SLR-superscaffolder：一种针对合成长读长的全新基因组挂载工具

March 25, 2021
genome assembly bioinformatics
SLR-superscaffolder：一种针对合成长读长的全新基因组挂载工具

基因组组装是基因组学研究的基石，它能够将原始测序数据重建成完整的遗传序列。随着测序技术的进步，合成长读长（Synthetic Long Reads, SLR）已成为提高组装质量的一种高效策略。在发表于《BMC Bioinformatics》的最新研究中，我们推出了 SLR-superscaffolder。这是一款功能强大的独立挂载（Scaffolding）工具，旨在利用共条形码（Co-barcoding）和双端测序数据显著提升组装的连续性。

主要发现

  • 针对合成长读长的独立挂载工具： SLR-superscaffolder 整合了共条形码信息和双端测序信息，将初步组装的 Contigs（重叠群）连接成 Scaffolds（支架），从而大幅提升基因组组装的连续性。

  • 创新的“自顶向下”算法： 与以往的挂载工具不同，我们的算法首先基于 Jaccard 相似度（Jaccard Similarity）构建全局挂载图（Global scaffold graph），在进行局部优化前先确定 Contigs 的顺序和方向。这种层次化方法有效减少了基因组组装中常见的错误和误组装。

  • 优于现有挂载工具的稳健性能： 我们将 SLR-superscaffolder 与 fragScaff、Architect 和 ARKS 等主流挂载工具进行了基准测试。结果显示，我们的工具在取得更长的 Scaffold NG50 值的同时，误组装数量更少。

  • 在人类基因组组装中的应用： 该工具被应用于人类基因组测序数据集（HG001），将 Scaffold NG50 提升了 1349 倍，证明了其在大规模基因组项目中的实用性。

研究感悟

基因组组装算法是生物信息学研究的核心。在华大基因（BGI），特别是 2014 年之后，我们的重点转向了开发基于自主测序平台的技术。然而在那段时期，长读长测序（Long-read sequencing）因其卓越的连续性和准确性而在组装领域备受青睐。从实验和计算的角度来看，长读长测序简化了组装过程，并能产生更高质量的结果。

但当时我们的平台大多是为短读长测序优化的，这使得组装工作更具挑战性。幸运的是，我们开发了单管长片段读取（stLFR）测序技术，其原理类似于在短读长平台上实现 BAC 文库测序。这种方法为通过挂载技术改善组装质量提供了有效途径。在本研究中，我们利用 stLFR 测序数据进行挂载，成功增强了基因组组装的质量和连续性。这项研究是将短读长测序与先进组装策略相结合的重要一步。

研究全文可通过 BMC Bioinformatics 在线访问。