CLARK
Clasificación TaxonómicaCLARK (Clasificador basado en K-mers Reducidos) es un método de clasificación de secuencias supervisado que utiliza k-mers discriminativos — k-mers únicos de un taxón específico — para una clasificación metagenómica rápida y precisa. [1]
Cómo Obtener el Archivo de Modelo de Salida
A continuación se muestra un breve flujo de trabajo que ejecutó el equipo para obtener los ejemplos de modelo de salida que presentamos en la página de herramientas.
Entrada
Archivos FASTQ/FASTA (lecturas de un solo extremo o pareadas)
Salida
Resultados de clasificación en CSV con puntuaciones de confianza y tabla de abundancia taxonómica estimada
conda install -c bioconda clark
Muestra 1 metagenoma de intestino humano (SRR14092160, 5M subset de lecturas) clasificado con CLARK-l contra una Base de datos personalizada de 31 genomas bacterianos asociados al intestino.
- 1
Descargar lecturas de NCBI SRA
prefetch SRR14092160 && fasterq-dump SRR14092160 -O /data --split-files && gzip /data/SRR14092160_*.fastq
Metagenoma de intestino humano, punto de tiempo pre-colonización de VRE (Día -9). Illumina pareado, ~5.5M pares de lecturas (extracción parcial).
- 2
Reducir a 5M lecturas y descomprimir
zcat SRR14092160_1.fastq.gz | head -20000000 > subset_1.fastq && zcat SRR14092160_2.fastq.gz | head -20000000 > subset_2.fastq
CLARK no soporta FASTQ comprimido. 5M lecturas = 20M líneas en formato FASTQ.
- 3
Construir base de datos personalizada de 31 genomas
Descargar 31 genomas de RefSeq vía NCBI Datasets, preparar targets.txt y archivos de taxonomía NCBI (nodes.dmp, names.dmp).
- 4
Ejecutar clasificación CLARK-l
CLARK-l -T /db/targets.txt -D /db/custom_0/ -P subset_1.fastq subset_2.fastq -R clark_result -n 8 -m 0
CLARK-l es el modo ligero (~4 GB RAM). 0.20% clasificado (10,049 / 5,000,000 lecturas). 26 especies detectadas.
- 5
Estimar abundancia
estimate_abundance.sh -F clark_result.csv -D /db --highconfidence
Produce el archivo de abundancia CSV que IntMeta lee. La bandera --highconfidence filtra asignaciones de baja confianza.
Materiales Utilizados
Archivos de Salida de Ejemplo
Descarga los archivos de salida utilizados en las demostraciones de la página de herramientas. Puedes cargarlos directamente a IntMeta para explorar las visualizaciones.
Único y Comparación
Análisis de Grupo
Referencia de Gráficos
Descripciones detalladas de todas las 30 visualizaciones generadas por CLARK en IntMeta.
distribution
Gráfico de barras de los principales organismos clasificados por conteo de lecturas de la clasificación de k-mers discriminativos de CLARK. Solo se cuentan las lecturas que coinciden con k-mers únicos de un solo taxón, produciendo asignaciones de alta confianza.
composition
Gráfico circular/de anillo mostrando los principales taxones clasificados como porcentaje de su conteo de lecturas combinado. Cada segmento es (lecturas del taxón / suma de lecturas mostradas) × 100 en el rango seleccionado.
richness
Cuenta cada organismo distinto con al menos una lectura asignada en cada rango principal (Dominio a Especie). El enfoque de k-mers discriminativos de CLARK típicamente reporta menos taxones que Kraken2, pero cada asignación tiene mayor especificidad.
diversity
Índices de diversidad alfa calculados a partir de proporciones de conteo de lecturas por taxón: Shannon H = −Σ(pᵢ · ln pᵢ), Simpson D = 1 − Σ(nᵢ(nᵢ−1))/(N(N−1)), y equitatividad de Pielou J = H / ln(riqueza). Útil para comparar equitatividad comunitaria a través de muestras.
multilevel-composition
Gráfico de barras apiladas con los principales taxones (por conteo de lecturas) en cada rango principal; taxones restantes agrupados como 'Otros'. Muestra cómo los organismos dominantes cambian a través de profundidades de clasificación.
dependency-wheel
Diagrama de cuerdas vinculando taxones padre a taxones hijo a través de rangos, con grosor de conexión proporcional al conteo de lecturas compartidas. Las aristas por debajo del umbral mínimo de cobertura (5% por defecto) se filtran.
sankey-flow
Diagrama de flujo Sankey trazando cómo se distribuyen las lecturas desde el rango inicial al rango final a través de la jerarquía de linaje. El ancho de banda equals el conteo de lecturas entre taxones conectados; las aristas de bajo cobertura se eliminan.
comp-classification
Gráfico de barras apiladas mostrando lecturas clasificadas versus no clasificadas totales por muestra. Permite comparar rápidamente tasas de clasificación entre muestras — fracciones no clasificadas grandes pueden indicar organismos novedosos o limitaciones de la base de datos.
comp-grouped-abundance
Gráfico de barras agrupadas colocando los principales taxones de cada muestra lado a lado en el rango seleccionado. Cada grupo contiene una barra por muestra, coloreada por identidad de muestra, permitiendo comparación visual directa de conteos de lecturas absolutos para el mismo organismo a través de muestras.
comp-relative-abundance
Gráfico de barras apiladas al 100% donde cada barra representa una muestra y los segmentos muestran la contribución proporcional de cada taxón. Útil para comparar composición comunitaria cuando las muestras tienen profundidades de secuenciación muy diferentes, ya que todas las barras se normalizan a la misma altura.
comp-abundance-heatmap
Mapa de calor de matriz de colores con taxones en un eje y muestras en el otro. La intensidad del color de la celda es proporcional a la abundancia de lecturas en el rango seleccionado. El agrupamiento jerárquico en ambos ejes agrupa muestras similares y taxones coocurrentes.
comp-diversity-indices
Gráfico de múltiples paneles mostrando entropía de Shannon, diversidad de Simpson, Riqueza Observada, y Equitatividad de Pielou para cada muestra en su propia escala del eje y. Permite comparación rápida entre muestras de diversidad alfa sin distorsión de escala.
comp-shared-taxa
Diagrama de Venn mostrando el conteo de taxones compartidos entre muestras versus taxones exclusivos de cada muestra individual. Calculado en el rango taxonómico seleccionado usando presencia/ausencia de lecturas ≥ 1.
group-alpha-diversity
Diagramas de caja de entropía de Shannon, diversidad de Simpson, Riqueza Observada, y Equitatividad de Pielou por grupo. Cada caja resume la variación dentro del grupo. Los valores p de Kruskal-Wallis prueban diferencias significativas entre grupos.
group-pcoa
Análisis de Coordenadas Principales (PCoA) en matriz de disimilitud de Bray-Curtis. Los puntos están coloreados por asignación de grupo con elipses de confianza del 95%. Las etiquetas de los ejes muestran el porcentaje de varianza explicada por cada coordenada.
group-nmds
Escalonamiento Multidimensional No Métrico (NMDS) ordenación con valor de stress mostrado. Puntos coloreados por grupo con elipses de confianza. Un stress más bajo (<0,2) indica una buena representación de las distancias originales en 2D.
group-distance-boxplots
Diagramas de caja de distancias de Bray-Curtis intra-grupo versus inter-grupo. PERMANOVA R² y valor p cuantifican la fracción de varianza explicada por agrupamiento. La estadística R de ANOSIM mide el grado de separación de grupos.
group-relative-abundance
Abundancia relativa promediada por grupo como barras apiladas al 100% en el rango taxonómico seleccionado. Cada barra muestra la composición proporcional media a través de todas las muestras del grupo, permitiendo comparación directa a nivel de grupo.
group-differential-abundance
Gráfico de barras de taxones con diferencias significativas de abundancia entre grupos (prueba de Kruskal-Wallis, corrección FDR de Benjamini-Hochberg). El color indica qué grupo tiene mayor abundancia. Solo se muestran taxones que pasan el umbral de significancia.
group-lefse
LEfSe (Análisis de Discriminante Lineal de Tamaño del Efecto) gráfico de biomarcadores. Las barras horizontales muestran puntuaciones de LDA para taxones que discriminan significativamente entre grupos. Las puntuaciones de LDA más altas indican una asociación más fuerte con el grupo respectivo.
group-shared-taxa
Diagrama de Venn mostrando taxones compartidos y únicos a través de grupos experimentales. El conjunto de taxones de cada grupo es la unión de todos los taxones detectados en cualquier muestra perteneciente a ese grupo. Haga clic en regiones para ver la lista específica de taxones con conteos de lecturas.
group-classification
Gráfico de columnas apiladas mostrando lecturas clasificadas versus no clasificadas medias por grupo experimental. La información emergente muestra desglose de porcentaje y conteo de muestras por grupo.
group-distribution
Gráfico de columnas agrupadas mostrando conteos de lecturas medios para los principales N taxones en el nivel taxonómico seleccionado, agrupados por grupo experimental. Permite comparación de patrones de abundancia taxonómica entre grupos.
group-heatmap
Mapa de calor de conteos de lecturas transformados logarítmicamente (log₁₀) medios por grupo experimental (columnas) y taxones (filas). La intensidad del color refleja abundancia, permitiendo comparación visual rápida de perfiles taxonómicos a través de grupos.
rarefaction
Curva de rarefacción trazando taxones observados versus profundidad de lectura submuestreada en el rango seleccionado. Calculada analíticamente usando la expectativa hipergeométrica. Una curva que se estabiliza indica profundidad de secuenciación suficiente; una curva aún ascendente sugiere submuestreo.
rank-abundance
Curva de abundancia clasificada (gráfico de Whittaker) con taxones clasificados por abundancia relativa decreciente en un eje y logarítmico. La longitud de la curva a lo largo del eje x refleja riqueza, mientras que la pendiente indica equitatividad — una caída pronunciada significa que pocos taxones dominan.
comp-rarefaction
Curvas de rarefacción superpuestas para todas las muestras cargadas. Permite comparación visual del esfuerzo de secuenciación y saturación taxonómica a través de muestras.
comp-rank-abundance
Curvas de abundancia clasificadas superpuestas para todas las muestras cargadas. Curvas más pronunciadas indican comunidades más desequilibradas dominadas por menos taxones.
group-taxonomic-sunburst
Sunburst interactivo mostrando la jerarquía taxonómica completa como anillos concéntricos. Los nodos de biomarcadores de LEfSe están coloreados por su grupo enriquecido; nodos no significativos son grises. Haga clic en cualquier segmento de anillo para profundizar.
group-volcano
Gráfico de volcán: cambio de pliegue log₂ (x) versus −log₁₀ valor p ajustado (y). Los puntos por encima de la línea horizontal pasan significancia (FDR de BH). Los puntos coloreados están enriquecidos significativamente en el grupo respectivo.