retroseek

RetroSeekは、ゲノムアセンブリ中の内因性レトロウイルス（ERV）挿入を検出、分類、注釈するためのエンドツーエンドの計算パイプラインである。Snakemakeワークフローマネージャー上に構築され、並列化、モジュール性、耐障害性、再現性を重視し、ワークステーション、HPCクラスター、クラウド環境を対象としている。 主要機能 - NCBI Datasetsによる自動ゲノム取得。ゲノムごとのBLASTデータベースとGenomeToolsサフィックス配列の生成を含む。 - BLAST+（プローブのゲノムに対するtBLASTn）による設定可能な相同性検索と、LTRharvestおよびLTRdigestによるde novo LTR探索を組み合わせ、高信頼度のERV候補トラックに統合。 - Solo-LTR検出：プロウイルスの2つのLTRが組換えを起こし間の配列が切除された際に残る単一LTRを同定する。LTRアームをblastnのベイトとして使用し、完全エレメントのフランクおよびコード配列に隣接する孤立LTRを差し引く。Solo/完全エレメント比は系統の年代の代理指標として出力される。 - 座位ごとの分類学的分類：各有効ERV座位に較正された属の判定（ランク、信頼度、モザイク、ERVクラス）を割り当てる。POL/GAGには系統発生学的配置を、それ以外には重み付きLCAを使用し、NCBIから構築した属を網羅する参照に対して行う。 - 系統発生学的配置の出力：iTOL対応の.jplaceエビデンス、ゲノムごとのヒートツリー、EDPL配置不確実性テーブル、ERV構成と宿主系統の共系統発生比較。 - モジュール式R解析レイヤー（GenomicRanges / plyranges）：オーバーラップ行列、決定論的負の二項GLMホットスポット検出、プローブペアテーブルを生成。 - マージされた範囲にわたる設定可能なメタデータ集約（list、concatenate、best、majority、first、strict）。 - 出版可能な図：色覚多様性に安全な視覚システムで、各ステージごとに1つの複数ページベクターPDFを生成し、宿主系統樹の横に宿主種の行を配置。 ワークフローとインターフェース CLIはSnakemakeに委譲し、ステージをフェーズごとにグループ化する：setup（ゲノムダウンロード、Pfam取得、参照構築、プローブ抽出）、indexing（BLASTデータベース、サフィックス配列）、discovery（LTR候補、LTRドメイン、BLAST）、analysis（範囲解析、ドメインスキャン、分類、セグメンテーション、Solo-LTR検出、ホットスポット検出、ペア検出、配置ツリー）、figures（グローバルプロット、サークルプロット）。ステージは組み合わせて依存順に実行でき、中断後はチェックポイントから再開し、--cores、--profile、-nなどの任意のSnakemakeフラグを受け付ける。--downstreamショートカットはすべての解析および図のステージを実行する。ランチャーは開始前にconfig、ツール、Pfamライブラリを検証し、重い検索が意図せず再実行される場合は開始を拒否する。 要件と再現性 単一のconda/mamba環境（data/config/environment.yml）がPython 3.11、R 4.3、Bioconductor、BLAST+、GenomeTools、NCBI Datasetsおよびサポートライブラリを提供する。NCBI Entrez API用の有効なメールアドレスが必要で、より高速なクエリ用にオプションのAPIキーを使用できる。設定は値のみのYAMLでリポジトリ相対のデフォルトを持ち、トイゲノムのスモークランがすぐに動作する。本番ランはgitignoreされたローカル設定を介して外部ストレージを指定する。 ステータスに関する注記 READMEには、--hotspot-detectionが実験的（機能的だがテストは軽微）であり、--generate-circle-plotsが現在壊れており、後のリファクタリングで置き換えられた座位ごとのメトリクスを読み取るためプロット時に失敗することが記載されている。 ドキュメントはアーキテクチャ、使用方法、設定、Solo-LTR方法論、開発規約、アーキテクチャ決定記録を網羅している。プロジェクトはMITライセンスで、Trinity College DublinのMoyne InstituteにあるNí Leathlobhair研究室で開発された。