IF36.1｜Spacedust：基于结构比对从头发现微生物保守基因簇

用Foldseek结构比对+统计检验，在1308个细菌基因组中找回95%的已知防御系统。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

宏基因组学极大推动了微生物生态和人体微生物组研究，但大量基因功能未知，限制了数据解读。原核生物和病毒中，参与同一生物过程的基因倾向于在基因组上成簇排列，因此基因邻域的保守性可以提示功能关联。传统方法多依赖序列相似性搜索或预定义的蛋白家族数据库，对远缘同源或未知家族的基因簇检测能力有限。已有一些工具针对特定类型基因簇（如生物合成基因簇、噬菌体防御系统）进行预测，但缺乏通用的、从头发现保守基因簇的方法。

科学问题

卡在哪里： 现有从头发现基因簇的方法多基于序列比对，灵敏度低，难以检测远缘保守的基因簇；且大多需要参考数据库或严格共线性，无法发现部分重排或未知家族的基因簇。此外，这些方法难以扩展到数百个基因组的全对全比较。

本文要回答： 开发一种快速、灵敏、无需参考数据库的工具，能够从头发现任意类型、部分保守的基因簇，并评估其在大规模细菌基因组分析中的表现。

技术路线

作者主要用了：Foldseek结构比对、MMseqs2序列搜索、聚类P值、排序P值、全对全比较。

Spacedust首先用Foldseek和MMseqs2对输入基因组的所有蛋白进行同源搜索，获得蛋白匹配。然后对每对基因组，利用贪心聚类算法检测保守基因簇：从单个匹配开始，逐步加入相邻匹配，若聚类P值和排序P值联合显著性提高则接受。聚类P值评估匹配在基因组窗口内聚集的显著性，排序P值评估基因顺序和方向保守的显著性。最后输出所有显著保守的基因簇。该方法允许部分共线性，并能扩展到上千个基因组的全对全比较。

图 1　Fig. 1。图1展示Spacedust工作流程：从蛋白同源搜索（Foldseek/MMseqs2）到聚类检测。b部分显示贪心聚类过程：从单基因簇开始，逐步合并同源蛋白对，直到聚类P值和排序P值联合显著性不再提高。彩色框表示Foldseek找到的同源蛋白对。

核心亮点

亮点 1｜覆盖58%基因的保守簇图谱

对1308个代表不同属的细菌基因组进行全对全分析，共4.19百万个基因。Spacedust识别出72,843个非冗余保守基因簇，包含2.45百万个基因，占全部基因的58%。其中66%的已注释基因和35%的未注释基因被纳入保守簇。功能关联精度随保守基因组数增加而提高：在至少50个基因组中保守的基因对，共享KEGG模块的比例超过80%。

图 2　Fig. 2。图2a显示106.6百万个成对簇匹配的大小分布，平均每个簇约3个基因。b显示基因随保守基因组数增加的累积分布：58%的基因在至少一个簇中，35%的未注释基因也在簇中。c和e比较不同搜索模式下基因对功能关联精度随保守基因组数的变化，Foldseek-only模式略优于Foldseek+MMseqs2。

亮点 2｜蓝细菌基因组功能注释示例

以集胞藻PCC 6803为例，Spacedust在300个基因的窗口内识别出3个蓝细菌特异簇和21个跨门保守簇。簇1包含光系统II相关基因（rubredoxin、ycf48、psbEFLJ），簇2为藻胆体杆组分（cpcA、cpcB等），簇3含丝氨酸/苏氨酸激酶spkA及一个未知功能基因。这些簇展示了Spacedust对已知功能模块的恢复能力和对未注释基因的提示作用。

图 3　Fig. 3。图3a展示集胞藻PCC 6803基因组500-800位点区域与1308个参考基因组的簇匹配热图，上方为存在/缺失热图，中间为转录方向，下方为每个蛋白的簇匹配数。b为蓝细菌特异簇1的基因邻域图，包含rubredoxin、ycf48和psbEFLJ，部分基因组中psbL和psbJ缺失。

亮点 3｜恢复95%的抗病毒防御系统

与PADLOC预测的5,520个多基因防御系统簇相比，Spacedust恢复了95%（5,255个），其中93%完整匹配，7%部分匹配。部分匹配主要因短基因在长簇边缘缺失。在106种防御系统类型中，73种类型的完整恢复率超过90%。限制修饰II型系统数量最多但最难检测。

图 4　Fig. 4。图4a显示Spacedust对PADLOC预测的多基因防御系统簇的恢复比例：95%被恢复，其中93%完整匹配。b为具体数量：5,255个完整或部分匹配，265个未匹配。不同防御系统类型恢复率差异明显，限制修饰II型最难检测。

亮点 4｜BGC检测优于专用工具

在9个完整注释的基因组上，Spacedust对207个生物合成基因簇（BGC）的平均F1分数为0.61，高于ClusterFinder（0.44）、DeepBGC（0.39）和GECCO（0.43）。Spacedust的优势在于高精度和高召回率的平衡，常覆盖核心生物合成基因但可能遗漏转运和调控基因。

图 5　Fig. 5。图5比较Spacedust与ClusterFinder、DeepBGC、GECCO在207个注释BGC上的F1分数。散点图显示Spacedust在多数BGC上F1更高，累积分布曲线显示其平均F1为0.61，显著优于其他工具。

亮点 5｜扩展CRISPR-Cas III-E亚型

利用Spacedust的迭代搜索模式，在GTDB数据库中从已知17个Cas7-11位点出发，新发现7个III-E亚型系统实例，其中3个基因组中系统所有组分均被识别。这展示了Spacedust在已知基因簇家族扩展中的应用潜力。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： Foldseek结构比对、MMseqs2序列搜索、聚类P值、排序P值、全对全比较
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事微生物基因组、宏基因组功能注释或基因簇预测的生信研究人员。

带走一句

用结构比对代替纯序列比对，结合统计检验，可以大幅提升保守基因簇的发现灵敏度和规模，值得在宏基因组功能注释流程中尝试。