CLARK
Classificação TaxonômicaCLARK (Classificador baseado em K-mers Reduzidos) é um método de classificação de sequências supervisionado que usa k-mers discriminativos — k-mers únicos de um táxon específico — para classificação metagenômica rápida e precisa. [1]
Como Obter o Arquivo de Saída do Modelo
Abaixo está um breve fluxo de trabalho que a equipe executou para obter os exemplos de arquivo de saída que apresentamos na página de ferramentas.
Entrada
Arquivos FASTQ/FASTA (leituras single-end ou paired-end)
Saída
Resultados de classificação CSV com escores de confiança e tabela de abundância estimada
conda install -c bioconda clark
Amostra 1 microbioma de intestino humano (SRR14092160, subconjunto de 5M leituras) classificado com CLARK-l contra um Banco de dados personalizado com 31 genomas bacterianos associados ao intestino.
- 1
Baixar leituras do NCBI SRA
prefetch SRR14092160 && fasterq-dump SRR14092160 -O /data --split-files && gzip /data/SRR14092160_*.fastq
Microbioma de intestino humano, ponto temporal pré-colonização por VRE (Dia -9). Paired-end Illumina, ~5,5M pares de leituras (extração parcial).
- 2
Subamostrar para 5M leituras e descomprimir
zcat SRR14092160_1.fastq.gz | head -20000000 > subset_1.fastq && zcat SRR14092160_2.fastq.gz | head -20000000 > subset_2.fastq
CLARK não suporta FASTQ gzipado. 5M leituras = 20M linhas no formato FASTQ.
- 3
Construir banco de dados personalizado com 31 genomas
Baixar 31 genomas RefSeq via NCBI Datasets, preparar targets.txt e arquivos de taxonomia NCBI (nodes.dmp, names.dmp).
- 4
Executar classificação 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 é o modo leve (~4 GB RAM). 0,20% classificado (10.049 / 5.000.000 leituras). 26 espécies detectadas.
- 5
Estimar abundância
estimate_abundance.sh -F clark_result.csv -D /db --highconfidence
Produz o arquivo de abundância CSV que IntMeta lê. A flag --highconfidence filtra atribuições de baixa confiança.
Materiais Utilizados
Arquivos de Saída de Exemplo
Baixe os arquivos de saída usados nas demonstrações da página de ferramentas. Você pode enviá-los diretamente para IntMeta para explorar as visualizações.
Única & Comparação
Análise de Grupo
Referência de Gráficos
Descrições detalhadas para todas as 30 visualizações geradas por CLARK em IntMeta.
distribution
Gráfico de barras dos principais organismos classificados por contagem de leituras da classificação de k-mers discriminativos de CLARK. Apenas leituras correspondentes a k-mers únicos de um único táxon são contadas, produzindo atribuições de alta confiança.
composition
Gráfico de pizza/rosca mostrando os táxons classificados principais como percentual da sua contagem combinada de leituras. Cada fatia é (leituras de táxon / soma das leituras exibidas) × 100 no rank selecionado.
richness
Conta cada organismo distinto com pelo menos uma leitura atribuída em cada rank principal (Domain até Species). A abordagem de k-mers discriminativos de CLARK normalmente relata menos táxons que Kraken2, mas cada atribuição carrega maior especificidade.
diversity
Índices de diversidade alfa calculados a partir de proporções de contagem de leituras por táxon: Shannon H = −Σ(pᵢ · ln pᵢ), Simpson D = 1 − Σ(nᵢ(nᵢ−1))/(N(N−1)), e uniformidade de Pielou J = H / ln(riqueza). Útil para comparar uniformidade da comunidade entre amostras.
multilevel-composition
Gráfico de barras empilhadas com os principais táxons (por contagem de leituras) em cada rank principal; táxons restantes agrupados como 'Outro'. Mostra como os organismos dominantes mudam conforme a profundidade da classificação.
dependency-wheel
Diagrama de cordas vinculando táxons pai a táxons filho através dos ranks, com espessura de conexão proporcional à contagem compartilhada de leituras. Arestas abaixo do limite mínimo de cobertura (padrão 5%) são filtradas.
sankey-flow
Diagrama de fluxo Sankey rastreando como as leituras se distribuem do rank inicial ao rank final através da hierarquia de linhagem. A largura da banda é igual à contagem de leituras entre táxons conectados; arestas de baixa cobertura são removidas.
comp-classification
Gráfico de barras empilhadas mostrando leituras totais classificadas versus não classificadas por amostra. Permite comparação rápida das taxas de classificação entre amostras — frações não classificadas grandes podem indicar organismos novos ou limitações do banco de dados.
comp-grouped-abundance
Gráfico de barras agrupadas colocando os táxons principais de cada amostra lado a lado no rank selecionado. Cada grupo contém uma barra por amostra, colorida pela identidade da amostra, permitindo comparação visual direta das contagens absolutas de leituras para o mesmo organismo entre amostras.
comp-relative-abundance
Gráfico de barras empilhadas 100% onde cada barra representa uma amostra e os segmentos mostram a contribuição proporcional de cada táxon. Útil para comparar composição da comunidade quando as amostras têm profundidades de sequenciamento muito diferentes, pois todas as barras são normalizadas para a mesma altura.
comp-abundance-heatmap
Mapa de calor de matriz de cores com táxons em um eixo e amostras no outro. A intensidade da cor da célula é proporcional à abundância de leituras no rank selecionado. O agrupamento hierárquico em ambos os eixos agrupa amostras similares e táxons co-ocorrentes.
comp-diversity-indices
Gráfico multi-painel exibindo entropiaShannon, diversidade Simpson, Riqueza Observada e Uniformidade de Pielou para cada amostra em sua própria escala de eixo y. Permite comparação rápida entre amostras de diversidade alfa sem distorção de escala.
comp-shared-taxa
Diagrama de Venn mostrando a contagem de táxons compartilhados entre amostras versus táxons exclusivos para cada amostra individual. Calculado no rank taxonômico selecionado usando presença/ausência de leituras ≥ 1.
group-alpha-diversity
Boxplots de entropiaShannon, diversidade Simpson, Riqueza Observada e Uniformidade de Pielou por grupo. Cada caixa resume a variação intra-grupo. Valores p de Kruskal-Wallis testam diferenças significativas entre grupos.
group-pcoa
Análise de Coordenadas Principais (PCoA) na matriz de dissimilaridade Bray-Curtis. Pontos são coloridos por atribuição de grupo com elipses de confiança de 95%. Rótulos de eixo mostram o percentual de variância explicada por cada coordenada.
group-nmds
Escala Multidimensional Não-Métrica (NMDS) com valor de stress exibido. Pontos coloridos por grupo com elipses de confiança. Stress menor (<0,2) indica uma boa representação das distâncias originais em 2D.
group-distance-boxplots
Boxplots de distâncias Bray-Curtis intra-grupo versus inter-grupo. PERMANOVA R² e p-valor quantificam a fração da variância explicada pelo agrupamento. Estatística R de ANOSIM mede o grau de separação dos grupos.
group-relative-abundance
Abundância relativa média do grupo como barras empilhadas 100% no rank taxonômico selecionado. Cada barra mostra a composição proporcional média em todas as amostras do grupo, permitindo comparação direta em nível de grupo.
group-differential-abundance
Gráfico de barras de táxons com diferenças significativas de abundância entre grupos (teste de Kruskal-Wallis, correção BH FDR). Cor indica qual grupo tem maior abundância. Apenas táxons que passam o limite de significância são mostrados.
group-lefse
LEfSe (Análise de Discriminante Linear Tamanho de Efeito) gráfico de biomarcador. Barras horizontais mostram escores LDA para táxons que discriminam significativamente entre grupos. Escores LDA mais altos indicam associação mais forte com o respectivo grupo.
group-shared-taxa
Diagrama de Venn mostrando táxons compartilhados e únicos através de grupos experimentais. O conjunto de táxons de cada grupo é a união de todos os táxons detectados em qualquer amostra pertencente a esse grupo. Clique nas regiões para visualizar a lista específica de táxons com contagens de leituras.
group-classification
Gráfico de colunas empilhadas mostrando leituras médias classificadas versus não classificadas por grupo experimental. O tooltip mostra porcentagem e contagem de amostras por grupo.
group-distribution
Gráfico de colunas agrupadas mostrando contagens médias de leituras para os N principais táxons no nível taxonômico selecionado, agrupados por grupo experimental. Permite comparação de padrões de abundância taxonômica entre grupos.
group-heatmap
Mapa de calor de contagens médias de leituras transformadas em log₁₀ por grupo experimental (colunas) e táxons (linhas). A intensidade da cor reflete abundância, permitindo comparação visual rápida de perfis taxonômicos entre grupos.
rarefaction
Curva de rarefação plotando táxons observados versus profundidade de leitura subamostrada no rank selecionado. Calculada analiticamente usando expectativa hipergeométrica. Uma curva que se estabiliza indica profundidade de sequenciamento suficiente; uma curva ainda em ascensão sugere subamostragem.
rank-abundance
Curva de classificação-abundância (Gráfico de Whittaker) com táxons classificados por abundância relativa decrescente em eixo y logarítmico. O comprimento da curva ao longo do eixo x reflete riqueza, enquanto a inclinação indica uniformidade — uma queda abrupta significa que alguns poucos táxons dominam.
comp-rarefaction
Curvas de rarefação sobrepostas para todas as amostras carregadas. Permite comparação visual do esforço de sequenciamento e saturação taxonômica entre amostras.
comp-rank-abundance
Curvas de classificação-abundância sobrepostas para todas as amostras carregadas. Curvas mais íngremes indicam comunidades mais desiguais dominadas por menos táxons.
group-taxonomic-sunburst
Sunburst interativo exibindo a hierarquia taxonômica completa como anéis concêntricos. Nós de biomarcador LEfSe são coloridos pelo seu grupo enriquecido; nós não significativos são cinzentos. Clique em qualquer segmento de anel para fazer zoom.
group-volcano
Gráfico vulcão: log₂ alteração de dobro (x) versus −log₁₀ p-valor ajustado (y). Pontos acima da linha horizontal passam significância (BH FDR). Pontos coloridos estão significativamente enriquecidos no respectivo grupo.