廣州市天河區黃埔大道中124號2705室
電話(huà)：020-29031124
手機：18102256923
Email：servers@gzscbio.com
Fax：020-85625352
QQ：2913120624
全基因組序列拼接是生物信息學(xué)研究領(lǐng)域的核心問(wèn)題。新一代測序技術(shù)正在引領(lǐng)生命科學(xué)研究進(jìn)入一個(gè)嶄新階段。人類(lèi)基因組計劃完成之后，獲得個(gè)體基因組的全部序列對于生物學(xué)研究、探索與認識生命的本質(zhì)具有十分重要的科學(xué)意義。
新一代測序技術(shù)作為目前生命科學(xué)研究的基礎手段，隨著(zhù)應用領(lǐng)域的迅速擴增與不斷深入，對生物信息學(xué)提出了必須正視的基礎研究課題。而全基因組序列拼接作為生物信息學(xué)的核心問(wèn)題，面臨的主要挑戰有：（1）海量的數據（覆蓋深度一般為40-200倍，數據量達20-200GB），迫切需要海量數據的拼接組裝算法；（2）測序數據中的錯誤，容易導致錯拼；（3）基因組中重復片段大量存在，由于讀取片段reads長(cháng)度過(guò)短，一般只有幾十個(gè)堿基，這使得重復序列的處理變得困難。
針對新一代測序數據reads長(cháng)度較短、數據海量的特點(diǎn)，全基因組測序方面的數據分析軟件的研發(fā)，已成為生物信息學(xué)領(lǐng)域最迫切、最重要的研究課題。雖然目前已開(kāi)發(fā)有一些全基因組拼接軟件，但是基本都局限在大型計算平臺上完成數據分析過(guò)程，難以滿(mǎn)足一般的研究需求，而且數據處理速度仍然遠遠落后于數據產(chǎn)生速度，已經(jīng)成為整個(gè)基因組圖譜繪制工作的瓶頸，并且其拼接結果在準確性方面還有待提高。
基因組序列拼接的核心思想是利用序列之間的交疊關(guān)系，通過(guò)類(lèi)似于“搭積木”的方式重建目標基因組序列。其基本方法是將序列之間的交疊關(guān)系轉換成計算機可以識別的結構，通過(guò)不斷迭代擴展的方式延長(cháng)目標序列，然后利用配對數據，確定各個(gè)目標序列的相對方向和位置關(guān)系，最終還原目標基因組序列。 基于新一代測序數據的基因組序列拼接，通常分為如下三個(gè)階段：（1）數據的預處理階段。該階段通過(guò)特定的方法，移除測序數據中的錯誤堿基；（2）基因組連續片段（contigs）生成階段。該階段將reads拼接成contigs；（3）超長(cháng)序列片段（scaffoldings）組裝階段。該階段使用配對數據，確定contigs之間的方向和位置關(guān)系，生成scaffoldings。
全基因組從頭測序拼接（denovoassembly）是生物信息學(xué)研究領(lǐng)域的核心問(wèn)題。測序產(chǎn)生的讀取片段（reads）數據通過(guò)序列拼接、組裝，獲得基因組的堿基排列。目前，基于新一代測序數據的從頭測序拼接組裝算法，主要基于3種策略：貪心（greedy）、交疊-排列-生成共有序列（Overlap-Layout-Consensus,OLC）與DeBruijn圖。
1 貪心策略
貪心策略類(lèi)型的序列拼接算法主要采用種子迭代擴展的方法，按一定條件選擇初始reads作為待生成contigs的種子，通過(guò)啟發(fā)式搜索方式使得每一步都合并與其具有最多交疊的reads,直至reads或contigs兩端都不能再做進(jìn)一步的擴展。一般而言，reads的選擇是按照拼接質(zhì)量遞減的順序考慮的，拼接質(zhì)量通常用堿基質(zhì)量和覆蓋度來(lái)衡量。為避免錯拼，有些擴展操作在發(fā)現沖突的信息時(shí)就立即停止。SSAKE、SHARCGS、VCAKE即采用了該類(lèi)拼接策略。SSAKE和VCAKE能夠處理非完全匹配的reads，SHARCGS適用于均勻分布、非配對的reads.貪心策略適用于小型基因組，而對于有大量重復序列存在的大型基因組的測序數據進(jìn)行拼接時(shí)，拼接效果往往很差。
2 交疊-排列-生成共有序列（OLC）策略
OLC策略在第一代測序中被廣泛采用，并取得了很好的結果。該種策略主要包含3個(gè)主要的步驟：（1）構建交疊圖，計算任意兩條reads之間的交疊。為了減少計算復雜度，可以先對reads建立類(lèi)似后綴數據、后綴樹(shù)的索引，而后在所建索引的基礎上進(jìn)行計算；（2）排列reads，確定reads之間的相對位置，建立ove-rlap圖，分析overlap圖，獲得遍歷整個(gè)圖的最佳近似路徑；（3）生成共有序列，通過(guò)多序列比對等方法，獲得最終的基因組序列。
由于新一代測序數據的reads海量，計算reads交疊的平方復雜度以及reads長(cháng)度較短等限制， 基于OLC策略的拼接方法并不適于處理新一代的海量短序列數據，為此，在該種策略的基礎上又相繼提出了多個(gè)更加實(shí)用的拼接算法，主要有：CABOG、Edena、Shorty。Shorty用于處理SOLiD數據，利用300-500bp長(cháng)度的種子上的配對數據，估算兩個(gè)相鄰contigs之間的gap的大小。CABOG采用一種被稱(chēng)為“rocksandstones”的技術(shù)，先通過(guò)reads之間的交疊關(guān)系，建立reads之間的多序列比對，然后使用配對數據分割不滿(mǎn)足約束條件的多序列比對，再由多序列比對上的配對數據確定其相對位置，最終生成共有序列。
隨著(zhù)測序技術(shù)的不斷發(fā)展，基因組測序產(chǎn)生的數據質(zhì)量會(huì )越來(lái)越高，生成的reads片段也會(huì )越來(lái)越長(cháng)，以reads為計算中心的拼接策略或許會(huì )再次進(jìn)入人們的視野，成為研究主題。
3 De Bruijn圖策略
基于De Bruijn圖（DBG）策略的拼接算法被最廣泛地應用到新一代測序數據的處理中。典型算法有：ABySS、ALLPATHS、Euler-SR、SOAPdenovo和Velvet?；贒e Bruijn圖的拼接算法，非常巧妙地將具有交疊關(guān)系的reads映射到一起，降低了計算交疊時(shí)的復雜度，減少了內存消耗。
基于DeBruijn圖策略的拼接算法的大致步驟是：（1）構建De Bruijn圖。將reads分割成一系列連續的子串k-mers （一般用K值表征kmer堿基數目的大?。?，作為圖中的邊，相鄰的兩個(gè)k-mers交疊（K-1）個(gè)堿基；（2）化簡(jiǎn)De Bruijn圖。方法是合并路徑出度入度唯一的節點(diǎn)，按照一定的規則去除圖中的尖端（tips）和泡狀結構（bubbles）；（3）構建contigs.在DeBruijn圖或其子圖中尋找一條最優(yōu)的歐拉路徑（一次且僅有一次地經(jīng)過(guò)每條邊的路徑），該路徑對應的堿基序列即為contigs； （4）生成scaffolding。利用配對數據，確定contigs之間的相對方向與位置關(guān)系，對contigs進(jìn)行組裝，并填充contigs之間的gaps，最終得到scaffolds序列。
圖1 De Bruijn圖示例
基于De Bruijn圖的拼接算法中，一個(gè)關(guān)鍵操作是K值的選擇。選擇大的K值能夠解決更多的短小重復片段（tinyrepeats），降低圖的復雜性，但同時(shí)也降低了圖的連通性，后續的拼接過(guò)程會(huì )產(chǎn)生更多的間隙（gaps）；選擇小的K值，對應的De Bruijn圖具有相對好的連通性，但圖變得更加復雜，重復片段的處理也變得更加困難，增加了錯拼的可能性。目前， 還沒(méi)有通用的K值選擇方法，需要根據特定的應用，選擇合適的K值。一般認為對于原核生物的基因組拼接，K值選取在21-35之間是合適的；而對于真核生物基因組的K值的選擇要相對復雜得多，目前還沒(méi)有明確的結論或者一致的建議。
4序列拼接算法的比較
自從基因組測序產(chǎn)生以來(lái)，序列拼接算法就不斷地處于研發(fā)和改進(jìn)之中。通常，基于圖的拼接算法與采用貪心策略的拼接算法相比，在序列長(cháng)度和準確率，運行時(shí)間以及內存消耗等方面，往往具有相對更好的拼接表現?；贠LC策略的拼接算法多用于傳統測序數據的拼接，而基于De Bruijn圖的拼接算法則更多地用于新一代測序數據。不同的拼接算法在處理不同的測序數據時(shí)，通常具有各異的表現，目前還沒(méi)有一種拼接程序能在所有方面都表現得出色。由于基因組和測序數據的復雜性，拼接長(cháng)度與準確率往往是一個(gè)平衡的關(guān)系，高精度往往是以犧牲長(cháng)度為代價(jià)的，反之亦然。而這種平衡如何選擇，則取決于具體的應用。同樣，拼接結果的準確率與算法的內存消耗也存在類(lèi)似的平衡關(guān)系。就適用的基因組規模而言，除了SOAPdenovo、AByss等少數軟件外，大多數拼接軟件只適用于簡(jiǎn)單的小型基因組。目前，幾乎所有軟件都需要較大內存的計算平臺。如何優(yōu)化數據處理方法、高效地存儲海量reads數據，是序列拼接算法軟件研發(fā)過(guò)程中必須面對的一個(gè)重要課題。