Key points are not available for this paper at this time.
يعد تسلسل الميتاجينوم (mNGS) أداة تشخيصية قوية لاكتشاف مسببات الأمراض المسببة في الاختبارات الميكروبيولوجية السريرية بسبب عدم تحيزه وتكاليفه المدروسة بشكل كبير. تصنيف التسلسلات الميتاجينومية بشكل سريع ودقيق هو إجراء حاسم لتحديد مسببات الأمراض في مرحلة المختبر الجاف من اختبار mNGS. ومع ذلك، تعيق الممارسات السريرية لتقنية الاختبار تحدي تصنيف التسلسلات ضمن إطار زمني ذي صلة سريرية. هنا، نقدم GPMeta، وهو نهج جديد معجل باستخدام وحدة معالجة الرسوميات للتعرف سريعاً على مسببات الأمراض من بيانات mNGS المعقدة، مما يتيح للمستخدمين تجاوز هذا القيد. باستخدام مجموعات بيانات وهمية للمجتمعات الميكروبية ومجموعات بيانات تسلسل ميتاجينومي حقيقية عامة من عينات سريرية، نظهر أن GPMeta لا يتمتع فقط بدقة أعلى ولكن أيضًا بسرعات أعلى بكثير مقارنةً بالأدوات المتطورة الحالية مثل Bowtie2 وBwa وKraken2 وCentrifuge. علاوة على ذلك، يوفر GPMeta خوارزمية التجميع GPMetaC، وهي نموذج إحصائي للتجميع وإعادة تقييم المحاذاة الغامضة لتحسين تمييز التسلسلات المتطابقة للغاية من الجينومات الميكروبية ذات هوية نيوكليوتيد متوسطة >95%. تظهر GPMetaC دقة و معدل استرجاع أعلى من غيرها. يبرز GPMeta دوره الرئيسي في تطوير اختبار mNGS في الأمراض المعدية التي تتطلب أوقات استجابة سريعة. ستحدد الدراسات المستقبلية كيفية دمج GPMeta بسهولة وبأفضل طريقة في الممارسات السريرية الروتينية. GPMeta متاح مجانًا للمستخدمين غير التجاريين على https://github.com/Bgi-LUSH/GPMeta.
درس وانغ وآخرون (الأربعاء) هذا السؤال.