三代測序第八講基因組組裝和注釋案例

PacBio三代組裝原理組裝完整度和準確度評估PacBio三代組裝案例組注釋流程組注釋案例內(nèi)容提要目前純?nèi)M裝

，主要包括：Falcon，Canu純?nèi)M裝采用OLC算法（overlap-layout-consensus）以Falcon為例：三代組裝根據(jù)length_cutoff設(shè)定的閾值，將大于該閾值的reads作為long

reads，利用short

reads對long

reads進行校正；Falcon組裝原理檢驗組裝的準確度：(1)構(gòu)建BAC或Fosmid文庫，將BAC序列與所拼接出來的contig/scaffold比對來查看

組組裝的準確率。(2)將已知的話，說明/CDS序列與拼接出來的scaffolds做比對，如果比對效果好的組組裝較好。(3)將二代reads比對到組裝

組上，通過比對率和

片段大小分布，間接評估組裝準確度組裝完整度和準確度評估集，評估組裝完整度；組中

的比例，評估檢驗組裝的完整度：利用CEGMA，BUSCO保守CEGMA利用248

CEGs，通過組組裝完整度組裝完整度和準確度評估組裝流程：分別采用Falcon，Canu進行組裝；將兩種方法組裝結(jié)果進行整合；對整合后的

組，利用三代subreads進行糾錯利用二代reads，再進行糾錯某水生動物三代組裝案例組裝輸入文件：input.fofn:三代數(shù)據(jù)路徑e.g.

/HOME/fsgen_1/WORKSPACE/project/file2.fastafc_run_slurm.cfg某水生動物三代組裝案例CANU組裝某水生動物三代組裝案例某水生動物三代組裝案例對 和CANU組裝結(jié)果進行整合利用Arrow和Pillon對組進行糾錯某水生動物三代組裝案例AssemblycontigScaffoldTotal

number2,2431,035Genome

size

（bp）559,446,068560,771,695Longest

length（bp）10,612,29013,243,080Total

Ns（bp）01,325,526N50（bp）1,802,3572,922,517CEGMA評估組裝結(jié)果Cegma

–ggenome.fasta–p

24重復(fù)序列注釋編碼

注釋非編碼RNA注釋組注釋重復(fù)序列根據(jù)序列特征分為2類：串聯(lián)重復(fù)（Tandem

repeats）和散布重復(fù)（Dispersed

repeats）Tandem

repeats：簡單重復(fù)序列，

序列Dispersed

repeats：轉(zhuǎn)座子序列（TEs），又分為:DNA

transposons：由DNA介導(dǎo)來轉(zhuǎn)座RNA

transposons：由RNA介導(dǎo)轉(zhuǎn)座（LTR,LINE,

SINE）重復(fù)序列注釋串聯(lián)重復(fù)分類?：TRF串聯(lián)重復(fù)注釋De

novo

prediction組，利用

組自我比對，尋找序列中內(nèi)在的重復(fù)常用 ：

RepeatScout、

RECON、PILER目前RepeatModeler集成RepeatScout、RECON，對于>500M采用RepeatModelerHomology-based利用已知的重復(fù)序列數(shù)據(jù)庫（Repbase、RepeatPeps），通過比對

Tes常用

：RepeatMasker、RepeatProteinMaskStructure-based基于signature方法，主要用于鑒定特定信號的TEs,

如LTR常用

：LTR_FINDER轉(zhuǎn)座子注釋重復(fù)序列注釋流程：利用De

novo

prediction+Homology-based

prediction：重復(fù)序列注釋TEs

typeDenov+RepbaseRepeatProteinMaskMerged

TEsLength

(bp)%

of

Genome(%)Length

(bp)%

of

Genome(%)Length

(bp)%

of

Genome(%)LTR131439996.08159603787.39169293787.84LINE008827440.47398970.34SINE000000DNA0038324011.7729948541.38Total131439996.08206755239.57206600679.56TypeRepeat

Length

(bp)%

of

genome

(%)RepeatModeler+RepeatMasker139840396.47RepeatProteinMask2631517112.18Total2646085112.25Repeats統(tǒng)計結(jié)果TEs分類統(tǒng)計結(jié)果編碼

注釋常用流程Ab

initio根據(jù)

組自身序列特征，常用

：Augustus、SNAP、GlimmerHMM、GeneMark基于同源序列（RNA-seq、ETS）genBlastExonerateGenewise支持的PASATrinityTophat/cufflinksblat編碼

注釋編碼

注釋一鍵化

：Eukaryo_Gene_annotation_v4.pl輸入文件：input.cfg編碼

注釋生成編碼

注釋更新后的注釋結(jié)果rRNA：rnammertRNA：tRNAscan-SE其他小RNA：cmscan，利用rfam數(shù)據(jù)庫非編碼RNA