en el diagnóstico y la medicina basada en la evidencia . Por lo tanto, la metagenómica es una herramienta poderosa para abordar muchos de los problemas urgentes en el campo de la medicina personalizada . ^[99]

Diagnóstico de enfermedades infecciosas

Diferenciar entre enfermedades infecciosas y no infecciosas e identificar la etiología subyacente de la infección puede resultar bastante complicado. Por ejemplo, más de la mitad de los casos de encefalitis permanecen sin diagnosticar, a pesar de las pruebas exhaustivas que utilizan métodos de laboratorio clínicos de última generación. La secuenciación metagenómica se muestra prometedora como un método sensible y rápido para diagnosticar infecciones al comparar el material genético que se encuentra en la muestra de un paciente con una base de datos de miles de bacterias, virus y otros patógenos.

Ver también

• Binning
• Epidemiología y alcantarillado
• Metaproteómica
• Ecología microbiana
• Patogenómica

Referencias

1. Wooley JC, Godzik A, Friedberg I (febrero de 2010). Bourne PE (ed.). "Una cartilla sobre metagenómica" . PLOS Biología Computacional . 6 (2): e1000667. Código bibliográfico : 2010PLSCB ... 6E0667W . doi : 10.1371 / journal.pcbi.1000667 . PMC 2829047 . PMID 20195499 .  
2. Hugenholtz P, Goebel BM, Pace NR (septiembre de 1998). "Impacto de los estudios independientes de la cultura en la visión filogenética emergente de la diversidad bacteriana" . Revista de bacteriología . 180 (18): 4765–74. doi : 10.1128 / JB.180.18.4765-4774.1998 . PMC 107498 . PMID 9733676 .  
3. Marco, D, ed. (2011). Metagenómica: innovaciones actuales y tendencias futuras . Prensa Académica Caister . ISBN 978-1-904455-87-5.
4. Eisen JA (marzo de 2007). "Secuenciación de escopeta ambiental: su potencial y desafíos para estudiar el mundo oculto de los microbios" . PLOS Biología . 5 (3): e82. doi : 10.1371 / journal.pbio.0050082 . PMC 1821061 . PMID 17355177 .  
5. Handelsman J, Rondon MR, Brady SF, Clardy J, Goodman RM (octubre de 1998). "Acceso biológico molecular a la química de microbios del suelo desconocidos: una nueva frontera para los productos naturales" . Química y Biología . 5 (10): R245-9. doi : 10.1016 / S1074-5521 (98) 90108-9 . PMID 9818143 . .
6. Chen K, Pachter L (julio de 2005). "Bioinformática para secuenciación escopeta de genoma completo de comunidades microbianas" . PLOS Biología Computacional . 1 (2): 106–12. Código Bibliográfico : 2005PLSCB ... 1 ... 24C . doi : 10.1371 / journal.pcbi.0010024 . PMC 1185649 . PMID 16110337 .  
7. Lane DJ, Pace B, Olsen GJ, Stahl DA, Sogin ML, Pace NR (octubre de 1985). "Determinación rápida de secuencias de ARN ribosómico 16S para análisis filogenéticos" . Actas de la Academia Nacional de Ciencias de los Estados Unidos de América . 82 (20): 6955–9. Código bibliográfico : 1985PNAS ... 82.6955L . doi : 10.1073 / pnas.82.20.6955 . PMC 391288 . PMID 2413450 .  
8. Ritmo NR, Stahl DA, Lane DJ, Olsen GJ (1986). "El análisis de poblaciones microbianas naturales por secuencias de ARN ribosómico". En Marshall KC (ed.). Avances en ecología microbiana . 9 . Springer EE. UU. págs. 1-55. doi : 10.1007 / 978-1-4757-0611-6_1 . ISBN 978-1-4757-0611-6.
9. Schmidt TM , DeLong EF, Pace NR (julio de 1991). "Análisis de una comunidad de picoplancton marino por clonación y secuenciación del gen 16S rRNA" . Revista de bacteriología . 173 (14): 4371–8. doi : 10.1128 / jb.173.14.4371-4378.1991 . PMC 208098 . PMID 2066334 .  
10. Healy FG, Ray RM, Aldrich HC, Wilkie AC, Ingram LO, Shanmugam KT (1995). "Aislamiento directo de genes funcionales que codifican celulasas de los consorcios microbianos en un digestor anaeróbico termofílico mantenido en lignocelulosa". Microbiología y Biotecnología Aplicadas . 43 (4): 667–74. doi : 10.1007 / BF00164771 . PMID 7546604 . S2CID 31384119 .  
11. Stein JL, Marsh TL, Wu KY, Shizuya H, DeLong EF (febrero de 1996). "Caracterización de procariotas no cultivados: aislamiento y análisis de un fragmento del genoma de 40 kilopares de bases de un arqueón marino planctónico" . Revista de bacteriología . 178 (3): 591–9. doi : 10.1128 / jb.178.3.591-599.1996 . PMC 177699 . PMID 8550487 .  
12. Breitbart M, Salamon P, Andresen B, Mahaffy JM, Segall AM, Mead D, et al. (Octubre de 2002). "Análisis genómico de comunidades virales marinas no cultivadas" . Actas de la Academia Nacional de Ciencias de los Estados Unidos de América . 99 (22): 14250–5. Código bibliográfico : 2002PNAS ... 9914250B . doi : 10.1073 / pnas.202488399 . PMC 137870 . PMID 12384570 .  
13. Tyson GW, Chapman J, Hugenholtz P, Allen EE, Ram RJ, Richardson PM, et al. (Marzo de 2004). "Estructura de la comunidad y metabolismo a través de la reconstrucción de genomas microbianos del medio ambiente". Naturaleza . 428 (6978): 37–43. Código Bib : 2004Natur.428 ... 37T . doi : 10.1038 / nature02340 . PMID 14961025 . S2CID 4420754 .  (requiere suscripción)
14. Hugenholtz P (2002). "Explorando la diversidad procariota en la era genómica" . Biología del genoma . 3 (2): REVIEWS0003. doi : 10.1186 / gb-2002-3-2-reviews0003 . PMC 139013 . PMID 11864374 .  
15. Venter JC, Remington K, Heidelberg JF, Halpern AL, Rusch D, Eisen JA, et al. (Abril de 2004). "Secuenciación escopeta del genoma ambiental del Mar de los Sargazos". Ciencia . 304 (5667): 66–74. Código Bibliográfico : 2004Sci ... 304 ... 66V . CiteSeerX 10.1.1.124.1840 . doi : 10.1126 / science.1093857 . PMID 15001713 . S2CID 1454587 .   
16. Yooseph S, Nealson KH, Rusch DB, McCrow JP, Dupont CL, Kim M, et al. (Noviembre de 2010). "Adaptación genómica y funcional en procariotas planctónicos oceánicos superficiales" . Naturaleza . 468 (7320): 60–6. Bibcode : 2010Natur.468 ... 60Y . doi : 10.1038 / nature09530 . PMID 21048761 . (requiere suscripción)
17. Poinar HN, Schwarz C, Qi J, Shapiro B, Macphee RD, Buigues B, et al. (Enero de 2006). "Metagenómica a la paleogenómica: secuenciación a gran escala del ADN de mamut" . Ciencia . 311 (5759): 392–4. Código Bibliográfico : 2006Sci ... 311..392P . doi : 10.1126 / science.1123360 . PMID 16368896 . S2CID 11238470 .  
18. Edwards RA, Rodriguez-Brito B, Wegley L, Haynes M, Breitbart M, Peterson DM, et al. (Marzo de 2006). "Uso de pirosecuenciación para arrojar luz sobre la ecología microbiana de minas profundas" . BMC Genomics . 7 : 57. doi : 10.1186 / 1471-2164-7-57 . PMC 1483832 . PMID 16549033 .  
19. Thomas T, Gilbert J, Meyer F (febrero de 2012). "Metagenómica: una guía desde el muestreo hasta el análisis de datos" . Informática y Experimentación Microbiana . 2 (1): 3. doi : 10.1186 / 2042-5783-2-3 . PMC 3351745 . PMID 22587947 .  
20. Béjà O, Suzuki MT, Koonin EV, Aravind L, Hadd A, Nguyen LP, et al. (Octubre de 2000). "Construcción y análisis de bibliotecas de cromosomas artificiales bacterianos a partir de un ensamblaje microbiano marino" . Microbiología ambiental . 2 (5): 516–29. doi : 10.1046 / j.1462-2920.2000.00133.x . PMID 11233160 . S2CID 8267748 .  
21. Segata N, Boernigen D, Tickle TL, Morgan XC, Garrett WS, Huttenhower C (mayo de 2013). "Meta'ómica computacional para estudios de comunidades microbianas" . Biología de sistemas moleculares . 9 (666): 666. doi : 10.1038 / msb.2013.22 . PMC 4039370 . PMID 23670539 .  
22. Rodrigue S, Materna AC, Timberlake SC, Blackburn MC, Malmstrom RR, Alm EJ, Chisholm SW (julio de 2010). Gilbert JA (ed.). "Desbloqueo de secuenciación de lectura corta para metagenómica" . PLOS ONE . 5 (7): e11840. Código Bibliográfico : 2010PLoSO ... 511840R . doi : 10.1371 / journal.pone.0011840 . PMC 2911387 . PMID 20676378 .  
23. Schuster SC (enero de 2008). "La secuenciación de próxima generación transforma la biología actual". Métodos de la naturaleza . 5 (1): 16–8. doi : 10.1038 / nmeth1156 . PMID 18165802 . S2CID 1465786 .  
24. "Metagenómica versus ley de Moore" . Métodos de la naturaleza . 6 (9): 623. 2009. doi : 10.1038 / nmeth0909-623 .
25. Stewart RD, Auffret MD, Warr A, Wiser AH, Press MO, Langford KW, et al. (Febrero de 2018). "Ensamblaje de 913 genomas microbianos a partir de la secuenciación metagenómica del rumen de la vaca" . Comunicaciones de la naturaleza . 9 (1): 870. Bibcode : 2018NatCo ... 9..870S . doi : 10.1038 / s41467-018-03317-6 . PMC 5830445 . PMID 29491419 .  
26. Hiraoka S, Yang CC, Iwasaki W (septiembre de 2016). "Metagenómica y bioinformática en ecología microbiana: estado actual y más allá" . Microbios y entornos . 31 (3): 204-12. doi : 10.1264 / jsme2.ME16024 . PMC 5017796 . PMID 27383682 .  
27. Pérez-Cobas AE, Gomez-Valero L, Buchrieser C (2020). "Enfoques metagenómicos en la ecología microbiana: una actualización de los análisis de secuenciación de gen marcador y genoma completo" . Genómica microbiana . 6 (8). doi : 10.1099 / mgen.0.000409 . PMC 7641418 . PMID 32706331 .  
28. Hess M, Sczyrba A, Egan R, Kim TW, Chokhawala H, Schroth G, et al. (Enero de 2011). "Descubrimiento metagenómico de genes degradantes de biomasa y genomas del rumen de la vaca" . Ciencia . 331 (6016): 463–7. Código bibliográfico : 2011Sci ... 331..463H . doi : 10.1126 / science.1200387 . PMID 21273488 . S2CID 36572885 .  
29. Qin J, Li R, Raes J, Arumugam M, Burgdorf KS, Manichanh C, et al. (Marzo de 2010). "Un catálogo de genes microbianos del intestino humano establecido por secuenciación metagenómica" . Naturaleza . 464 (7285): 59–65. Código Bibliográfico : 2010Natur.464 ... 59. . doi : 10.1038 / nature08821 . PMC 3779803 . PMID 20203603 .  (requiere suscripción)
30. Paulson JN, Stine OC, Bravo HC, Pop M (diciembre de 2013). "Análisis de abundancia diferencial para encuestas de genes marcadores microbianos" . Métodos de la naturaleza . 10 (12): 1200–2. doi : 10.1038 / nmeth.2658 . PMC 4010126 . PMID 24076764 .  
31. Comité de metagenómica: desafíos y aplicaciones funcionales, Consejo Nacional de Investigación (2007). La nueva ciencia de la metagenómica: revelando los secretos de nuestro planeta microbiano . Washington, DC: The National Academies Press. doi : 10.17226 / 11902 . ISBN 978-0-309-10676-4. PMID  21678629 .
32. Oulas A, Pavloudi C, Polymenakou P, Pavlopoulos GA, Papanikolaou N, Kotoulas G, et al. (2015). "Metagenómica: herramientas y conocimientos para analizar datos de secuenciación de próxima generación derivados de estudios de biodiversidad" . Perspectivas de bioinformática y biología . 9 : 75–88. doi : 10.4137 / BBI.S12462 . PMC 4426941 . PMID 25983555 .  
33. Mende DR, Waller AS, Sunagawa S, Järvelin AI, Chan MM, Arumugam M, et al. (23 de febrero de 2012). "Evaluación del ensamblaje metagenómico utilizando datos de secuenciación de próxima generación simulados" . PLOS ONE . 7 (2): e31386. Código bibliográfico : 2012PLoSO ... 731386M . doi : 10.1371 / journal.pone.0031386 . PMC 3285633 . PMID 22384016 .  
34. Balzer S, Malde K, Grohme MA, Jonassen I (abril de 2013). "Filtrado de lecturas duplicadas de 454 datos de pirosecuenciación" . Bioinformática . 29 (7): 830–6. doi : 10.1093 / bioinformatics / btt047 . PMC 3605598 . PMID 23376350 .  
35. Mohammed MH, Chadaram S, Komanduri D, Ghosh TS, Mande SS (septiembre de 2011). "Eu-Detect: un algoritmo para detectar secuencias eucariotas en conjuntos de datos metagenómicos". Revista de Biociencias . 36 (4): 709-17. doi : 10.1007 / s12038-011-9105-2 . PMID 21857117 . S2CID 25857874 .  
36. Schmieder R, Edwards R (marzo de 2011). "Rápida identificación y eliminación de la contaminación de secuencia de conjuntos de datos genómicos y metagenómicos" . PLOS ONE . 6 (3): e17288. Código Bibliográfico : 2011PLoSO ... 617288S . doi : 10.1371 / journal.pone.0017288 . PMC 3052304 . PMID 21408061 .  
37. Kunin V, Copeland A, Lapidus A, Mavromatis K, Hugenholtz P (diciembre de 2008). "Guía de un bioinformático para la metagenómica" . Revisiones de Microbiología y Biología Molecular . 72 (4): 557–78, Tabla de contenido. doi : 10.1128 / MMBR.00009-08 . PMC 2593568 . PMID 19052320 .  
38. Namiki T, Hachiya T, Tanaka H, ​​Sakakibara Y (noviembre de 2012). "MetaVelvet: una extensión del ensamblador de Velvet al ensamblaje de metagenoma de novo a partir de lecturas de secuencia corta" . Investigación de ácidos nucleicos . 40 (20): e155. doi : 10.1093 / nar / gks678 . PMC 3488206 . PMID 22821567 .  
39. Zerbino DR, Birney E (mayo de 2008). "Velvet: algoritmos para ensamblaje de lectura corta de novo usando gráficos de Bruijn" . Investigación del genoma . 18 (5): 821–9. doi : 10.1101 / gr.074492.107 . PMC 2336801 . PMID 18349386 .  
40. Burton JN, Liachko I, Dunham MJ, Shendure J (mayo de 2014). "Desconvolución a nivel de especie de ensamblajes de metagenoma con mapas de probabilidad de contacto basados ​​en Hi-C" . G3 . 4 (7): 1339–46. doi : 10.1534 / g3.114.011825 . PMC 4455782 . PMID 24855317 .  
41. Huson DH, Mitra S, Ruscheweyh HJ, Weber N, Schuster SC (septiembre de 2011). "Análisis integrativo de secuencias ambientales utilizando MEGAN4" . Investigación del genoma . 21 (9): 1552–60. doi : 10.1101 / gr.120618.111 . PMC 3166839 . PMID 21690186 .  
42. Zhu W, Lomsadze A, Borodovsky M (julio de 2010). "Identificación de genes ab initio en secuencias metagenómicas" . Investigación de ácidos nucleicos . 38 (12): e132. doi : 10.1093 / nar / gkq275 . PMC 2896542 . PMID 20403810 .  
43. Konopka A (noviembre de 2009). "¿Qué es la ecología de la comunidad microbiana?" . El diario ISME . 3 (11): 1223–30. doi : 10.1038 / ismej.2009.88 . PMID 19657372 . 
44. Huson DH, Auch AF, Qi J, Schuster SC (marzo de 2007). "Análisis MEGAN de datos metagenómicos" . Investigación del genoma . 17 (3): 377–86. doi : 10.1101 / gr.5969107 . PMC 1800929 . PMID 17255551 .  
45. Segata N, Waldron L, Ballarini A, Narasimhan V, Jousson O, Huttenhower C (junio de 2012). "Perfiles de la comunidad microbiana metagenómica utilizando genes marcadores específicos de clado únicos" . Métodos de la naturaleza . 9 (8): 811–4. doi : 10.1038 / nmeth.2066 . PMC 3443552 . PMID 22688413 .  
46. Sunagawa S, Mende DR, Zeller G, Izquierdo-Carrasco F, Berger SA, Kultima JR, et al. (Diciembre 2013). "Perfilado de especies metagenómicas utilizando genes marcadores filogenéticos universales". Métodos de la naturaleza . 10 (12): 1196–9. doi : 10.1038 / nmeth.2693 . PMID 24141494 . S2CID 7728395 .  
47. Milanese A, Mende DR, Paoli L, Salazar G, Ruscheweyh HJ, Cuenca M, et al. (Marzo de 2019). "Perfil genómico de abundancia, actividad y población microbiana con mOTUs2" . Comunicaciones de la naturaleza . 10 (1): 1014. Bibcode : 2019NatCo..10.1014M . doi : 10.1038 / s41467-019-08844-4 . PMC 6399450 . PMID 30833550 .  
48. Liu B, Gibbons T, Ghodsi M, Treangen T, Pop M (2011). "Estimación precisa y rápida de perfiles taxonómicos de secuencias de escopeta metagenómica" . BMC Genomics . 12 Supl. 2: S4. doi : 10.1186 / 1471-2164-12-S2-S4 . PMC 3194235 . PMID 21989143 .  
49. Dadi TH, Renard BY, Wieler LH, Semmler T, Reinert K (2017). "SLIMM: identificación a nivel de especie de microorganismos a partir de metagenomas" . PeerJ . 5 : e3138. doi : 10.7717 / peerj.3138 . PMC 5372838 . PMID 28367376 .  
50. Pagani I, Liolios K, Jansson J, Chen IM, Smirnova T, Nosrat B, et al. (Enero de 2012). "The Genomes OnLine Database (GOLD) v.4: estado de proyectos genómicos y metagenómicos y sus metadatos asociados" . Investigación de ácidos nucleicos . 40 (Problema de la base de datos): D571-9. doi : 10.1093 / nar / gkr1100 . PMC 3245063 . PMID 22135293 .  
51. Meyer F, Paarmann D, D'Souza M, Olson R, Glass EM, Kubal M, et al. (Septiembre de 2008). "El servidor RAST de metagenómica - un recurso público para el análisis filogenético y funcional automático de metagenomas" . BMC Bioinformática . 9 : 386. doi : 10.1186 / 1471-2105-9-386 . PMC 2563014 . PMID 18803844 .  
52. Markowitz VM, Chen IM, Chu K, Szeto E, Palaniappan K, Grechkin Y, et al. (Enero de 2012). "IMG / M: el sistema integrado de análisis comparativo y gestión de datos del metagenoma" . Investigación de ácidos nucleicos . 40 (Problema de la base de datos): D123-9. doi : 10.1093 / nar / gkr975 . PMC 3245048 . PMID 22086953 .  
53. Mitra S, Rupek P, Richter DC, Urich T, Gilbert JA, Meyer F, et al. (Febrero de 2011). "Análisis funcional de metagenomas y metatranscriptomas usando SEED y KEGG" . BMC Bioinformática . 12 Supl. 1: S21. doi : 10.1186 / 1471-2105-12-S1-S21 . PMC 3044276 . PMID 21342551 .  
54. Benson DA, Cavanaugh M, Clark K, Karsch-Mizrachi I, Lipman DJ, Ostell J, Sayers EW (enero de 2013). "GenBank" . Investigación de ácidos nucleicos . 41 (Problema de la base de datos): D36-42. doi : 10.1093 / nar / gks1195 . PMC 3531190 . PMID 23193287 .  
55. Bazinet AL, Cummings MP (mayo de 2012). "Una evaluación comparativa de programas de clasificación de secuencias" . BMC Bioinformática . 13 : 92. doi : 10.1186 / 1471-2105-13-92 . PMC 3428669 . PMID 22574964 .  
56. Ounit R, Wanamaker S, Close TJ, Lonardi S (marzo de 2015). "CLARK: clasificación rápida y precisa de secuencias metagenómicas y genómicas utilizando k-mers discriminativos" . BMC Genomics . 16 : 236. doi : 10.1186 / s12864-015-1419-2 . PMC 4428112 . PMID 25879410 .  
57. Pratas D, Pinho AJ, Silva RM, Rodrigues JM, Hosseini M, Caetano T, Ferreira PJ (febrero de 2018). "FALCON: un método para inferir la composición metagenómica del ADN antiguo". bioRxiv 10.1101 / 267179 . 
58. Kurokawa K, Itoh T, Kuwahara T, Oshima K, Toh H, Toyoda A, et al. (Agosto de 2007). "La metagenómica comparativa reveló conjuntos de genes comúnmente enriquecidos en microbiomas intestinales humanos" . Investigación de ADN . 14 (4): 169–81. doi : 10.1093 / dnares / dsm018 . PMC 2533590 . PMID 17916580 .  
59. Simon C, Daniel R (febrero de 2011). "Análisis metagenómicos: tendencias pasadas y futuras" . Microbiología aplicada y ambiental . 77 (4): 1153–61. doi : 10.1128 / AEM.02345-10 . PMC 3067235 . PMID 21169428 .  
60. Willner D, Thurber RV, Rohwer F (julio de 2009). "Firmas metagenómicas de 86 metagenomas microbianos y virales". Microbiología ambiental . 11 (7): 1752–66. doi : 10.1111 / j.1462-2920.2009.01901.x . PMID 19302541 . 
61. Ghosh TS, Mohammed MH, Rajasingh H, Chadaram S, Mande SS (2011). "HabiSign: un enfoque novedoso para la comparación de metagenomas y la identificación rápida de secuencias específicas de hábitat" . BMC Bioinformática . 12 Suplemento 13 (Suplemento 13): S9. doi : 10.1186 / 1471-2105-12-s13-s9 . PMC 3278849 . PMID 22373355 .  
62. Fimereli D, Desvíos V, Konopka T (abril de 2013). "TriageTools: herramientas para dividir y priorizar el análisis de datos de secuenciación de alto rendimiento" . Investigación de ácidos nucleicos . 41 (7): e86. doi : 10.1093 / nar / gkt094 . PMC 3627586 . PMID 23408855 .  
63. Maillet N, Lemaitre C, Chikhi R, Lavenier D, Peterlongo P (2012). "Compareads: comparando enormes experimentos metagenómicos" . BMC Bioinformática . 13 Suppl 19 (Suppl 19): S10. doi : 10.1186 / 1471-2105-13-S19-S10 . PMC 3526429 . PMID 23282463 .  
64. Kuntal BK, Ghosh TS, Mande SS (octubre de 2013). "Community-analyzer: una plataforma para visualizar y comparar la estructura de la comunidad microbiana a través de microbiomas" . Genómica . 102 (4): 409-18. doi : 10.1016 / j.ygeno.2013.08.004 . PMID 23978768 . 
65. Werner JJ, Caballeros D, García ML, Scalfone NB, Smith S, Yarasheski K, et al. (Marzo de 2011). "Las estructuras de la comunidad bacteriana son únicas y resistentes en los sistemas de bioenergía a gran escala" . Actas de la Academia Nacional de Ciencias de los Estados Unidos de América . 108 (10): 4158–63. Código Bibliográfico : 2011PNAS..108.4158W . doi : 10.1073 / pnas.1015676108 . PMC 3053989 . PMID 21368115 .  
66. McInerney MJ, Sieber JR, Gunsalus RP (diciembre de 2009). "Sintrofia en ciclos anaeróbicos globales del carbono" . Opinión Actual en Biotecnología . 20 (6): 623–32. doi : 10.1016 / j.copbio.2009.10.001 . PMC 2790021 . PMID 19897353 .  
67. Klitgord N, Segrè D (agosto de 2011). "Biología de ecosistemas del metabolismo microbiano". Opinión Actual en Biotecnología . 22 (4): 541–6. doi : 10.1016 / j.copbio.2011.04.018 . PMID 21592777 . 
68. Leininger S, Urich T, Schloter M, Schwark L, Qi J, Nicol GW, et al. (Agosto de 2006). "Las arqueas predominan entre los procariotas oxidantes del amoniaco en los suelos". Naturaleza . 442 (7104): 806–9. Código Bibliográfico : 2006Natur.442..806L . doi : 10.1038 / nature04983 . PMID 16915287 . S2CID 4380804 .  
69. Paez-Espino D, Eloe-Fadrosh EA, Pavlopoulos GA, Thomas AD, Huntemann M, Mikhailova N, et al. (Agosto de 2016). "Descubriendo el viroma de la Tierra" . Naturaleza . 536 (7617): 425–30. Código Bib : 2016Natur.536..425P . doi : 10.1038 / nature19094 . PMID 27533034 . S2CID 4466854 .  
70. Paez-Espino D, Chen IA, Palaniappan K, Ratner A, Chu K, Szeto E, et al. (Enero de 2017). "IMG / VR: una base de datos de retrovirus y virus de ADN cultivados y no cultivados" . Investigación de ácidos nucleicos . 45 (D1): D457 – D465. doi : 10.1093 / nar / gkw1030 . PMC 5210529 . PMID 27799466 .  
71. Paez-Espino D, Roux S, Chen IA, Palaniappan K, Ratner A, Chu K, et al. (Enero de 2019). "IMG / VR v.2.0: un sistema integrado de gestión y análisis de datos para genomas virales cultivados y ambientales" . Investigación de ácidos nucleicos . 47 (D1): D678 – D686. doi : 10.1093 / nar / gky1127 . PMC 6323928 . PMID 30407573 .  
72. Paez-Espino D, Pavlopoulos GA, Ivanova NN, Kyrpides NC (agosto de 2017). "Canalización de descubrimiento de secuencias de virus no dirigido y agrupación de virus para datos metagenómicos" (PDF) . Protocolos de la naturaleza . 12 (8): 1673–1682. doi : 10.1038 / nprot.2017.063 . PMID 28749930 . S2CID 2127494 .   
73. Kristensen DM, Mushegian AR, Dolja VV, Koonin EV (enero de 2010). "Nuevas dimensiones del mundo de los virus descubiertas a través de la metagenómica" . Tendencias en microbiología . 18 (1): 11–9. doi : 10.1016 / j.tim.2009.11.003 . PMC 3293453 . PMID 19942437 .  
74. Kerepesi C, Grolmusz V (marzo de 2016). "Virus gigantes del desierto de Kutch". Archivos de Virología . 161 (3): 721–4. arXiv : 1410.1278 . doi : 10.1007 / s00705-015-2720-8 . PMID 26666442 . S2CID 13145926 .  
75. Kerepesi C, Grolmusz V (junio de 2017). "El" Buscador de virus gigantes "descubre una gran cantidad de virus gigantes en los valles secos de la Antártida". Archivos de Virología . 162 (6): 1671-1676. arXiv : 1503.05575 . doi : 10.1007 / s00705-017-3286-4 . PMID 28247094 . S2CID 1925728 .  
76. Copeland CS (septiembre-octubre de 2017). "El mundo dentro de nosotros" (PDF) . Revista de salud de Nueva Orleans : 21-26.
77. Jansson J (2011). "Hacia" Tera-Terra ": secuenciación de metagenomas terrestres por terabasa Imprimir E-mail" . Microbio . 6 (7). pag. 309. Archivado desde el original el 31 de marzo de 2012.
78. Vogel TM, Simonet P, Jansson JK, Hirsch PR, Tiedje JM, Van Elsas JD, Bailey MJ, Nalin R, Philippot L (2009). "TerraGenome: un consorcio para la secuenciación de un metagenoma del suelo" . Nature Reviews Microbiología . 7 (4): 252. doi : 10.1038 / nrmicro2119 .
79. "Página de inicio de TerraGenome" . Consorcio internacional de secuenciación TerraGenome . Consultado el 30 de diciembre de 2011 .
80. Comité de metagenómica: desafíos y aplicaciones funcionales, Consejo Nacional de Investigación (2007). Comprensión de nuestro planeta microbiano: la nueva ciencia de la metagenómica (PDF) . Prensa de las Academias Nacionales.
81. Charles T (2010). "El potencial para la investigación de interacciones planta-microbio mediante métodos metagenómicos". Metagenómica: teoría, métodos y aplicaciones . Prensa Académica Caister. ISBN 978-1-904455-54-7.
82. Bringel F, Couée I (22 de mayo de 2015). "Funciones fundamentales de los microorganismos de la filosfera en la interfaz entre el funcionamiento de la planta y la dinámica de los gases traza atmosféricos" . Fronteras en microbiología . 6 : 486. doi : 10.3389 / fmicb.2015.00486 . PMC 4440916 . PMID 26052316 .  
83. Li LL, McCorkle SR, Monchy S, Taghavi S, van der Lelie D (mayo de 2009). "Bioprospección de metagenomas: glicosil hidrolasas para convertir biomasa" . Biotecnología para biocombustibles . 2 : 10. doi : 10.1186 / 1754-6834-2-10 . PMC 2694162 . PMID 19450243 .  
84. Jaenicke S, Ander C, Bekel T, Bisdorf R, Dröge M, Gartemann KH, et al. (Enero de 2011). Aziz RK (ed.). "Análisis comparativo y conjunto de dos conjuntos de datos metagenómicos de un fermentador de biogás obtenido por 454-pirosecuenciación" . PLOS ONE . 6 (1): e14519. Código bibliográfico : 2011PLoSO ... 614519J . doi : 10.1371 / journal.pone.0014519 . PMC 3027613 . PMID 21297863 .  
85. Suen G, Scott JJ, Aylward FO, Adams SM, Tringe SG, Pinto-Tomás AA, et al. (Septiembre de 2010). Sonnenburg J (ed.). "Un microbioma de insectos herbívoros con alta capacidad de degradación de la biomasa vegetal" . PLOS Genetics . 6 (9): e1001129. doi : 10.1371 / journal.pgen.1001129 . PMC 2944797 . PMID 20885794 .  
86. Simon C, Daniel R (noviembre de 2009). "Logros y nuevos conocimientos desentrañados por enfoques metagenómicos" . Microbiología y Biotecnología Aplicadas . 85 (2): 265–76. doi : 10.1007 / s00253-009-2233-z . PMC 2773367 . PMID 19760178 .  
87. Wong D (2010). "Aplicaciones de la metagenómica para bioproductos industriales". Metagenómica: teoría, métodos y aplicaciones . Prensa Académica Caister. ISBN 978-1-904455-54-7.
88. Schloss PD, Handelsman J (junio de 2003). "Perspectivas biotecnológicas desde la metagenómica" (PDF) . Opinión Actual en Biotecnología . 14 (3): 303–10. doi : 10.1016 / S0958-1669 (03) 00067-3 . PMID 12849784 . Archivado desde el original (PDF) el 4 de marzo de 2016 . Consultado el 20 de enero de 2012 .  
89. Kakirde KS, Perejil LC, Liles MR (noviembre de 2010). "El tamaño importa: enfoques basados ​​en aplicaciones para la metagenómica del suelo" . Biología y bioquímica del suelo . 42 (11): 1911-1923. doi : 10.1016 / j.soilbio.2010.07.021 . PMC 2976544 . PMID 21076656 .  
90. Parachin NS, Gorwa-Grauslund MF (mayo de 2011). "Aislamiento de xilosa isomerasas por cribado basado en secuencia y función de una biblioteca metagenómica del suelo" . Biotecnología para biocombustibles . 4 (1): 9. doi : 10.1186 / 1754-6834-4-9 . PMC 3113934 . PMID 21545702 .  
91. Hover BM, Kim SH, Katz M, Charlop-Powers Z, Owen JG, Ternei MA, et al. (Abril de 2018). "Descubrimiento independiente de la cultura de las malacidinas como antibióticos dependientes del calcio con actividad contra patógenos grampositivos resistentes a múltiples fármacos" . Microbiología de la naturaleza . 3 (4): 415–422. doi : 10.1038 / s41564-018-0110-1 . PMC 5874163 . PMID 29434326 .  
92. Raes J, Letunic I, Yamada T, Jensen LJ, Bork P (marzo de 2011). "Hacia una ecología basada en rasgos moleculares mediante la integración de datos biogeoquímicos, geográficos y metagenómicos" . Biología de sistemas moleculares . 7 : 473. doi : 10.1038 / msb.2011.6 . PMC 3094067 . PMID 21407210 .  
93. Lavery TJ, Roudnew B, Seymour J, Mitchell JG, Jeffries T (2012). Steinke D (ed.). "Alto potencial de transporte y ciclo de nutrientes revelado en el metagenoma microbiano de las heces del león marino australiano (Neophoca cinerea)" . PLOS ONE . 7 (5): e36478. Código bibliográfico : 2012PLoSO ... 736478L . doi : 10.1371 / journal.pone.0036478 . PMC 3350522 . PMID 22606263 .  
94. "¿Qué está nadando en el río? Solo busque ADN" . NPR.org . 24 de julio de 2013 . Consultado el 10 de octubre de 2014 .
95. George I, Stenuit B, Agathos SN (2010). "Aplicación de la metagenómica a la biorremediación". En Marco D (ed.). Metagenómica: teoría, métodos y aplicaciones . Prensa Académica Caister. ISBN 978-1-904455-54-7.
96. Zimmer C (13 de julio de 2010). "Cómo nos defienden y definen los microbios" . New York Times . Consultado el 29 de diciembre de 2011 .
97. Nelson KE y White BA (2010). "Metagenómica y sus aplicaciones al estudio del microbioma humano". Metagenómica: teoría, métodos y aplicaciones . Prensa Académica Caister. ISBN 978-1-904455-54-7.
98. Qin J, Li R, Raes J, Arumugam M, Burgdorf KS, Manichanh C, et al. (Marzo de 2010). "Un catálogo de genes microbianos del intestino humano establecido por secuenciación metagenómica" . Naturaleza . 464 (7285): 59–65. Código Bibliográfico : 2010Natur.464 ... 59. . doi : 10.1038 / nature08821 . PMC 3779803 . PMID 20203603 .  
99. Abubucker, Sahar; Segata, Nicola; Goll, Johannes; Schubert, Alyxandria M .; Izard, Jacques; Cantarel, Brandi L .; Rodríguez-Mueller, Beltrán; Zucker, Jeremy; Thiagarajan, Mathangi; Henrissat, Bernard; White, Owen; Kelley, Scott T .; Methé, Barbara; Schloss, Patrick D .; Gevers, Dirk; Mitreva, Makedonka; Huttenhower, Curtis (2012). "Biología computacional PLOS: reconstrucción metabólica de datos metagenómicos y su aplicación al microbioma humano" . PLOS Biología Computacional . 8 (6): e1002358. Código bibliográfico : 2012PLSCB ... 8E2358A . doi : 10.1371 / journal.pcbi.1002358 . PMC 3374609 . PMID 22719234  .

Enlaces externos

• Focus on Metagenomics en el sitio web de la revista Nature Reviews Microbiology
• La iniciativa “Evaluación crítica de la interpretación del metagenoma ” (CAMI) para evaluar métodos en metagenómica