基因组组装学习笔记(一)
基因组组装的前期工作:需要掌握什么知识点?
1)基因组大小 / genome size:
一般有两种办法,使用流式细胞来估计,或者使用Illumina short reads,也就是基于Kmer的方法,对基因组大小进行估计,
但由于流式细胞需要考虑到用什么物种(e.g. 所选用的参考物种基因组大小是多少,也就对应相应的DNA C-value)等,就需要进行先攻的查询,
流式细胞相关资源:
- 真菌DNA C-value查询网站:http://www.zbi.ee/fungal-genomesize
- 植物DNA C-value查询网站:http://data.kew.org/cvalues
- 动物DNA C-value查询网站:http://www.genomesize.com
用一句话来总结的话,越大的genome,在相同的测序深度情况下,需要更多的测序量,才能达到对应的覆盖度(coverage,e.g. 99%)。
2)重复序列
当genome中的重复序列占比过高的话,又没有使用CLR测序,无法得到跨越重复序列的位置信息,
那就会出现片段化的组装结果(fragmented assembly),即出现多个contig不能够搭建到scaffold级别
所以,这就是为什么现在大家都在用PacBio、Nanopore的原(但是现在是2022年了,基因组时代已经过去了)
3)杂合度 / Heterozygosity
在不要求组装到subgenome、allele-aware级别的genome时,组装软件都是自动将“collapsed”的基因组草图给输出,即只输出一套,
但是在很多需要深究的科学问题上,比如Y染色体的拼接等,就需要使用一些特殊方法。
杂合度特别高,是一件好事,因为hifiasm直接组装出来两套,
杂合度特别低,也是一件好事,因为hifiasm直接组装出来一套
杂合度不高不低,是件坏事,因为组装结果不三不四
4)倍性
如果有可能的话,选择单倍体进行测序会比较好一些,比如基因组大小为26.3G的火炬松就是直接测的花粉,
微生物也就不用说了,都是haploid。
基因组组装的前期工作:Genome Survey
一些非常常规的东西,我不太想提,准备三两句话带过,
adapter removement
QC accessment
而在二代测序拼接的时候,虽然NovoSeq的量级很高,能够达到10millions~20 billions,乘数也特别高,
但是一些基于de Brujin graph的组装软件较为理想的参数还是在60-80×(“Identification of optimum sequencing depth especially for de novo genome assembly of small genomes using next generation sequencing data”
基因组大小评估怎么做?
fastp/Trimmomatic/trim_galore
Jellyfish/KMC
GCE/GenomeScope2