很多做基因组方面研究的朋友，都经常会关注一个事情，大体就是「完美参考基因组」，这个完美基因组，或者是比如青铜级，黄金级，钻石级，gap-free 甚至 T2T 等等。这些其实都是序列层面。我相信，只要做过湿实验的朋友，多少都会遇见或者听过，比如某某，干了半年还是一年实验，连几个基因都克隆不好。原因是什么？基因结构注释太糟糕。无论基因组序列组装质量如何，基因结构注释有问题，直接设计引物，失去意义。因为你拿到的基因片段都可能是错的。所以「完美参考基因组」，其实不应该局限于序列水平，也应该更多关注「基因结构注释」。
至于，如何评价一个物种的基因结构注释好坏，指标有很多，其中最多人关注的，应该是「BUSCO」评估，尤其其中蛋白水平的评估。目前，绝大多数物种蛋白水平 BUSCO 评估，超过95%的应该是比较少。绝大多数人或许止步于 94%+。而实际上当你去仔细看看，这些指标下的基因结构注释，可能惨不忍睹。一个更高的 BUSCO 指标，往往会对应到更准确的基因结构注释。
当然，BUSCO 评估说到底就是基于序列比对，我们多少也有听闻一些朋友为了更好的指标，直接拿 BUSCO 蛋白评估集合的蛋白回贴到基因组上，暴力提高 BUSCO 值。这个有意义吗？也不能说没意义，但是就相当于，病人说他心痛，你说你就随便吃个止痛药，再痛再吃.....其实不是正解。
10月，推出了 IGV-GSAman，这是一款基于 IGV 源码（MIT License）魔改而开发出来的基因功能矫正神器。相比于市面几乎唯一可用的必须依赖于网页端的 Apollo 而言，GSAman 的整体性能更好更高。当然，主要得益于桌面软件，在一些系统资源的调度上有明显优势。
前两日，有朋友发送过来两张图稿，说实话，我属实吓了一跳。第一张是流程注释（电子注释）的评估结果。其实对于大多数物种的注释，也就到此结束了。也还可以的 94.5%。
不过这位老铁说要长期以这个物种为材料开展研究，于是他用了 GSAman 做了全基因组的人工注释矫正，前后两周不到时间，结果如下
而实际上，他说还有 4 条比较长的染色体没完成矫正。讨论猜想，或许全部完成矫正，难道 BUSCO 要上 99%？
对于这个结果，其实很容易引起怀疑，如果别人说，你这个就是直接针对 BUSCO 来搞的，如何处理？于是讨论了一下，简单用 TBtools 的 Advanced Circos，两三分钟出个Circos图
总的老说，非常均匀....几乎每个染色体的两端（中间是着丝粒区域），都有 GSAman 为 Source 的标签（也就是基因结构被人工矫正过了）。
Emmm，还真是一个大工程。也可以看到，其中还有 4 个染色体几乎没有动过，估摸着就是老哥说的还没整完的四条吧。
写在最后
完美参考基因组 = 完美组装结果 + 完美基因结构注释结果
网友评论