Picrust：物种的功能预测工具

Picrust是一种将16S rRNA测序数据用于生物学样品的功能进行推断的计算机程序。Picrust对物种功能分析非常有效。其可以对菌群元组进行功能预测，以便更好地了解群体对于生命的贡献，从而推断它们的功能特性。

一、Picrust的发音和含义

Picrust名称来源于成语“Piecing together the carbon cycle”。其中，“Piecing”代表了整合菌群物种的功能，“carbon cycle”代表了细菌对于生化循环中不同元素的转换。因此Picrust的功能预测工具，是帮助认识细菌对生命过程中的贡献，并对未知的菌群进行预测的工具。

二、Picrust的功能预测

Picrust的主要功能主要是对细菌进行功能预测。在分析16S rRNA数据时，通常只能鉴定物种的分布和数量，但无法获得某一物种的具体功能。因此，在了解一个菌群的时候，我们需要知道它们在什么样的环境中生长，以及哪些基因和分子参与其中。利用Picrust进行分析后，我们可以获得每一个菌群的遗传种类，并把这些信息与已知的基因信息进行匹配，从而推断该菌群生态角色和代谢功能。

下面是picrust命令的示例：

  
   pick_closed_reference_otus -i otus.fasta -o otu_table.biom -r silva_132_99_16S.fna -t silva_132_99_16S_taxonomy.txt -p pick_otus_params.txt -n 30 -f

三、Picrust的选取功能预测

除了可以使用Picrust对于群体进行功能预测，我们也可以针对单一物种，从其基因组中找到相关的基因和代谢途径。为了实现这一目的，我们可以利用KEGG路径预测功能，以获得有关物种的详细功能信息。Picrust会根据物种的遗传数据和代谢通路等信息，推测物种中包含的各种代谢途径和酶基因的数量。

下面是对于EMBL序列根据feature信息生成预测的代码示例：

  
   && load_otu_map.py -i path/to/biom_file.biom > path/to/output_file.txt
&& biom_to_tsv.py -i path/to/biom_file.biom > path/to/output_file.tsv
&& predict_metagenomes.py -i path/to/output_file.txt -o path/to/output_directory -a 'Metastats'
&& normalize_by_copy_number.py -i path/to/output_directory/pred_metagenome_unstrat.tsv -o path/to/output_directory/pred_metagenome_unstrat_norm.tsv
&& path_abundance.py -i path/to/output_directory/pred_metagenome_unstrat_norm.tsv -o path/to/pathway_file.tsv &&
               pathway_description.py -i path/to/pathway_file.tsv -o path/to/output_file/pathway_description.txt &&
               pathway_enrichment.py -i path/to/pathway_file.tsv -f -o path/to/output_directory/all_pathways_enrichment.tsv

四、Picrust的优点和局限性

Picrust的优点在于：可以对16S rRNA序列的物种做出可信的功能特性推理，帮助识别它们以及群体对于生命的功能贡献，提供了物种相对数量，预测群体的功能角色，有各种插件支持，例如功能通路预测和进一步差别分析等。Picrust的局限性在于：只能预测通路/基因的存在，不能预测实际的功能表现，不能检测到水生生物中的pufA和pufM基因。

在进行Picrust分析时，我们需要评估其预测的有关物种的代谢途径和酶基因数量，对于一些特定的群体以及模式菌株，结果仍可能存在一定的误差。因此，在进行分析时，我们需要考虑整个分析流程，同时结合其他分析工具进行分析，从而得到更加准确的结果。

下面是包括两段常用的Picrust命令段：

  
   predict_metagenomes.py -i otus.txt.biom -o picrust_prediction
  


  
   COPASI functInfer.py -i inputFile.txt -e modelFile.xml --plpver 1 -o outputFile.txt