Die Validierung von OmniOta auf vier Seiten

Shigella zählt als Escherichia: sie ist polyphyletisch innerhalb von E. coli und ihre ANI überschreitet die Artschwelle; der Name wird aus klinischer, nicht taxonomischer Relevanz beibehalten (ISO 13136:2012). Betroffen sind 36 der 78 Reads des Ecoli-Datensatzes — ohne die Zusammenführung lautete die Zahl 39,7 % statt 94,6 %, und deshalb wird sie erklärt. Es sind genau zwei Fälle im gesamten Katalog, sie leiten sich aus den Komplexen ab, die das Produkt dem Nutzer bereits zeigt, und sie lassen Artnamen unberührt.

Der Datensatz staggered ist HM-783D von BEI Resources: zwanzig zertifizierte Arten zwischen 0,03 % und 41,25 %, mit zu trennenden Kongeneren —S. aureus de S. epidermidis, drei Streptococcus— und Mitgliedern drei Größenordnungen unter dem dominanten. 96,86 % auf Genusebene, 185 von 191 Reads, Obergrenze. Brown veröffentlichte 93 % auf genau diesem Material. Er geht nicht in den Mittelwert ein, weil GAIA dafür keine Zahl veröffentlicht hat.

Zehn Arten mit im Herstellerdatenblatt zertifizierter Zusammensetzung — acht Bakterien mit 12 % genomischer DNA und zwei Hefen mit 2 % — sequenziert von Nicholls, Quick, Tang und Loman (2019) auf GridION und PromethION. 50.000 gemessene Reads pro Plattform.

Die Zusammensetzung ist zwischen GridION und PromethION invariant: die Unterschiede je Genus reichen von 0,05 bis 0,43 Punkte, und die Gesamtdivergenz ist statistisch nicht von der Stichprobenziehung unterscheidbar. Was sich nicht wiederholt, sind die Artefakte geringer Abundanz —Macrococcus, das kein Mitglied ist, erscheint mit 23 Reads auf einer Plattform und 5 auf der anderen. Die Zusammensetzung wiederholt sich, die Spuren nicht, und das legt fest, welches Gewicht einem von zwanzig Reads getragenen Taxon zukommt. Genauigkeit als Obergrenze, da es eine Mischung ist; die Reads stammen aus dem Präfix des Laufs, das die ersten Stunden der Zelle überrepräsentiert, und das wird gesagt.

Ein Produkt von 2026, bewertet auf der Chemie von 2019, ist ein berechtigter Einwand, und er wird nicht mit Argumenten, sondern mit Messungen beantwortet. Die Identität wird durch Alignment gegen die Genome des Standards gemessen; sie wird nicht dem Datenblatt entnommen.

Auf dieser Chemie klassifiziert die Engine 89,5 % der Reads auf Genusebene mit 98,53 % Genauigkeit und 57,5 % auf Artebene mit 97,26 %, wobei 7 von 7 Mitgliedern auf beiden Rängen gefunden werden. Gegenüber dem Material von 2019 steigen die auf Artebene aufgelösten Reads von 31,1 % auf 57,5 % bei gleicher Genauigkeit: fast die doppelte Auflösung ohne Verlust an Treffsicherheit.

Zwischen Brown 2017 und Zymo D6300 ändert sich alles gleichzeitig: Jahr, Chemie, Sequenzierer, Gemeinschaft, Labor und Identität. Bei zwei Punkten, die sich in sechs Variablen unterscheiden, ist es nicht gerechtfertigt, einen Einbruch einer von ihnen zuzuschreiben. Das Experiment nimmt dieselbe Datei von Zymo und injiziert Fehler in steigenden Raten mit festem Startwert: alles Übrige ist konstruktionsbedingt identisch. Nur Substitutionen, keine Indels — die für ein exaktes k-mer zerstörerischer sind — sodass das Szenario konservativ zugunsten des Wettbewerbers.

Die stärkste Degradationsstufe landet bei 74,23 %, der medianen Identität von Brown 2017: ein Datensatz von 2015 war nicht nötig, es genügt, den von 2019 zu degradieren. Alle acht Organismen werden auf jeder Stufe wiedergefunden, auch auf der härtesten, wo der Wettbewerber keine einzige Zeile zurückgibt. Das ist das Ergebnis, das für eine echte Lebensmittelprobe zählt: durch die Verarbeitung fragmentierte DNA, fetthaltige Matrix, schwierige Extraktion. Die Genusgenauigkeit steigt mit der Degradation (99,07 → 99,40 %) und das ist kein Verdienst, sondern Selektionsbias: es bleiben die leichten Reads übrig, und die klassifizierten fallen von 53,7 % auf 36,6 %. Auf moderner Chemie funktioniert sylph gut: es erkennt 7 von 7 Mitgliedern mit allen drei Basecallern, auch mit fast.

Gegen GAIA stehen nur seine veröffentlichten Zahlen zur Verfügung: geschlossener Dienst, proprietäre Datenbank. Mit sylph lässt sich die Referenz sehr wohl gleichsetzen, und das ist Genom für Genom auf zertifiziertem D6300 geschehen. Beide Werkzeuge finden die vollständige Gemeinschaft, und jedes ist auf einer anderen Achse stärker.

Pro Read ist OmniOta sehr präzise, und das ist die Zahl, die eine Abundanztabelle und alles darauf Berechnete bestimmt. Pro benanntem Taxon entscheidet sylph besser: es modelliert die Genomabdeckung mit k-mer-Statistik und verlangt tatsächliche Präsenz, bevor es benennt, während wir jedes Taxon benennen, das eine Zuweisung erhält. Das in Entwicklung befindliche Kriterium ist eine Mindestevidenz zum Benennen, nicht bloß zum Zuweisen: dieselbe Wilson-Doktrin, die das Produkt bereits auf die Konfidenz je Taxon anwendet, weitergeführt bis zur Entscheidung über die Veröffentlichung.