Towards genotype—phenotype association: leveraging multiple-source microbial data and genome annotations to infer trait attributes for the uncultured microbiome

Mikroorganismer har blitt studert helt siden mikroskopet ble oppfunnet. Mikrober er svært viktige for mennesket, enten vi velger å bruke dem innen grunnforskning, industri og matproduksjon, eller om de er en obligatorisk del av livene våre, eksempelvis gjennom helse og sykdom. Som følge av deres relevans finnes det utallige beskrivelser av hvordan de små skapningene fungerer. Det er derimot store mangler blant disse observasjonene. Mye skyldes et langvarig problem som fører til at vi kun klarer å dyrke en brøkdel av de oppdagede mikrobene. Uten vekst i laboratoriet har vi svært begrensede muligheter til å studere dem. Dette var i alle fall tilfelle frem til gensekvensering ble utviklet og utbredt. I dag genereres det ufattelige store mengder data som gjengir byggesteinene i arvematerialet til hundretusenvis av organismer. Målet er å tolke den genetiske koden for å forutse hvilke fenotypiske egenskaper enhver organisme vil uttrykke. Det kan gjøre dyrking av mikrober lettere ved at vi kan anta hva slags næring og omgivelser de trives best i. I tillegg kan det brukes til å indikere potensielle anvendelser mikrobene kan ha. Slik genotype—fenotype-assosiasjon er derimot svært komplisert som følge av de mange nivåene av regulering og interaksjoner som skjer i alle celler. Å gjenskape alle disse med modeller og matematiske uttrykk er foreløpig utenfor vår rekkevidde. I mellomtiden kan vi bruke kunnskapen vi har om mikrober vi har klart å dyrke til å lete etter mønstre mellom deres genotyper og fenotyper. Dersom en spesifikk sekvens ofte blir funnet i organismer som alle har en egenskap til felles, kan det tyde på at sekvensen har noe med egenskapen å gjøre. Om vi så finner denne sekvensen i genomet til en organisme vi ikke vet like mye om, kan det antyde at den vil utrykke den samme egenskapen som de andre organismene. Målet med oppgaven er å demonstrere hvordan eksisterende mikrobielle data kan brukes for å forutse organismers egenskaper basert på mønstre i tidligere observasjoner, og de nye organismenes genotype. Mikrobielle data fra ti ulike kilder er dermed blitt satt sammen til et standardisert datasett. Det består av 146,767 rader som dekker omtrent 126,000 ulike mikrober på stamme-nivå, og som alle har informasjon om minst én av 17 inkluderte egenskaper. Eksempler er substrat, oksygenkrav, antibiotikaresistens og gram-farging. Videre ble genomene til et utvalg organismer funksjonelt annotert. Dette markerte sekvenser av interesser ved hjelp av gen-ontologi og -ortologi. Genotype—fenotype-assosiasjon ble utført ved å vurdere sammenhengen mellom de identifiserte annotasjonene og det kjente utfallet av en bestemt egenskap: gram-farging. Assosiasjonen ble tallfestet gjennom Fishers eksakte tester. Enhver assosiasjon med odds-ratio over 10 og p-verdi under 0.01 ble ansett som signifikant. Dette tilsier at om en gitt gram-farging er kjent, så er oddsen 10 ganger høyere for at en spesiell annotasjon finnes i genomet til organismen, og at det kun aksepteres feilaktig antakelse av assosiasjon i maksimum 1% av tilfellene. Med disse kravene ble 4.444 annotasjonstermer funnet assosiert med en spesiell attributt av gram-farging. 2.974 termer var assosiert med gram-negative organismer, og 1.470 termer med gram-positive. Av disse ble 1.562 og 159 termer funnet eksklusivt for organismer med henholdsvis gram-negativ og gram-positiv farging. Flere av disse termene viste seg å representere karakteristiske egenskaper for de to celletypene. Disse termene ble så etterlyst i de annoterte genomene til tre tilfeldige organismer uten registrert gram-farging i datasettet. Samtlige organismers gram-farging ble korrekt antatt basert på de identifiserte assosiasjonene. Dermed har prosjektets mål blitt oppnådd. Den gjennomførte metodikken har understreket hvordan eksisterende data kan sees i sammenheng og brukes for å forme hypoteser for en bred gruppe mikroorganismer, og at disse assosiasjonene kan anvendes for å utlede manglende fenotypiske observasjoner for andre mikroorganismer