三代测序因为长读长的特点，在基因组组装方面有明显的优势。今天给大家介绍一款基因组组装软件，miniasm。该软件可用于Pacbio和ONT两个平台的数据组装，分析速度很快。
软件安装
- minimap2安装
miniasm软件组装时，需要从比对结果中获取reads之间的相对位置以及overlap情况。相对于二代测序，三代reads较长，bwa等软件效率太低，这里使用minimap2进行比对，速度很快。
$ git clone https://github.com/lh3/minimap2 && (cd minimap2 && make)
- miniasm安装
组装软件在github可以获取源码，直接安装即可
$ git clone https://github.com/lh3/miniasm && (cd miniasm && make)
基因组组装
数据过滤
三代测序的原始数据错误率比较高，需要先进性数据的矫正，不同平台有不同的数据格式，对应不同的软件，可以自行搜索进行过滤。
数据比对
使用minimap2软件对fq数据比对。因为要获得reads之间的overlap关系，比对时只需要进行fq自身数据间的比对即可。
$ minimap2 -x ava-pb -t8 pb-reads.fq pb-reads.fq > pb-reads.minimap2.out
其中-x表明数据类型及组装方法，最常用的包含4中，其中map-pb/map-ont表示Pacbio和ONT平台数据与参考基因组进行比对，ava-pb/ava-ont表示Pacibo和ONT平台fq数据自身数据间的比对；-t为线程数
$ head -5 pb-reads.minimap2.out
read1 204 35 204 - read4 419 144 313 119 169 0 tp:A:S cm:i:1s1:i:119 dv:f:0.0042 rl:i:181
read2 204 35 204 + read5 414 64 232 119 169 0 tp:A:S cm:i:1s1:i:119 dv:f:0.0042 rl:i:181
read3 204 35 204 + read6 231 36 204 119 169 0 tp:A:S cm:i:1s1:i:119 dv:f:0.0021 rl:i:181
以上是minimap2软件的输出结果。前12列为比对数据统计结果，各列依次是query名、query长度、query起始位置、query终止位置、链方向、target名、target长度、target起始位置、target终止位置、比对时match碱基数、比对碱基数(包括gap等)、比对质量。后面的各列与bam文件中信息类似，每个tag对应不同的统计结果，具体可查询官方文档。
基因组组装
使用miniasm主程序对数据进行组装，要求输入fastq以及minimap2比对结果，示例如下。
$ miniasm -1 -2 -m 50 -s 1000 -c 5 -f ../../X5.HB5.extract.fq X5.extract.minimap2.sam > X5.all.extractsam.miniasm.out.new
上述参数中，-1和-2表示数据在组装时跳过对reads的筛选，直接使用(正常情况下默认没有这两个参数，也没有必要特意加上)，-m为最小的匹配长度，-s为最小的span长度，-c为测序深度。
对于基因组组装而言，最重要的几个参数基本就是这些，需要给定overlap长度，span长度以及测序深度，有的软件还需要添加输出最小的contigs长度等。在组装之前，应该对自己的数据有一个基本的认识，比如测序数据中reads的长度分布范围、测序深度等信息，方便组装不理想时调整参数。
S utg000002c ACTTAGACCTACCGTTCACCTAATGACT...CTTAGACCTACCGTTCACTAATGACTTG LN:i:125
L utg000002c + utg000002c + 0M
L utg000002c - utg000002c - 0M
a utg000002c 0 read1:64-361 + 124
a utg000002c 124 read2:498-743 - 1
S utg000003c TAAGGCTAATGGCACTCAGTAAC...TAACAATAAGGCTAATAG LN:i:224
L utg000003c + utg000003c + 0M
L utg000003c - utg000003c - 0M
a utg000003c 0 read3:52-294 + 106
a utg000003c 106 read4:341-600 + 118
S utg000004l ACGCCAGTTGCTATGGAGCCATCC...CTCAACGGATAAAAGGGTACTCCACA LN:i:302
a utg000004l 0 read5:738-982 - 12
a utg000004l 12 read6:492-762 + 12
a utg000004l 24 read7:929-1194 + 15
a utg000004l 39 read8:76-337 + 69
a utg000004l 108 read9:796-989 + 194
x utg000002c 125 2
x utg000003c 224 2
x utg000004l 302 5 0 0 read12:738-982 - read15:796-989 -
其中S表示组装后的序列，包括名字、序列以及序列长度，a表示最佳组装路径，L表示overlap信息，x为各组装序列的统计结果
参考文献
[1] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4937194/ PMID: 27153593
网友评论