三代测序第八讲基因组组装和注释案例

PacBio三代组装原理组装完整度和准确度评估PacBio三代组装案例组注释流程组注释案例内容提要目前纯三代组装

，主要包括：Falcon，Canu纯三代组装采用OLC算法（overlap-layout-consensus）以Falcon为例：三代组装根据length_cutoff设定的阈值，将大于该阈值的reads作为long

reads，利用short

reads对long

reads进行校正；Falcon组装原理检验组装的准确度：(1)构建BAC或Fosmid文库，将BAC序列与所拼接出来的contig/scaffold比对来查看

组组装的准确率。(2)将已知的话，说明/CDS序列与拼接出来的scaffolds做比对，如果比对效果好的组组装较好。(3)将二代reads比对到组装

组上，通过比对率和

片段大小分布，间接评估组装准确度组装完整度和准确度评估集，评估组装完整度；组中

的比例，评估检验组装的完整度：利用CEGMA，BUSCO保守CEGMA利用248

CEGs，通过组组装完整度组装完整度和准确度评估组装流程：分别采用Falcon，Canu进行组装；将两种方法组装结果进行整合；对整合后的

组，利用三代subreads进行纠错利用二代reads，再进行纠错某水生动物三代组装案例组装输入文件：input.fofn:三代数据路径e.g.

/HOME/fsgen_1/WORKSPACE/project/file2.fastafc_run_slurm.cfg某水生动物三代组装案例CANU组装某水生动物三代组装案例某水生动物三代组装案例对 和CANU组装结果进行整合利用Arrow和Pillon对组进行纠错某水生动物三代组装案例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评估组装结果Cegma

–ggenome.fasta–p

24重复序列注释编码

注释非编码RNA注释组注释重复序列根据序列特征分为2类：串联重复（Tandem

repeats）和散布重复（Dispersed

repeats）Tandem

repeats：简单重复序列，

序列Dispersed

repeats：转座子序列（TEs），又分为:DNA

transposons：由DNA介导来转座RNA

transposons：由RNA介导转座（LTR,LINE,

SINE）重复序列注释串联重复分类•：TRF串联重复注释De

novo

prediction组，利用

组自我比对，寻找序列中内在的重复常用 ：

RepeatScout、

RECON、PILER目前RepeatModeler集成RepeatScout、RECON，对于>500M采用RepeatModelerHomology-based利用已知的重复序列数据库（Repbase、RepeatPeps），通过比对

Tes常用

：RepeatMasker、RepeatProteinMaskStructure-based基于signature方法，主要用于鉴定特定信号的TEs,

如LTR常用

：LTR_FINDER转座子注释重复序列注释流程：利用De

novo

prediction+Homology-based

prediction：重复序列注释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统计结果TEs分类统计结果编码

注释常用流程Ab

initio根据

组自身序列特征，常用

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

注释编码

注释一键化

：Eukaryo_Gene_annotation_v4.pl输入文件：input.cfg编码

注释生成编码

注释更新后的注释结果rRNA：rnammertRNA：tRNAscan-SE其他小RNA：cmscan，利用rfam数据库非编码RNA