Methods
Simulating genome completeness and contamination
NCBI 上 4978 个 bacterial 和 322 个archaeal，Galah去重（99%）。Prodigal预测基因，BBMap采样预测的蛋白质。创建完整度5-100%的片段，同一个蛋白质采样多次模拟污染 0-35%。
完整度： 模拟genome的氨基酸/完整genome的氨基酸
污染度：蛋白质采样超过1次的氨基酸/完整genome的氨基酸
两个估计和训练集有差别的测试集来测试。
20-kb-fragment 方法：基因组分割成平均20000方差2000的片段，BBMap采样，这些分割后的片段不会再重新拼接成contig（这些就作为contig）。
MAG-derived-length-fragmentation 方法： GTDB数据库，contig数量>10 和<350的MAG作为分布的参考pool，每个MAG用checkm1评估需要满足 comp>65%, cont<5%。对于测试genome。每个模拟的测试基因组，随机选择一个MAG contig 分布，然后根据这个分布将完整的genome切割成片段（考虑genome length，长度顺序随机），采样获得数据集。
Annotation of genomes
Prodigal预测genes ， KEGG注释，blastp 比对到uniref100（ 包含KEGG Orthology (KO)），然后过滤。把注释转化成一个包含所有现存KEGG IDs的频率矩阵，行表示一个simulated genome，在同一通路中发现的 KO 彼此相邻分组，允许 NN 的滑动卷积窗口从该分组中提取有用的信息。存在于多个通路中的 KOs 仅根据通路字母顺序分配给第一个通路。模块、途径和类别的 KEGG 定义于 2018 年 11 月 26 日从 KEGG 下载。
注释，KEGG pathway 后，计算完整度， genome中的gene/all gene 在一个module，pathway 或 category。每个module, pathway and category 完整度特征向量编码成0-1的分数作为额外列。
Selection of additional genomes
Training ML models
训练通用的 gradient boost models 梯度模型。测试集内的genome注释作为特征向量，污染度和完整度作为预测目标。
lightgbm训练回归模型。
tensorflow训练NN模型，模型结构 3 one-dimensional convolutional layers (size 180) --- 1 one-dimensional convolutional layers (size 100) --- flattened --- dense layer --- output layer(sigmoid)。
Filtering out low-quality genomes
再训练集训练NN模型，2epoch。移除训练集中NN预测得到的完整度和污染度和预设的完整度和污染都差距大（10%）的genome。这些genome大部分再checkm1中表现也较差。一般来说，它们所属的物种再Refseq中至少还有一个完整的genome，而且没有显示出高度偏差，表明是基因组的问题（？？）。