基因组Denovo组装原理、软件、策略及实施

目录

• 1. 组装算法
  • 1）基于OLC算法
  • 2）基于DBG算法
  • 3）OLC vs DBG
• 2. 组装软件
• 3. 组装策略
• 4. 组装项目实施
  • 1）测序前的准备
  • 2） 测序样品准备
  • 3）测序策略的选择
  • 4）质控、基因组组装、质量评估
  • 5）基因组注释
  • 6）生物学分析
  • 7）更多参考内容
• 5. 动植物Denovo测序项目的主要分析内容

1. 组装算法

一般有基于OLC（Overlap-Layout-Consensus, 先重叠后扩展）和基于DBG（De Brujin Graph）两种组装算法。基于OLC的组装方法适合长序列组装，运行依赖的数据结构需要消耗大量的内存，且运行速度比较慢，错误率高，而DBG组装方法内存消耗相对较低，运算速度快，且准确率高。目前主流的基因组装算法都是基于后者改进设计的。

1）基于OLC算法

OLC组装算法主要这么对一代和三代测序序列，因为它们的reads读长相对较长。OLC算法的整体步骤可以分为三步：

• ①Overlap：对所有reads进行两两比对，找到片段间的重叠信息，一般在比对之前会将reads做下索引，减少计算量。这里需要设定最小重叠长度，如果两个read的最小重叠长度低于一定阈值，那么可以认为两段序列顺序性较差。
• ②Layout：根据得到的重叠信息将存在的重叠片段建立一种组合关系，形成重叠群，即Contig。Contig进一步排列，生成多个较长的scaffold。
• ③Consensus：根据构成Contig的片段的原始质量数据，在重叠群中寻找一条质量最重的序列路径，并获得与路径对应的序列，即Consensus。通过Consensus的多序列比对算法，就可以获得最终的基因组序列。

OLC算法最初成功的用于Sange测序数据的组装，比如Celera Assembler，Phrap，Newbler等均采用该算法进行拼接组装。基于Overlap-layout算法的组装软件首推CABOG，这是当年用来组装果蝇基因组的原型。

2）基于DBG算法

DBG原理图如下，共6步：



A. 序列k-mer化：对插入片段进行建库测序，下机reads经质控后，对clean reads进行k-mer化，即将reads 逐个碱基开始切分为长度为K的子串；

B. 构建de Brujin图：将上一步得到的所有长度为k的子串即k-mer作为de Brujin图的节点，根据相邻两个K-mer重叠k-1个碱基的原则将该两个顶点（k-mer）有方向的连接起来，构建de Brujin图，如下图所示:

C. DBG简化：去掉无法继续连接和低覆盖度的分支，通常有如下几种情况：

1） 直接删除由于测序错误形成的低频K-mer；

2） 通过短序列将一些很短的重复解开，让每个节点的出入度都为1；

3） 如果Kmer1和Kmer2有很高的相似性，将形成的泡状结构合并；

D. 解图获得一致性序列：在简化图的基础上，仍然会因有很多分叉位点无法确定真正的连接关系，因此接下来的每个分叉位点将序列截断，得到contigs；

E. 构建scaffold： 将质控后的reads比对回上一步得到的congtigs，利用reads之间的连接关系和插入片段大小信息，将contigs连接成scaffolds；

F. Gap Close： 通过PE reads来填补scaffolds内部的Gap，经过Gap填补后，如果还有含N的Gap，则将该条scaffold在Gap处打断，并去掉N，形成最后的scaftigs；

3）OLC vs DBG

由于二代测序得到的reads长度较短，包含的信息量较少，因此完成基因组拼接需要较高的覆盖度。OLC算法适用于读长较长的序列组装，通过构成的OLC图寻找Consensus sequence的过程，实际上是哈密顿通路寻找的问题，算法非常复杂。

若采用OLC算法，会大大增加拼接的复杂性以及运算量。而采用DBG算法，通过K-1的overlap关系，构建DBG图，通过寻找欧拉路径得到Contig序列，从算法的角度极大的简化了组装的难度。

2. 组装软件

常用短reads（二代测序）组装软件比较：

Jang-il Sohn, Jin-Wu Nam. The present and future of de novo whole-genome assembly

不同软件的组装结果差别可能很大，跟物种的基因组复杂度也有关系。所以有条件的话，最好选择几个软件，选择其中最好的结果，尤其是大基因组。最经典或使用频率最高的莫过于Allpaths-LG和SOAPdenovo。

常用长reads（三代测序）组装软件：

两款有代表性的软件：Canu和Falcon，基于OLC算法。在不同物种上各有优势。一般，简单基因组优先考虑Canu，复杂基因组优先考虑Falcon（与Falcon-Unzip实现无缝对接，适用杂合度较高或远亲繁殖或多倍体物种）。

Edward S. Rice and Richard E. Green. New Approaches for Genome Assembly and Scaffolding

陆续也有很多新的三代组装的软件开发出来，比如国产软件WTDBG（阮珏和李恒开发）以DBG算法为基础开发的模糊布鲁因图算法，运行速度快，内存占用小，对于重复序列含量高和杂合度高的物种可能出现错误的碱基合并。但该软件对数据量有限制，一般用于简单的基因组。

3. 组装策略

以往限于技术，采用的是一代或纯二代测序数据进行从头组装。基于二代测序的组装面临很多挑战：

• 短reads远远小于原来的分子长度（通过测更多样本，建库随机）
• 海量数据增加组装的计算复杂性（采用kmers算法，关键在于定义k）
• 测序错误导致组装错误，影响contig的长度（通过提高质控标准）
• 短reads难以区分基因组的重复序列（加大测序深度，双末端文库/大片段文库）
• 测序覆盖度不均一，影响统计检验和结果诊断（提高深度，保证随机）

三代测序对基因组组装具有天然优势，通过技术发展和成本降低，现在已经鲜有纯二代测序的组装了（另一个原因可能是常见的简单基因组物种已经差不多测了），一般是二三代数据结合，加上光学图谱，遗传图谱或者Hi-C等技术来进行基因组的组装，即PacBio+HiSeq +BioNano+10X+Hi-C 等多种平台完美搭配。目前各种测序技术对基因组组装的贡献：

如果要获得染色体级别组装的基因组，通常是先用Pacbio或Nanopore技术进行contig构建，然后利用10X genomics或Bionano技术将contig连接成scaffold（可选项，主要目的是纠错和把部分contig以gap的形式进行初步连接），最后利用Hi-C染色质构象捕获技术（准确度可以媲美早期的遗传图谱），将contig/scaffold连接成染色体级别。

如分别利用Illumina+10X Genomics+BioNano和Pacbio+BioNano两种策略对人的基因组进行组装，同时以Illumina+Fosmid-end组装策略作为对照。三者组装的指标见下表。

4. 组装项目实施

1）测序前的准备

搜集物种或已发表的近缘物种相关信息，比如基因组大小，基因组重复程度，GC含量和分布，杂合度等。

Survey分析，即将测序得到的 reads 打断成 K-mer，通过 K-mer 分析，从数学的角度评估基因组的大小，杂合以及重复等信息。并进行初步组装，从初步组装的 Contig 的 GC 分布图上，判断该物种是否有污染等信息，从而为后续组装策略的制定提供可靠的依据。

获取基因组大小

基因组大小的获取关系到对以后组装结果的大小的正确与否判断；基因组太大（>10Gb），超出了目前denovo组装基因组软件的对机器内存的要求，从客观条件上讲是无法实现组装的。查询植物基因组大小的网站：http://data.kew.org/cvalues，查询动物基因组大小的网站：http://www.genomesize.com/。

如果没有搜录，需要考虑通过流式细胞仪、基于福尔根染色、定量PCR、Kmer等方法来估计基因组大小。

杂合度估计

杂合度对基因组组装的影响主要体现在不能合并姊妹染色体，杂合度高的区域，会把两条姊妹染色单体都组装出来，从而造成组装的基因组偏大于实际的基因组大小。

一般是通过SSR在测序亲本的子代中检查SSR的多态性。杂合度如果高于0.5%，则认为组装有一定难度。杂合度高于1%则很难组装出来。杂和度估计一般通过kmer分析来做。降低杂合度可以通过很多代近交来实现。

杂合度高，并不是说组装不出来，而是说，装出来的序列不适用于后续的生物学分析。比如拷贝数、基因完整结构。

是否有遗传图谱可用

随着测序对质量要求越来越高和相关技术的逐渐成熟，遗传图谱也快成了denovo基因组的必须组成。构建遗传图构建相关概念可以参考这本书（The handbook of plant genome mapping: genetic and physical mapping ）

生物学问题的调研

实验设计很关键。

2） 测序样品准备

确定第一步没问题，就意味着这个物种是可以尝试测序的。测序样品对一些物种也是很大问题的，某些物种取样本身就是一个挑战的问题。

基因组测序用的样品最好是来自于同一个个体，这样可以降低个体间的杂合对组装的影响。大片段对此无要求。原则上进行 Survey 和de novo使用的 DNA 是来自一个个体的。如果DNA量不足以满足整个de novo项目，则建议小片段文库的DNA必须来自同一个体，三代大片段甚至超长片段的DNA文库使用同一群体的另一个个体。

3）测序策略的选择

根据基因组大小和具体情况选择个大概的k值，确定用于构建contig所需的数据量以及文库数量。对于植物基因组一般考虑的是大kmer（>31），动物的话一般在27左右，具体根据基因组情况调整。需要在短片段数据量达到20X左右的时候进行kmer分析。Kmer分析正常后，继续加测数据以达到最后期望的数据量。

文库构建，一般都是用不同梯度的插入片段来测序，小片段（200,500,800）和大片段（1k, 2kb 5kb 10kb 20kb 40kb）。如果是杂合度高和重复序列较多的物种，可能要采取fosmid-by-fosmid或者fosmid pooling的策略。

采用更多不同的技术组合见3.组装策略部分。

4）质控、基因组组装、质量评估

• 组装流程：原始数据－数据过滤－纠错－kmer分析－denovo组装
• 质控常用软件：FastQC，fastp，BFC，SOAPnuke（适合中小项目），SOAPfilter（适合大基因组）等。
• 纠错软件：COPE（An accurate k-mer based pair-end reads connection tool to facilitate genome assembly，doi: 10.1093/bioinformatics/bts563）
• kmer分析软件：jellyfish，kmerfreq，kmerscan等。
• 主流组装软件：ALLPATHS-LG，SOAPdenovo2，ABySS，Velvet，Minia，MasuRCA，Rabbit（overlap组装）。组装并非一次就能得到理想的结果，会根据已有的组装结果做分析，调整参数，处理数据，加测少量数据等策略来得到比较理想的结果。
• 补洞软件：GapCloser，KGF等。
• 组装评价软件：BUSCO，Quast等。包括序列一致性（比对和覆盖度）、序列完整性（EST数据或RNA）、准确性（全长BAC序列和scaffold是否具好的一致性）、保守性基因（保守蛋白家族集合）等方面进行评估。

5）基因组注释

一般包括重复序列，基因结构，基因功能，非编码RNA注释。后续再专门总结。

6）生物学分析

主要是比较基因组分析，一般包括基因家族，系统进化，正选择，共线性等分析。还有针对物种自身特点的个性化分析。后续专门总结。

7）更多参考内容

基因组组装 by Life Intelligence

5. 动植物Denovo测序项目的主要分析内容

基因组Survey：

• K-mer分析以及基因组大小估算
• 杂合率估算
• 初步组装
• GC-Depth分布分析

基因组组装：

• 组装
• GC-Depth分布分析
• GC含量分布分析
• 测序深度分析
• 常染色体区域覆盖度评估（需提供BAC或Fosmid序列）
• 基因区覆盖度评估（需提供EST或转录组序列）

基因组注释：

1. repeat注释
2. 基因预测
3. 基因功能注释
4. ncRNA 注释

进化分析：

• 基因聚类分析（也叫基因家族鉴定，动物TreeFam；植物OrthoMCL）
• 物种系统发育树构建
• 物种分歧时间估算（需要标定时间信息）
• 基因组共线性分析
• 全基因组复制分析（动物WGAC；植物WGD）

---

参考资料：

从零开始生物信息学(5):基因组组装

六步教会你基因组组装！

干货：最全面的三代基因组之组装篇（上）

纯二代测序从头组装基因组

三代组装软件简介

生信老司机教你如何做基因组项目

基因组测序、组装与分析总结

动植物 de novo 测序产品服务（华大）

全基因组de novo测序产品服务（诺禾）

二代测序组装PK三代测序组装

基因组组装结果质量评估