随着测序的发展，越来越多的生物体被进行基因组进行测序，这些测序的reads，再被用于组装或者其它相关的研究。基因组序列组装是一个研究的起点，如果你研究的物种没有参考基因序列，就无从找到该生物有的基因，进行基因的功能分析，然后开展下游的群体遗传，结构差异等等一系列非常有趣的研究。所以说组装好参考基因组是基因组研究的最基础的事情之一。接下来，希望通过网上一些教程，和大家熟悉了解一下如何进行基因组组装。
首先先让我们从大的picture来回顾一下，基因组组装的相关知识。
基因组组装的目的与其成功的决定因素
目的：
- 获得该生物体完整的基因组序列
- 注释蛋白质编码序列（注释（结构注释和功能）非常重要，了解知道蛋白质的功能是解决生物学问题的基础）
组装成功的决定因素：
- 被测序物种的基因特性（下个小节会讲）
- 测序的样品质量
- 测序技术的限制（短序列：短，组装碎片化；长序列：费用较高，错误率高）
- 使用的组装软件的合适性
组装中会遇到的“硬问题”
一般来说生物体的基因组越简单越好组装，像细菌真菌都比较好组装。那么影响组装的硬问题有哪些呢？
多态性
- 二倍体，甚至多倍体 （物种的基因结构复杂，染色体有多个拷贝，基因组重复）
- 生物体杂合性高
- 有些物种非常小，你需要收集多个个体才能取得足够的DNA去测序去组装出基因组。
重复序列
- 重复序列往往会“迷惑”组装的工具
具体例子如下图：
假如reads S和T 在橙色的片段都具有一长串A的碱基，那么组装工具将会很难识别，纠结这两个片段是拥有两个相同copy的重复序列，还是他们本来就是overlap的可以连接起来。这样会造成组装的错误。
这里也顺带简单介绍一下常见的重复序列：
- SINEs （ Short interspersed nuclear elements）
一般长度为500bp左右，人类的基因组大概还有1.5Mbp的这种短的重复片段。
- LINEs （long interspersed nuclear elements）
一般长度为1Kbp左右，人类的基因组大概还有1.5Mbp的这种短的重复片段。
- 大片的重复
可以长至40Kbp或者更多
测序的质量
- 不同的测序技术有不同的优缺点
- 测序的深度（有些regions没有被很好覆盖到）
- 测序时候含有的污染（人的，细菌，真菌病毒等）都会影响组装。据统计，10％的已经在文献中发表的基因组，都还含有污染。
水平的专业性
需要知道如何安装组装的工具，了解组装工具的工具原理，并且调试组装的相关参数让你组装结果得到最优化，还有选择合适的组装工具，都需要一定的专业水平。
主要的组装算法
重叠序列相连
简单来说这种算法就是将所有的reads拿出来，相互比对，找到重叠的reads，然后构建长的连续的contigs，最后再将contigs组在一起形成scaffolds。这个过程可以基于下图来进行总结：
De Bruijn 图 或者 k-mer 方法
主要的步骤包括：
- 将reads切成长度不同的片段（这里叫k-mers）
- 基于这些k-mers的组合，构建De Bruijn 图
- 构建序列基于重叠的k-mers
- 基于已经构建的序列片段，选择合适的片段，构建整个基因组的序列。
大概的过程如下图：
我该选用哪个组装的工具？
目前已经开发了很多不同的组装工具，根据你的物种或者测序技术，可以相应的选择不同的工具，一般来说我们可以这样选择：
- 如果你组装的是原核生物基因组，那么可以使用SPAdes，通常该工具比较适合小的基因组。
- 如果你组装的是真核生物基因组：
- 只使用短序列的reads进行组装：推荐使用MaSuRCA
- 只使用长序列的reads进行组装：推荐使用Canu或者Falcon
- 混合使用短序列和长序列的reads：推荐使用MaSuRCA
- 杂合度高的物种推荐使用Platanus
上面只是简单通用的推荐，当然如果你是专家，你可能还会使用一些更加个性化的工具方法。
这期介绍就到这里了，希望大家有所收获，组装并没有我们想像中那么难，后面会继续给大家带来组装的实战还有评估等等的教程，敬请大家关注点赞。
参考资料：
1.https://isugenomics.github.io/bioinformatics-workbook/dataAnalysis/GenomeAssembly/Intro_GenomeAssembly.html
2.https://environmentalmicrobiome.biomedcentral.com/articles/10.1186/1944-3277-10-18
网友评论