生信小白學習系列：如何進行基因組組裝？(1)

隨著測序的發展，越來越多的生物體被進行基因組進行測序，這些測序的reads，再被用于組裝或者其它相關的研究。基因組序列組裝是一個研究的起點，如果你研究的物種沒有參考基因序列，就無從找到該生物有的基因，進行基因的功能分析，然后開展下游的群體遺傳，結構差異等等一系列非常有趣的研究。所以說組裝好參考基因組是基因組研究的最基礎的事情之一。接下來，希望通過網上一些教程，和大家熟悉了解一下如何進行基因組組裝。

首先先讓我們從大的picture來回顧一下，基因組組裝的相關知識。

基因組組裝的目的與其成功的決定因素

目的：

• 獲得該生物體完整的基因組序列

• 注釋蛋白質編碼序列（注釋（結構注釋和功能）非常重要，了解知道蛋白質的功能是解決生物學問題的基礎）

組裝成功的決定因素：

• 被測序物種的基因特性（下個小節會講）

• 測序的樣品質量

• 測序技術的限制（短序列：短，組裝碎片化；長序列：費用較高，錯誤率高）

• 使用的組裝軟件的合適性

組裝中會遇到的“硬問題”

一般來說生物體的基因組越簡單越好組裝，像細菌真菌都比較好組裝。那么影響組裝的硬問題有哪些呢？

多態性

• 二倍體，甚至多倍體 （物種的基因結構復雜，染色體有多個拷貝，基因組重復）

• 生物體雜合性高

• 有些物種非常小，你需要收集多個個體才能取得足夠的DNA去測序去組裝出基因組。

重復序列

• 重復序列往往會“迷惑”組裝的工具 

具體例子如下圖：

假如reads S和T 在橙色的片段都具有一長串A的堿基，那么組裝工具將會很難識別，糾結這兩個片段是擁有兩個相同copy的重復序列，還是他們本來就是overlap的可以連接起來。這樣會造成組裝的錯誤。

這里也順帶簡單介紹一下常見的重復序列：

• SINEs （ Short interspersed nuclear elements）

一般長度為500bp左右，人類的基因組大概還有1.5Mbp的這種短的重復片段。

• LINEs （long interspersed nuclear elements）

一般長度為1Kbp左右，人類的基因組大概還有1.5Mbp的這種短的重復片段。

• 大片的重復

可以長至40Kbp或者更多

測序的質量

• 不同的測序技術有不同的優缺點

• 測序的深度（有些regions沒有被很好覆蓋到）

• 測序時候含有的污染（人的，細菌，真菌病毒等）都會影響組裝。據統計，10％的已經在文獻中發表的基因組，都還含有污染。

水平的專業性

需要知道如何安裝組裝的工具，了解組裝工具的工具原理，并且調試組裝的相關參數讓你組裝結果得到最優化，還有選擇合適的組裝工具，都需要一定的專業水平。

主要的組裝算法

重疊序列相連

簡單來說這種算法就是將所有的reads拿出來，相互比對，找到重疊的reads，然后構建長的連續的contigs，最后再將contigs組在一起形成scaffolds。這個過程可以基于下圖來進行總結：

De Bruijn 圖 或者 k-mer 方法

主要的步驟包括：

• 將reads切成長度不同的片段（這里叫k-mers）

• 基于這些k-mers的組合，構建De Bruijn 圖

• 構建序列基于重疊的k-mers

• 基于已經構建的序列片段，選擇合適的片段，構建整個基因組的序列。

大概的過程如下圖：

我該選用哪個組裝的工具？

目前已經開發了很多不同的組裝工具，根據你的物種或者測序技術，可以相應的選擇不同的工具，一般來說我們可以這樣選擇：

• 如果你組裝的是原核生物基因組，那么可以使用SPAdes，通常該工具比較適合小的基因組。

• 如果你組裝的是真核生物基因組：

1. 只使用短序列的reads進行組裝：推薦使用MaSuRCA

2. 只使用長序列的reads進行組裝：推薦使用Canu或者Falcon

3. 混合使用短序列和長序列的reads：推薦使用MaSuRCA

4. 雜合度高的物種推薦使用Platanus

上面只是簡單通用的推薦，當然如果你是專家，你可能還會使用一些更加個性化的工具方法。

這期介紹就到這里了，希望大家有所收獲，組裝并沒有我們想像中那么難，后面會繼續給大家帶來組裝的實戰還有評估等等的教程，敬請大家關注點贊。

參考資料：

1.https://isugenomics./bioinformatics-workbook/dataAnalysis/GenomeAssembly/Intro_GenomeAssembly.html2.https://environmentalmicrobiome./articles/10.1186/1944-3277-10-18