En metagenómica, el binning , es el proceso computacional de agrupar los fragmentos de ADN ensamblados contigs que provienen de una misma población microbiana dentro de una muestra ambiental. Cada “bin” resultante corresponde a un borrador de genoma (draft genome), que tras refinamiento se denomina MAG (Metagenome‑Assembled Genome). Los métodos de binning pueden basarse en características de la secuencia compositiva (como el contenido de GC o las frecuencias de tetranucleótidos) o en la cobertura del mapeo de lecturas de secuencias en las muestras, o en ambos.
Introducción Las muestras metagenómicas generalmente consisten en datos de secuenciación de muchos organismos no relacionados, ya que están compuestas por el ADN de toda la comunidad de microorganismos contenidos en una muestra ambiental. Por ejemplo, en un solo gramo de suelo puede haber hasta 18.000 tipos diferentes de organismos, cada uno con su propio genoma.
Los conjuntos metagenómicos suelen estar fragmentados en forma de muchos contigs, especialmente en conjuntos de lectura corta donde las repeticiones y los elementos integradores pueden ser difíciles de resolver. Por lo tanto, la clasificación ocurre después del ensamblaje metagenómico y representa el esfuerzo por asociar los contigs fragmentados con un genoma de origen, denominado Genoma Ensamblado de Metagenoma (MAG). La taxonomía de los MAG se puede inferir luego a través de la ubicación en un árbol filogenético de referencia utilizando algoritmos como GTDB -Tk.
MAG (Metagenome‑Assembled Genome) Un MAG es el genoma completo de un microorganismo que se reconstruye directamente a partir de fragmentos de ADN obtenidos de muestras ambientales por ejemplo, agua, suelo o el intestino, usando métodos de secuenciación masiva y ensamblaje computacional, sin necesidad de cultivar el microbio en el laboratorio. Esto permite descubrir y estudiar organismos que no pueden crecer en condiciones de cultivo tradicionales.
Flujo de lmplementación del binning Todos los Genomas en una muestra
Tenemos una muestra dentro de ellas pueden convivir decenas, cientos o miles de especies microbianas. Cada círculo de color (azul, amarillo, gris…) representa el genoma de una especie o cepa diferente.
Secuenciación (Lecturas)
En este proceso extraes el ADN total de la muestra y lo cortas en millones de fragmentos cortos (150–300 bp si usas Illumina). Cada fragmento se lee produciendo las lecturas.
Las barritas de colores (azul, amarillo, gris) son lecturas que todavía no están ordenadas ni asignadas a ningún genoma en concreto.
Ensamblaje (Contigs)
Reconstrucción de trozos más largos juntando lecturas que se solapa, de esta manera obtenemos los contigs usando ensambladores especializados en metagenomas (metaSPAdes, MEGAHIT, IDBA-UD).
Binning (Agrupamiento de contigs)
Ahora conviertes cientos de miles de contigs en cajas(bins), dónde cada caja contiene los contigs de un mismo genoma, cada bin reúne contigs suficientes para construir un MAG.
Las técnicas modernas de agrupación utilizan tanto la información previamente disponible independientemente de la muestra como la información intrínseca presente en la muestra. Dependiendo de la diversidad y complejidad de la muestra, su grado de éxito varía: en algunos casos pueden resolver las secuencias hasta especies individuales, mientras que en otros las secuencias se identifican en el mejor de los casos con grupos taxonómicos muy amplios.
La agrupación de datos metagenómicos de varios hábitats podría ampliar significativamente el árbol de la vida. Este enfoque de los metagenomas disponibles a nivel mundial agrupó 52.515 genomas microbianos individuales y amplió la diversidad de bacterias y arqueas en un 44%.
Estándares MIMAG (Minimum InformatiFinished Ensamblajeon about a Metagenome-Assembled Genome) Los estándares MIMAG fueron desarrollados por el GSC (Genomic Standards Consortium) que es una comunidad internacional abierta formada por investigadores y bases de datos que desarrolla y mantiene estándares mínimos de metadatos para todo tipo de datos genómicos y metagenómicos. Estos estándares establecen cuatro categorías de calidad, basadas en tres ejes principales: calidad del ensamblaje, completitud y contaminación (medidas por genes marcadores unicopia) y presencia de ARN ribosómicos y de transferencia. miniaturadeimagen|414x414px|Tabla explicativa de las categorías de la calidad de un MAG Los estándares MIMAG (Minimum Information about a Metagenome-Assembled Genome) desarrollados por el Genomic Standards Consortium establecen criterios mínimos para evaluar y reportar la calidad de los MAGs. Se organizan en cuatro categorías de calidad, basadas en tres ejes principales: calidad del ensamblaje, completitud y contaminación (medidas por genes marcadores unicopia) y presencia de ARN ribosómicos y de transferencia.
Algoritmos Los algoritmos de binning son métodos computacionales diseñados para agrupar de forma automática los fragmentos de ADN ensamblados (contigs) que provienen de la misma población microbiana dentro de una muestra metagenómica. En su funcionamiento combinan dos métodos.
Los métodos no supervisados
Estos métodos no requieren información previa de referencia, agrupan los contigs según los patrones emergentes de datos, como la Composición de nucleótidos (GC-content, frecuencias de k-mers), Cobertura de lectura (abundancia relativa en una o varias muestras) y ensamblajes de pares de lecturas (paired-end linkage).
Los Métodos supervisados
Estos métodos emplean bases de datos de genomas conocidos y clasifican los contigs mediante alineamiento o perfiles de genes marcadores unicopia, refuerzan la separación basada en señales específicas de linaje, como firmas de tetranucleótidos típicas de un taxón.
Algunos algoritmos híbridos combinan ambas estrategias, usando primero asignaciones rápidas por composición (no supervisado) y luego refinando con alineamientos a bases de datos (supervisado) o viceversa. Gracias a estos enfoques, el binning convierte cientos de miles de contigs en unos pocos miles de “bins”, cada uno aproximando el borrador de un genoma (MAG) que puede refinarse y anotarse para descubrir especies, funciones y redes ecológicas en comunidades microbianas complejas.
TETRA miniaturadeimagen|418x418px|Algoritmo de Tetra TETRA (Tetranucleotide Usage Analysis) es un algoritmo de binning metagenómico basado en la firma composicional del ADN. Cada genoma tiene patrones característicos en la frecuencia de tetranucleótidos—secuencias contiguas de cuatro bases (256 posibles combinaciones)—que reflejan su evolución y su maquinaria molecular. TETRA calcula para cada fragmento genómico (contig) la frecuencia observada de cada tetranucleótido y la compara con la frecuencia esperada bajo un modelo de composición de nucleótidos (mononucleotídico o dinucleotídico), generando así una puntuación z para cada 4-mer(tetranucleótido). Estas puntuaciones miden la sobrerrepresentación o infrarrepresentación relativa de cada tetranucleótido, y juntas conforman un “vector de firma” de 256 dimensiones para ese fragmento.
Fundamento estadístico de TETRA Conteo
Para cada fragmento (contig) se cuentan las ocurrencias de los 256 tetranucleótidos.
Cálculo de puntuaciones z
Se calcula la frecuencia observada de cada tetranucleótido i.
Se estima la frecuencia esperada bajo un modelo de Markov de orden 0 o 1 (basado en composición mononucleotídica o dinucleotídica).
La puntuación z para el tetranucleótido i es :
Donde es la desviación estándar esperada de .
Un alto (positivo) indica sobre-representación; un negativo, infra-representación.
Este vector de 256 puntuaciones constituye la “firma tetranucleotídica” del fragmento.
Comparación entre secuencias Para dos fragmentos/genomas A y B con vectores de puntuaciones z zA y zB, se calcula la correlación de Pearson:
Una ρ cercana a 1 implica que A y B comparten patrón composicional ⇒ probablemente provengan de especies/genomas relacionados.
Flujo de trabajo en TETRA Cálculo de FIRMA tetranucleotídica dónde se aplican ventanas móviles o se procesan los contigs completos.
Matriz de similitud, dónde se calcula la matriz de correlaciones entre todos los contigs.
Clustering, dónde se puede aplicar hierarchical clustering, DBSCAN o algoritmos de propagación de etiquetas (Label Propagation) para agrupar contigs con alta ρ.
Refinamiento, dónde se combinan con otras pistas (cobertura, enlaces de pares de lecturas) para separar contigs que pudieran mezclar cepas muy parecidas o eliminar contigs espurios.
MEGAN miniaturadeimagen|Algoritmo Megan MEGAN (MEtaGenome ANalyzer) es una herramienta para el análisis interactivo de metagenomas de secuenciación masiva que, tras alinear las lecturas contra bases de datos de proteínas (por ejemplo con DIAMOND), asigna cada lectura al taxón más específico posible mediante un algoritmo de Ancestro Común Más Bajo (LCA). Además de ofrecer perfiles taxonómicos, permite anotar funciones (p. ej. rutas metabólicas KEGG, COG, GO), calcular diversidad ecológica y explorar dinámicamente las muestras a través de visualizaciones (barras, árboles, PCoA) y reconstruir ensamblajes específicos de grupos de interés .
Flujo de trabajo en MEGAN Alineamiento de lecturas contra bases de datos de proteínas
Se emplea DIAMOND para comparar todos los reads de ADN contra una base de datos de proteínas de referencia (por ejemplo, NCBI-nr), alcanzando velocidades de hasta 20 000× las de BLASTX sin pérdida de sensibilidad.
Clasificación taxonómica mediante LCA ingenuo
Las alineaciones significativas (puntaje de bits dentro de un porcentaje umbral del mejor hit) se analizan con el algoritmo “Lowest Common Ancestor” (LCA) ingenuo, que asigna cada lectura al nodo taxonómico más bajo que engloba todos los taxones coincidentes en la taxonomía NCBI.
Anotación funcional multimétodo
MEGAN CE integra varios sistemas de clasificación funcional:
InterPro2GO, un esquema GO-slim adaptado a familias de InterPro. SEED, basado en subsistemas y roles funcionales. eggNOG, extensión de COGs para ortólogos de nueva generación. KEGG, para mapeo de rutas metabólicas.
Almacenamiento y acceso eficiente
Los resultados (lecturas, alineaciones, asignaciones taxonómicas y funcionales) se guardan en archivos RMA o “meganizados” que pueden servir mediante MeganServer, permitiendo la visualización y comparativa de cientos de muestras sin necesidad de mover grandes volúmenes de datos.
Análisis exploratorio e interactivo
Análisis de diversidad α y β (PCA, clustering) usando múltiples índices ecológicos. Ensamblado “gene-céntrico” bajo demanda: el usuario selecciona un clado taxonómico o funcional y MEGAN ensambla al vuelo las lecturas asociadas en contigs.
Phylopythia Phylopythia es
un método de binning supervisado desarrollado originalmente por el equipo de Isidore Rigoutsos en IBM Research (Rigoutsos et al., 2007). Se basa en un clasificador de máquinas de vectores de soporte (SVM) entrenado con frecuencias de k-mers extraídas de genomas de referencia.
Flujo de trabajo de Phylopythia Primero se realiza un entrenamiento supervisado usando fragmentos de ADN de genomas de referencia, de los cuales se extraen las frecuencias de todos los posibles k-meros (por ejemplo, tetranucleótidos cuando k = 4). Luego, cada contig metagenómico se convierte en un vector de frecuencias de k-meros, que sirve como característica de entrada. Finalmente, un clasificador de Máquinas de Vectores de Soporte (SVM) aprende, a partir de esos vectores etiquetados con su taxón original, a separar distintos grados taxonómicos (de filo a orden). Al aplicar el modelo entrenado, cada nuevo fragmento se asigna al grupo taxonómico más probable según su perfil de k-meros.
SOrt-ITEMS Sort-ITEMS es un clasificador taxonómico de fragmentos metagenómicos basado en alineamiento, desarrollado por Innovations Labs de Tata Consultancy Services (TCS) Ltd. (2009)
Flujo de trabajo de SOrt-ITEMS