宏基因组测序分析（八）宏基因组数据组装

宏基因组组装

基因组组装，即把短的reads拼装成连续的序列（contig），再根据PE或者long reads等比对关系将contig拼接成scaffold。

Kmer

从一段连续序列中迭代地选取长度为K个碱基的序列，若序列的长度为L，那么可以得到L-K+1个Kmer。

组装算法

DBG：De Bruijn Graph

主要用于二代测序短reads的组装，基于Kmer的连接

OLC：Overlap Layout Consensus

多用于三代长reads组装，基于比对的Overlap结果大于阈值连接。

二代测序数据组装流程

• 构建contig：将所有小片段打成K-mer构建deBruijn图，然后会根据给定的参数对de Bruijn图做一些化简，最后连接K-mer的路径即可得到contig序列。

• 构建scaffold：将reads map到contig序列上去，利用reads之间的PE关系去判断contig之间的连接关系，得到scaffold序列。

• 补洞：将成对reads比对到scaffold序列上，确定出一条reads比上contig序列而另外一条reads落入gap区域的比对信息，利用落入同一个gap区域的reads做局部组装。

宏基因组组装挑战

• 常规组装软件适用于单个物种且覆盖度均匀的基因组，而微生物样本中不同物
  种的丰度水平差异很大，导致不同物种基因组的测序深度高度不一致。宏基因
  组数据集中，大多数物种的测序深度远低于单个物种组装需要的测序深度。

• 微生物群落中的不同种物种可能存在共享的高度保守基因组区域，形成“种间
  重复”使得组装复杂化。

• 在一个微生物样品中，许多细菌物种是由具有不同丰度的多个相关菌株混合在
  一起的，这种混合会进一步增加组装的难度。

宏基因组组装软件评估

宏基因组组装常用软件为 megahit 及 metaspades。

参考脚本

使用 megahit 进行组装:

megahit \
-1 ./A1_1.fq.gz \ # 输入，fq1
-2 ./A1_2.fq.gz \ # 输入，fq2
--min-contig-len 1000 \ # contig最小长度
--tmp-dir ./ \ # 设置tmp目录
--memory 6 \ # 内存占用
--num-cpu-threads 4 \ # 线程数
--out-dir A1_megahit \ # 输出目录
--out-prefix A1 # 输出前缀
## 多组数据组装, 输入数据逗号分隔

使用 metaspades 进行组装：

## 单组数据组装
spades.py \
--meta \ # 宏基因组模式
-t 4 \ # 线程
-k 21,33 \ # kmer
-1 ./A1_1.fq.gz \ # 输入，fq1
-2 ./A1_2.fq.gz \ # 输入，fq2
#-k 21,33,55,77 \ 多组数据组装
#--pe-1 1 ./A1_1.fq.gz \ #输入，第1组fq1
#--pe-2 1 ./A1_2.fq.gz \ #输入，第1组fq2
#--pe-1 2 ./A2_1.fq.gz \ #输入，第2组fq1
#--pe-2 2 ./A2_2.fq.gz \ #输入，第2组fq
-o A1_metaspades # 输出目录

组装结果可以使用 quast 进行汇总统计：

quast.py ./*.fa

欢迎关注Bioinfor 生信云