王者变青铜，攻克超大基因组正当时！

　　超大基因组，一般指基因组大于10G的物种，这些物种的测序和分析工作量都非常大，尤其对于组装分析来说，是个巨大的挑战！华大基因和合作伙伴是如何在短短10天内完成了这个突破呢？

　　

10天完成25G的基因组组装，超大基因组迎来新突破！日前，华大基因与合作伙伴对一种裸子植物进行了测序，该物种基因组大小为25G，获得了2.2T的PacBio CLR 数据，并在10天内完成了组装。

超大基因组，一般指基因组大于10G的物种，这些物种的测序和分析工作量都非常大，尤其对于组装分析来说，是个巨大的挑战！华大基因和合作伙伴是如何在短短10天内完成了这个突破呢？

25G，只需10天

先来看看该物种的组装结果。

表1 华大在线裸子植物组装结果

划重点！该裸子植物用的是CLR数据，纠错用的是Canu。

是不是觉得很惊奇？Canu软件以超级消耗分析资源著称，处理超大数据量时往往难以hold住。但这次足足2.2 Tb的CLR数据，用Canu 纠错居然没爆掉，而且仅仅6天多就纠错完毕。这里面的“秘密武器”在于，华大的组装人员对Canu进行了优化！

在这里，要展开说一下。前几天，PacBio 公司公布了利用最新HIFI数据组装另一种裸子植物——六倍体的加州红杉（基因组大小27Gb）的最新成果，组装结果大小为47.7Gb，Contig N50 达到1.92Mb。作为一个超大基因组，还是六倍体，这个组装结果让人惊喜。

表2 PacBio 公司公布的加州红杉的组装结果

这次组装的关键，在于用了HIFI测序数据。HIFI数据本身的测序准确率就非常高（可达99%），不但让后续的组装结果更准，还大大降低纠错环节的计算资源消耗，使组装更简单。这种又快又准的优势对超大基因组，尤其是多倍体基因组的组装就会特别明显。但是，HIFI数据也有缺点，那就是由于数据产量减少，测序成本也比常规CLR数据高了数倍。

图1 PacBio HIFI数据和 PacBio CLR 数据的区别

从上图可以看到，CLR测序模式产生的数据就是基于单循环测序的结果，一个插入片段只测序一次，准确率和PacBio 常规测序保持一致，在85%左右；而HIFI测序模式（即CCS测序模式）是一个插入片段循环测序多次，下机数据可以进行自我纠错，准确率可以达到99%。

表3 CLR及HIFI测序模式的读长及测序指标

有没有使用常规CLR数据来解决超大基因组组装的方案呢？特别是对于已经测了CLR数据的用户来说，毕竟重新测一批HIFI数据则意味着要多付出好几倍的测序费用。

答案是肯定的。

CLR数据的缺点是错误率偏高。因此，组装的难点就在对CLR数据的纠错——如何在短时间内完成精准纠错。华大结合多年来积累的组装经验，对计算集群的使用效率、纠错软件等方面做了一系列的优化。得出的指标与加州红杉的效果接近，但成本却要低的多。可以说，对于二倍体的超大基因组组装，这是一套性价比很高的解决方案。

可以说，华大基因此次与合作伙伴在CLR数据方面的突破，为研究人员带来了好消息。

组装经验丰富

华大基因在超大基因组的组装上积累了丰富的经验，除裸子植物之外，还涉及超大基因组的作物、石蒜科观赏植物、八倍体水生生物、超大海洋生物等物种，数据类型涉及PB CLR/PB HIFI/ONT，组装结果Contig N50超过1Mb。

如果您有超大基因组物种，或者搞不定组装的数据，请毫不犹豫地选择华大基因，优秀的组装分析咖在等您！

拓展阅读

从王者到青铜，超大基因组组装背后的故事

作为超大基因组的典型代表——裸子植物，以基因组超大、重复序列超多、杂合度超高为“主要技能”，有时还兼具多倍体的“超级技能”，成为基因组组装界令人闻之色变的大boss。攻克难度之大，曾经让组装大咖也望而却步。能取得成绩的“强攻者”更是屈指可数——

2013年，Nature

早在2013年5月，华大参与测序的首个裸子植物——挪威云杉基因组公布并荣登Nature 杂志。研究者采用流式细胞仪预估基因组大小19.6Gb，测序采用WGS+Fosmid的策略，取样来源有单倍体和二倍体样本，单倍体测序深度 38X+二倍体测序深度55X，组装出的基因组草图大小为12Gb, scaffold N50为4.8Kb。这个组装结果如今看来比较粗糙，但以当时的技术条件，已是一大创举。

2014年，Genetics

2014年3月，另一个裸子植物——火炬松基因组发表在Genetics上，通过Kmer分析预估的基因组大小为20.4Gb。该研究通过64X短片段文库+13X Mate pair大片段文库的测序策略，获得的V1.01版本的参考序列基因组大小为23Gb，Contig N50=8.2 kb；Scaffold N50=66.9 kb。虽然基因组的组装总长度与实际大小比较接近，但是组装结果的连续性还是不高，片段比较零碎。

2016年，GigaScience

2016年11月，华大主导的裸子植物——银杏基因组发表在GigaScience上，采用短读长测序平台，测序深度196X，基因组大小10.6Gb，组装指标：Contig N50=48Kb，Scaffold N50=1.36Mb。Scaffold N50突破1Mb，银杏的组装结果有了巨大的提升。

好在，时代在发展，随着华大基因等业界代表和合作伙伴的不断求索，曾经“王者”级别难度的超大基因组，放在现在充其量也只能算个“青铜”。尤其是现在如此高性价比的方案也已经突破，超大基因组组装，就选择华大基因！

参考文献

1. Nystedt B, Street N R, Wetterbom A, et al. The Norway spruce genome sequence and conifer genome evolution[J]. Nature, 2013, 497(7451): 579-584.

2. Zimin A, Stevens K A, Crepeau M W, et al. Sequencing and assembly of the 22-Gb loblolly pine genome[J]. Genetics, 2014, 196(3): 875-890.

3. Guan R, Zhao Y, Zhang H, et al. Draft genome of the living fossil Ginkgo biloba[J]. Gigascience, 2016, 5(1): s13742-016-0154-1.