Hunan University

手性胺类分子具有重要药学应用价值，但目前对具有多个手性中心复杂胺的合成还缺乏通用方法（图1A）。如何在实现结构多样性的同时连续精确构建多个碳手性中心是主要挑战。以双α-手性胺合成为例，单一碳手性构建有诸多方法实现，但该碳中心的立体化学会诱导第二个碳手性构建过程的非对映选择性（邻基效应，图1B），导致无法精准合成任意单一构型的目标分子。针对上述问题，高兵团队从廉价易得的Ellman试剂出发，通过连续手性诱导/转移策略，成功实现双α-手性胺以及更复杂分子的模块化合成（图1C）。图1. 手性胺的研究背景以及该工作的合成策略。该策略成功的关键步骤是亚磺酰胺与炔酰胺在酸性条件下进行的重排反应，由该课题组和维也纳大学的Maulide教授各自独立开发。不过前期的重排体系并没有探究多手性底物的影响。为探究邻基效应对重排反应的影响，作者进行了相关控制实验。结果表明，重排反应体系中并没有显著的邻基效应，且无论是调换硫手性中心还是碳手性中心，反应最终都能以优异的非对映选择性（>99:1）给出相应的产物（图2A）。随后作者验证了该结论在不同结构的叔丁基亚磺酰胺和炔酰胺中的适用情况（图2B）。实验数据表明，C-2手性中心的立体化学完全由叔丁基亚磺酰胺结构中硫手性单元控制，并不会受到其它因素的干扰（图2B）。作者通过计算化学揭示了其内在原因：在重排反应五元环状过渡态中（TS-E-R1，图2A和2C），C-1单元因远离C-2中心而无法对其造成影响（图2C）。图2. 手性亚磺酰胺促进的[2, 3]-重排反应的立体化学和适用范围通过亲核试剂对亚胺的加成、亚胺的还原以及亚胺参与的过渡金属催化偶联等多样化合成方法，作者制备了种类丰富的N-烷基手性叔丁基亚磺酰胺，并对其进行了系统性测试（图3）。结果显示，重排反应体系兼容各种官能团修饰的叔丁基亚磺酰胺（产物非对映异构体比例均大于20:1），包括炔基（17），吲哚基（18），α, β-不饱和酯（19），芳香酮（20），二氟烷基（21），磷酰基（22），硅基（24，31），烯丙基（25，26），硅氧基（28），甚至是酰胺基（29）。为了确认产物的绝对构型作者对产物25a和25b进行了X-射线衍射分析，最终确认其构型分别为（RC-1, RC-1）和（SC-1,SC-1）。此外，针对结构更为复杂的稠环化合物，作者同样进行了合成与测试，结果均能以优异的非对映选择性给出相应的产物（23，27）。图3. 通过连续的手性诱导和转移策略实现双α-手性胺的立体选择性合成此后，利用CTS（Closed Transition State）和OTS（Open Transition State）两种不同机制主导下的手性诱导策略，作者分别制备了S32和S33的所有异构体并对其进行了测试（图4）。结果表明，叔丁基亚磺酰胺介导的手性诱导和手性转移事件的组合可以实现双α-手性胺全部立体异构体的模块化合成。图4. 双α-手性胺所有立体异构体的模块化合成为展示该方法的实用性，作者进一步对手性诱导和手性转移两步反应进行简化。以合成分子22b为例，前一步的粗产品S22可不经柱层析直接投入重排反应体系，最终以65%的收率和优秀的非对映选择性获得了目标产物（图5A）。作者还展示了产物后期转化的巨大潜力，包括酰胺的还原（34）、酯化（35）、胺化（36）以及氰基的水解（37）。这些转化为结构更为丰富的手性二级胺的快速合成提供了可能（图5B）。此外，作者也尝试了结构更为复杂的手性三级胺和手性N, P-配体的合成，最终均能以优异的立体选择性获得目标化合物（图5B）。最后，作者利用该策略成功实现了Benazepril、Enalapril等药物分子骨架的立体可控式合成。图5. 反应的实用性和应用价值展示综上，湖南大学高兵团队以叔丁基亚磺酰胺为核心底物，成功开发了一种模块化合成双α-手性胺的通用方法。该方法不仅原料易得，操作简单，而且具有立体可控和可预测等优点，为快速构建复杂手性胺，进而加速药物开发的新进程提供强有力的支撑。参考文献:Sci. Adv., 2025, DOI: 10.1126/sciadv.adv2010

概要 药物重定位，也称为老药新用或药物重使用，这是一种将现有治疗方法应用于新的疾病的药物研发策略，其目标是扩大现有药物的适用范围和用途。目前的药物重定位模型大都依赖于特定的数据集进行训练，极大地限制了其预测药物的准确性和广度。 近日，中南大学曹东升教授联合电子科技大学邹权教授和湖南大学曾湘祥教授团队提出一种集成了GPT3.5, GPT4, Newbing等多种大语言模型（LLMs）与多源提示技术的药物重定位框架DrugReAlign，从海量人类知识库中学习靶点和药物的一般知识，克服了传统方法中数据可用性的限制。研究背景 传统药物重定位方法需要分析大量医学文献和临床数据，通过多学科协作发掘已有药物治疗新疾病的潜力。这是一个耗时耗力的过程，效率相对较低。近年来，随着生物信息学的快速发展，以深度学习为核心的计算方法在药物重定位领域取得了显著进展。这些方法能够自动提取药物和靶点特征，提高了预测模型的精确性和可解释性，有力推动了药物重定位的发展。然而，这些方法往往依赖特定数据源，泛化能力有限。 自然语言处理（NLP）领域近年来取得了巨大突破。以ChatGPT为代表的大型语言模型（LLM）通过学习和训练海量人类知识文本数据库，在问答、翻译、情感分析等任务中展现出卓越性能。与传统的基于规则或知识的专家模型不同，LLM能够从庞大的文本数据中自动学习语言规律和模式，并对隐含知识进行深入理解和归纳。其跨领域学习能力使LLM有望成为药物发现等科学研究的新范式。 LLM仅需通过简单对话即可快速有效地提供相关主题的回答，大大降低了科研的时间成本，推动了科技进步。此外，LLM在处理和分析多源数据方面表现出色，能将各种形式的数据转化为文本描述作为有效输入。这对于涉及异构、跨领域数据的研究领域尤为重要，如基因组学、蛋白质工程和药物开发等。通过从人类知识库中获取海量多源信息，LLM加速并深化了数据分析过程，提升了科研效率和深度，预示着LLM有望彻底变革相关科学研究领域的未来格局。 LLM的发展为药物重定位领域注入了新活力。LLM的训练数据包含大量与目标药物相关的医学文献，涵盖了药物的基本信息、药理作用、临床试验结果，以及药物与疾病、靶点、生物途径的详细知识。LLM将这些海量多源数据整合到其知识库中，为药物重定位任务提供全面、多维度的参考信息，提高了其精准度和可解释性。然而，不可否认LLM也存在幻觉、虚假信息和理解错误等问题，可能导致误导性回答。这些问题主要源于现有方法过于依赖单一来源的提示信息，从而产生不可避免的统计偏差。 为此，这篇论文提出了基于LLM和多源提示技术的药物重定位框架，旨在高效探索现有药物的最大潜力。研究从RCSB数据库获取了大量基因组的靶点蛋白数据，采用格式化方法提取靶点的PDB ID、PDB Name等关键提示信息。从靶点的PDB文件中获取了小分子配体-靶点复合物的结合口袋细节，包括原子坐标和空间交互数据等，然后采用口袋分析工具提取疏水性、氢键等提示信息。经过数据清洗，共收集并提取了1273个PDB结构的提示信息。 随后，研究融合了靶点PDB结构和靶点与小分子空间交互的提示信息，使用不同的LLM（GPT-3.5、GPT-4、New Bing）来预测与相应靶点可能存在潜在相互作用的现有药物或实验药物。共获取了3819个有效回答，并对预测的药物进行了排序和解释。此外，研究利用AutoDock Vina进行了11801次分子对接，以验证LLM的预测结果。通过量化分析LLM的回答和分子对接结果，评估了LLM在药物重定位任务上的特性和可靠性。方法 DrugReAlign的整体流程如图1所示。图1.DrugReAlign程图。a.构建靶标的多源提示，b.基于LLMs和多源提示信息筛选与靶点有相互作用的潜在药物。c.特定靶点的Prompt构建示例 d. 使用 LLMs 进行交互式查询和决策支持。 在a模块中，从RCSB数据库获取了靶点的PDB（蛋白质数据库）结构描述信息，包括PDB名称、分类、基因归属等。此外，根据下载的相应靶点的PDB结构文件，还提取了已知靶点与小分子间的空间交互信息（包括空间坐标和各类相互作用力），作为示例化提示信息的一部分，以构建更为详细的问题。c模块展示了基于特定靶点的Prompt构建示例。在b模块中，输入靶点PDB结构概要与靶点-小分子空间交互的提示到LLMs中，据此分析并输出针对该靶点的药物重定位建议，包括预测药物的名称、排名及理由。随后，提取预测药物的结构，与对应的靶点进行分子对接实验，从相互作用角度验证提出框架在药物重定位任务上的有效性。在d模块中，基于LLMs和多源提示技术输出分析报告，并以此完成交互式查询，实现药物重定位任务。这框架提供了基于LLMs的靶点解析、药物排名理由、分子对接结果等，以揭示和分析潜在的药物重定位关系，有效减轻传统方法在药物重定位任务上的人才和资源密集型问题。数据收集 这篇论文从公共数据库BindingDB中精细化筛选了部分靶点来构造数据集，从而评估提出框架靶向药物重定位领域的性能。筛选标准要求每个靶点在RCSB数据库中至少存在两种以上小分子配体的记录。以此来保证获取充足的靶点-小分子药物结合口袋信息。经过数据清理，共计收集了1273个靶点及相应小分子药物的PDB结构，作为分子对接的数据集。在此过程中，还收集了相关靶点的详细描述数据，包括PDB ID、蛋白质序列（fasta格式）、PDB名称、分类、生物体来源、表达系统等，并提取概要信息。此外，使用PLIP (Protein-Ligand Interaction Profiler) 工具分析靶点与小分子配体之间的相互作用，并提取了靶点-小分子药物空间交互信息。这两种信息被作为输入LLMs的提示。靶点-配体空间交互信息 分析靶点-小分子配体交互的三维结构数据，能帮助深入理解分子间相互作用机制，指导药物设计和优化。在该研究中，每个靶点至少与两种小分子配体存在已经过验证的相互作用。具体地，使用PLIP (Protein-Ligand Interaction Profiler)工具分析了蛋白质-小分子配体相互作用，并提取了相应的原子坐标、键等空间交互信息。该工具能准确识别并分类包括氢键、疏水作用、π-π键多种相互作用类型。该过程获取和分析了靶点和小分子配体的三维结构信息，综合考虑原子间的空间关系及其化学特性，确保了空间交互的识别准确性。这尽可能确保足够的靶点-小分子药物的空间交互数据，为提出框架中的LLMs提供丰富、精确的约束性提示，从而提升药物重定位性能。分子对接 分子对接通过模拟蛋白质与小分子或其他生物大分子间的相互作用，来预测小分子在蛋白质活性位点的最佳结合模式及对应的结合亲和力。在药物重定位任务中，该研究主要采用AutoDock Vina软件执行分子对接，从而验证提出框架预测的药物与相应靶点之间是否存在相互作用。 AutoDock Vina软件的评分函数则用于估计每个可能的姿态的结合亲和力，即评估药物分子与靶点结合时的稳定性。评分函数通过整合多种相互作用力，如疏水作用、氢键、范德华力、电荷作用等，从而估算出药物分子与靶点结合时的能量值。这个值越低意味着药物与靶点的结合更为紧密、相互作用更强，从而表明该药物具有更高的潜在生物活性。该研究使用的Vina评分函数是： ：范德华力能量，描述分子间因距离较近而产生的引力或排斥力。 ：氢键能量，量化了分子间氢键形成的贡献，对于生物分子间的特异性相互作用非常关键。 ：静电能量，反映了带电分子间的吸引或排斥作用。 ：脱溶剂化能量，代表分子从溶剂环境中移动到结合位点时所需的能量改变。 ：疏水作用能量，体现了分子间由于疏水效应而产生的吸引力。 ：扭转能量，与配体中可旋转键的自由度相关，考虑到配体结合时可能的构象改变。 ：构象依赖的内能量，评估分子内部各部分间相互作用的稳定性。语义分析 该研究中，设定LLMs输出预测的药物时，必须同时提供相应的解释。为了量化解释中的语义信息，探究其对于预测结果的贡献，使用OpenAI提供的文本Embedding模型- text-embedding-3-small将解释性文本T转换成高维向量空间中的向量表示V。这主要包括以下步骤。 Tokenization: 输入文本T首先经过token化处理，转换为一系列的tokens: Embedding：然后，使用text-embedding-3-small模型E将这些tokens转换为一个1536维的向量，作为预测药物对应解释的表示。这个步骤可以表示为： 随后，使用余弦相似度来计算预测药物的解释之间的语义相似性： 其中， 和 分别是药物分子1和药物分子2对应解释的文本向量。 表示 和 的点积，而 和 分别表示向量 和 的欧几里得范数（即向量的长度）。以每个靶点的药物重定位结果作为基本单元，单个单元内的余弦相似度则可以表示为: 其中，n为单元内药物解释的数量， 和 分别是第i个和第j个药物解释对应的嵌入向量。结果分析基于AutoDock Vina的药物重定位结果量化分析 分子对接技术被广泛应用于评估和筛选靶点的候选药物。通过模拟药物与靶点的相互作用，分子对接软件可以预测他们的结合亲和力。亲和力的值在很大程度上可以指示某一药物对特定靶点的结合能力和潜在的生物活性。为了评估LLMs的预测结果，使用AutoDock Vina对相应的靶点与药物做了大量的分子对接。在分子对接中，通常来说，结合自由能低于-5 kcal/mol 被认为指示着中等到强的分子间相互作用，而低于-7 kcal/mol 或更低则被认为是强相互作用。 图2.a和表1展示了GTP3.5，GPT4.0及New Bing模型预测的药物与对应靶点的分子对接分数。可以观察到3种LLMs模型预测的结果都取得了令人满意的分子对接分数，这说明它们都能针对特定靶点预测有潜力的治疗药物。GPT4和NewBing模型预测的结果在对接实验中得分更高，而GPT3.5预测的结果则明显弱于这两者，平均对接结合自由能为-6.40 kcal/mol。这些发现揭示了分子对接分数与LLMs的整体能力之间似乎存在某种相关性。从而有望提供一种量化的方法，以评估LLMs在药物重定位任务中的应用性能。进一步地，探究了LLMs预测的药物排名与分子对接分数的相关性，如图2.b所示。对于GPT4和Newbing模型，平均趋势线都相对平坦，预测药物的排名与对接分数的分布之间没有显著的线性关系。值得注意的是，GPT3.5模型在整体性能上明显落后于其他的LLMs，且预测药物的排名与对接分数的分布之间却表现出近似线性关系。这反映了LLMs在解析指令时的侧重点可能不同，较新和较强的LLMs更擅长于理解复杂指令和执行高级的抽象任务，而较旧版本的模型只能适用于更直接、具体的任务。表1.LLMs根据靶点信息推荐药物的结合自由能(kcal/mol)比较图2.基于LLMs推荐药物的结合自由能分布与语义相关性分析。a. LLMs预测的药物与对应靶点的结合自由能分布。b. LLMs预测药物的排名与结合自由能的相关性。c. 高性能与低性能数据集的语义相似度分布。d. 同一靶点药物的平均结合自由能与语义相似度的相关性探索。药物重定位中的解释与对接性能的相关性分析 LLMs通过简洁对话即可针对特定主题提供精准回答。在这项研究中，LLMs根据靶点的多源提示信息输出预测的药物名称，排名及理由。特别关注LLMs提供的关于预测药物的理由（或解释），并评估了LLMs在为特定靶点预测药物时提供解释的质量。采用OpenAI提供的文本Embedding模型-text-embedding-3-small将所有预测药物的文本解释转化为向量，从而进行量化评估。 具体来说，量化了LLMs预测药物的解释与分子对接分数之间的相关性。选取了每个靶点重定位的药物信息作为单元，计算了这些单元内预测药物的解释的平均余弦相似度，并统计了预测药物与相应靶点的平均结合自由能。根据所有单元计算了预测药物解释的平均余弦相似度与对应的平均分子对接分数的相关系数和p值，以量化二者之间的关系强度及其显著性。如图2.d显示，对于三种LLMs，计算的相关系数均小于0。在Newbing模型中，计算的相关系数达到了-0.3，这表明了一个轻微至中等强度的负相关趋势。即预测药物解释的相似度与对应的分子对接亲和力之间存在正相关关系。换句话说，LLMs针对特定靶点预测的药物解释相似性越高，那么这些预测的药物与该靶点有更强的结合亲和力。此外，在所有LLMs中，计算的p值均显著小于0.05，表明预测药物解释的平均余弦相似度与对应的平均分子对接分数的之间的负相关性具有统计学意义。 进一步地，筛选并分析了与对应靶点平均对接亲和力及解释平均余弦相似度均在前20%与后20%的预测药物（简记为高性能预测药物和低性能预测药物），来探索导致这种负相关出现的原因。注意到在图1中的d模块，LLMs根据靶点的summary信息和空间交互信息输出了分析报告。推测，详细的分析报告可能是决定药物预测结果的关键因素。分别计算高性能预测药物和低性能预测药物的解释与对应分析报告内容的余弦相似度，如图2.c所示。对于三种LLMs，观察到高性能预测药物的解释与其分析报告的内容表现出更高的余弦相似度。这些发现揭示了预测药物的解释与根据靶点的概要和空间交互提示得到的分析报告的内容紧密相关。此外，LLMs根据分析报告输出预测药物，那么其分析报告的内容与分子对接亲和力之间有明确的相关性。因此，可以下结论：预测药物的解释的平均余弦相似度与对应的平均分子对接分数之间具有相关性。与此同时，也证明了提供的提示信息很大程度上决定了最终的预测结果。那么，引入靶点更多的已知数据作为prompt信息，有望对药物重定位的性能和预测结果的可解释性产生积极影响。预测药物的倾向 为了评估提出框架中三种LLMs在药物重定位任务中的倾向。图3.a展示了三种模型预测药物集合的交集规模。New Bing预测的药物数量达到了1003+419+131+713=2266种，超越了其他LLMs，表明其在药物数据库中具有更广泛的覆盖范围。还可以观测到仅由New Bing模型预测的药物达到了1003种，意味着其能提供更多的其它模型未能覆盖的可选择药物。GPT3.5模型预测的药物数量仅有1424种，明显小于其他LLMs。并且，其预测的特异的药物仅有499种。推测这是因为各个LLMs之间训练数据源的体量差异导致的。因此，采用LLMs来执行药物重定位任务时，需要考量其训练数据的广度及更新频率。从而为特定的研究靶点提供更多的潜力药物，有助于拓宽现有治疗方案及开发新的治疗方案。 采用Lipinski五项规则（分子量（MW）、脂溶性（LogP）、氢键供体数（HBD）、氢键受体数（HBA）以及可旋转键数（RotB））分析和评估了分子量小于500的预测的小分子药物。从图3.d中观察到，相较于GPT4和New Bing模型，GPT3.5模型显示出对分子量较小药物的明显偏好。此外，也分析和评估了提出框架预测的分子量大于500的大分子药物。在研究中，NewBing和GPT-4模型分别预测了385和354种大分子药物，而GPT3.5仅预测了256种。这进一步强调了GPT3.5模型对小分子药物的偏好。 GPT3.5模型的偏好还涉及到选择药物的化学属性。在图3.d中，GPT3.5模型更频繁地输出了LogP和RotB值相对较低，HBD的数量通常略高的小分子药物。更多的HBD能增强分子的亲水性，此时脂溶性较低，刚性较高，这与实验结果一致。这些发现反映了GPT3.5模型倾向于选择分子量较小，亲水性较强，脂溶性较低，刚性较高的药物。增强的亲水性有助于药物的溶解与吸收，分子结构的刚性则有助于药物与靶点的精确结合，这些都是药物开发中需要关注的关键因素。图3.LLMs药物推荐集合关系与Lipinski规则分布。a.在全量数据集下不同LLMs的药物推荐集合关系。b.在数据子集下不同LLMs的药物推荐集合关系。c. 在去除空间交互信息的数据子集下不同LLMs的药物推荐集合关系。d. 在全量数据集下不同LLMs的药物Lipinski规则属性分布。结论 药物重定位在药物研发领域始终发挥着关键作用，因其低耗时间和财力。首这项研究探究了GPT3.5、GPT4和New Bing模型在药物重定位任务上的的应用成效。借助于大规模靶点-小分子的对接实验，验证了GPT3.5、GPT4和New Bing模型在药物重定位任务上的高效性能。研究结果进一步表明，LLMs提供的预测药物的解释与对应靶点的分析报告之间的语义相似性与预测药物-靶点对接分数呈现正相关关系。从而可以得出这样的结论，即如果设置更加准确且充分的约束，那么LLMs输出的分析报告更加准确，及据此预测的药物也更加合理。这不仅提升了提出框架在药物重定位任务上的精确性与解释性，同时促进了对药物作用机制，药物与目标靶点之间复杂相互作用的深入理解。通过消融研究，分析和验证了药物-靶点空间交互信息对于提高LLMs在药物重定位任务中表现的重要性，强调了多源Prompt设计的关键作用。未来的研究可以进一步探索LLMs在其他生物医药领域的应用，以及如何提高预测结果的解释性和可靠性。通过这样的探索，有望为药物发现和药物开发带来革命性的变化。从而加速预测药物从实验室到临床的转化过程，并开发出更有效、更安全的治疗方法。原文 Wei, J., Zhuo, L., Fu, X., Zeng, X., Wang, L., Zou, Q., & Cao, D. (2024). DrugReAlign: a multisource prompt framework for drug repurposing based on large language models. BMC biology, 22(1), 226.数据和代码 https://github.com/kkkayle/DrugReAlign 本文作者：尉金行 责任编辑：许燕红

纠错是三代测序数据分析的第一步。但现有的方法往往难以处理嘈杂的数据，或者是为 PacBio HiFi 等技术量身定制的。针对 Nanopore R10 simplex 读数进行优化的方法还存在空白，这种读数的错误率通常低于 2%。2024年12月19日，湖南大学生物学院罗宵教授和湖南大学信息科学与工程学院刘元盛副教授合作在Communications Biology 杂志在线发表题为“Repeat and haplotype aware error correction in nanopore sequencing reads with DeChat”的研究论文，该文章提出了DeChat，这是一个基因组纠错工具，专为Nanopore R10 simplex reads 或错误率在2%左右的TGS数据设计。它利用dBG（德布鲁因图）和MSA（变异感知多序列比对）的优势，创造出一种协同方法。这种方法可避免读数过度校正，确保保留重复序列和单倍型中的变异，同时准确校正测序错误。 工具链接：https://github.com/LuoGroup2023/DeChat 原文链接：https://doi-org.libproxy1.nus.edu.sg/10.1038/s42003-024-07376-y 研究内容总结 DeChat是专为纳米孔（ONT R10 simplex）长读长设计的重复和单倍型感知的纠错工具，仅需CPU资源，适配HAC或SUP模型的低错误率（<2%）读长数据。 DeChat具有高效处理SNP、插入和缺失等多种遗传变异，避免过度纠错的优势，并能显著降低错误率，同时保留单倍型和重复信息，防止基因组变异丢失。 DeChat与GPU依赖的深度学习工具Herro相比，DeChat更通用，避免了读长信息的大量丢失，并且在纠错效率、错误率和单倍型覆盖率方面优于其他只需CPU的工具。 使用DeChat纠错后的读数能显著提升基因组组装和宏基因组分类的质量。 DeChat方法介绍 DeChat方法分为两个阶段： 第一阶段：利用BCALM2快速构建压缩的de Bruijn图（dBG），通过最小哈希策略提高效率。随后将原始读序比对到dBG上，通过深度优先搜索和Dijkstra算法找到稳健k-mer之间的最短路径，生成预纠错的读序。 第二阶段：采用hifiasm的多序列比对模块，进行全序列比对，标记具有信息性的位点（如SNP），生成一致性序列以完成最终纠错。 如下图所示，展示了DeChat的工作流程。 模拟数据纠错 作者通过PBSIM模拟了多个ONT R10 simplex 数据集，DeChat展示了其纠错性能，在大肠杆菌多倍体（2,3,4倍体）上实现了大约 38~200、21~251 和 25~231 倍的错误率降低。在真实单倍体和四倍体马铃薯基因组上分别实现了约3.5~5.9和2~5.3倍的错误率降低。 1 E. coli 多倍体纠错  作者通过混合大肠杆菌菌株构建了伪二倍体、三倍体和四倍体基因组，下表中展示了不同纠错工具的纠错结果。对于不同的错误类型，DeChat 在纠正Mismatch和所有四种类型的indels方面优于其他工具：non-homopolymer insertion,non-homopolymer deletion,homopolymer insertion, and homopolymer deletion。 2 单倍体和四倍体马铃薯纠错  作者利用最近发表的高质量四倍体马铃薯基因组构建了真实的四倍体和单倍体基因组。其中马铃薯数据集中的基因组是真实的，而 ONT R10 读数是模拟合成的。“–”表示纠错工具运行错误或由于运行时间过长（CPU>2000h）而中断。 3 宏基因组纠错  作者模拟了不同复杂度的宏基因组数据，在低复杂度（“sim-meta-low”）宏基因组和高复杂度（“sim-meta-high”）宏基因组数据集上分别将错误率降低了约 3-10 倍和 3-8 倍。CAMISIM用于模拟两个数据集，低复杂度包含 30 个物种（60 个菌株），菌株相对丰度范围为 0.30% 到 6.43%。高复杂度包含 373 个物种（ 1000 个菌株），菌株相对丰度范围为 0.04% 至 0.30%。两个数据集中涉及的微生物基因组均来自于 RefSeq 中存放的完整基因组序列。 真实数据纠错 作者还针对果蝇和拟南芥以及宏基因组(real-meta-Zymo) 的ONT R10 simplex reads 测试了各种纠错方法的性能，与大多数其他方法相比，真实 D.melanogaster 数据集的错误率低 1.2 到 1.4 倍，真实拟南芥数据集的错误率低 1.2 到 1.4 倍。虽然DeChat 在拟南芥数据集上的错误率高于 Herro，但 Herro纠错后丢失了约 90%的reads，这显着影响单倍型覆盖率，使其减少约 15%。对于真实宏基因组zymo，DeChat与单倍型覆盖率相似的其他方法（例如 ashifiasman 和 Racon）相比，DeChat 分别显着降低了大约 2 倍和 5 倍的错误率。而其他擅长降低错误率的工具却在降低错误率的同时，使大量信息丢失，单倍型覆盖率下降了10%至15%。 1 果蝇和拟南芥纠错  real-D.melanogaster 的平均测序覆盖率为 129层，real-A.thaliana 的平均测序覆盖率为 223层。“–”表示纠错工具运行错误或由于运行时间过长（CPU>2000h）而中断。 2 宏基因组zymo纠错  zymo数据集测序错误率约为 2%，平均测序覆盖度是 30 层。“–”表示纠错工具运行错误或由于运行时间过长（CPU>2000h）而中断。 3 单倍体马铃薯重复区域纠错  作者从单倍体马铃薯基因组的重复区域中提取了校正（子）读数，使用 EDTA生成了这些重复区域的坐标，结果显示，DeChat 在错误率（mismatch和indels）和马铃薯基因组重复区域内的单倍型覆盖度方面均优于其他可用工具。 除此之外，作者还针对模拟的大肠杆菌和马铃薯数据，分别针对读数在不同长度、覆盖度以及错误率的情况下的评估，均显示了DeChat在纠错结果各方面的优越性。 组装与分类改进 为了研究纠正错误后的读数对新基因组组装质量的影响，作者分别使用 hifiasm 和 hifiasm-meta（针对多倍体基因组和宏基因组的两种组装程序）开展了一系列实验，并在宏基因组测序数据上对分类性能进行了比较研究。 1 模拟数据集的组装评估  在下方所有数据集中，在组装之前应用 DeChat 可以显着提高单倍型覆盖度、获得更长的contig（通过 N50/NGA50 测量）和更低的错误率。 2 真实数据集的组装评估  即使是对于纠错后的ONT reads，还是会产生较低的错误率，而 hifiasm 通常会产生具有重复序列的较大的 contig ，导致 N50 低于 NGA50 。为了解决这个问题，作者还应用了Flye组装工具。DeChat+Flye 的组合显着提高了基因组组装的连续性 (N50/NGA50)，同时在其他指标上保持与原始 Flye 组装相当的性能。 3 单倍体马铃薯重复区域纠错  作者还针对宏基因组专门评估了纠错后的分类结果。如下表所示，DeChat + Centrifuge 的组合在保持相同 Recall 的同时显着提高了 Precision 。 感谢阅读！ 欢迎批评指正。 撰文｜李毅晨