基因組質(zhì)量評估

基因組組裝完成之后般甲，就需要對最后的質(zhì)量進行評估快耿。我們希望得到的contig文件中彼水，每個contig都能足夠的長条霜，能夠有一個完整的基因結(jié)構(gòu)间雀，歸納一下就是3C原則:

連續(xù)性(Contiguity): 得到的contig要足夠的長
正確性(Correctness): 組裝的contig錯誤率要低
完整性(Completeness)：盡可能包含整個原始序列

但是這三條原則其實是相互矛盾的悔详，連續(xù)性越高，就意味著要處理更多的模糊節(jié)點惹挟，會導(dǎo)致整體錯誤率上升茄螃，為了保證完全的正確，那么就會導(dǎo)致contig非常的零碎连锯。此外归苍，這三條原則也比較定性，我們需要更加定量的數(shù)值衡量运怖，目前比較常用的標準是N50和BUSCO/CEGMA拼弃。

最近有一篇文章"Assessing genome assembly quality using the LTR Assembly Index (LAI) "提出用長末端重復(fù)序列來評估基因組完整度，因為LTR比較難以組裝摇展，于是就用作評估結(jié)果的一個參數(shù)了吻氧。那問題來了，什么是LTR序列咏连，LTR是在原病毒（整合的反轉(zhuǎn)錄病毒）兩末的重復(fù)序列盯孙，結(jié)構(gòu)見下圖

image

上圖中TSD表示target site duplications，紅色三角表示LTR motif祟滴。A圖是一個完整的LTR結(jié)構(gòu)振惰，其中a,b,c是LTR_retriever的分析目標。

LAI指數(shù)就是完整LTR反轉(zhuǎn)座子序列占總LTR序列長度的比值垄懂。

其實作為一個農(nóng)學(xué)出身骑晶，看到LAI，我腦海就想到了Leaf Area Index(葉面積指數(shù))

本文以擬南芥的基因組為例來測試一下這個軟件

一埠偿、軟件安裝

要想保證軟件能夠順利的安裝缚柳，需要先安裝如下這幾個軟件, 好消息是這些軟件都可以通過bioconda解決

makeblastdb, blastn, blastx
cd-hit-est
hmmserch
RepeatMasker

然后從GitHub上下載軟件

cd ~/opt/biosoft
git clone https://github.com/oushujun/LTR_retriever.git

進入LTR_retriever文件下修改paths文件桶雀，提供每個軟件所在的文件路徑，下面是我的配置，你需要按照實際所在路徑來設(shè)置

BLAST+=/home/xuzhougeng/opt/biosoft/ncbi-blast-2.7.1+/bin/
RepeatMasker=/home/xuzhougeng/opt/biosoft/RepeatMasker/
HMMER=/home/xuzhougeng/opt/anaconda2/envs/maker/bin/
CDHIT=/home/xuzhougeng/opt/anaconda2/envs/assembly/bin/

此外碳锈，你還需要安裝GenomeTools或者LTR_FINDER，或者MGEScan_LTR才能提取出LTR序列，我這里下載的是LTR_FINDER

cd ~/opt/biosoft
git clone https://github.com/xzhub/LTR_Finder.git
cd LTR_Finder/source/
make

二、軟件使用

第一步讓我們用LTR_FINDER找到基因組的LTR序列

~/opt/biosoft/LTR_Finder/source/ltr_finder -D 20000 -d 1000 -L 700 -l 100 -p 20 -C -M 0.9 Athaliana.fa >Athaliana.finder.scn

-D表示5'和3'LTR之間的最大距離识窿；
-d表示5'和3'LTR之間的最小距離；
-L表示5'和3'LTR序列的最大長度脑融；
-l表示5'和3'LTR序列的最小長度喻频；
-p表示完全匹配配對的最小長度；
-C表示檢測中心粒(centriole)刪除高度重復(fù)區(qū)域肘迎；
-M表示最小的LTR相似度甥温。
如果不怎么該怎么設(shè)置就用默認值。

第二步運行LTR_retriever根據(jù)LTR_FINDER的輸出識別LTR-RT妓布，生成非冗余LTR-RT文庫姻蚓，可用于基因組注釋

~/opt/biosoft/LTR_retriever/LTR_retriever -threads 4 -genome Athaliana.fa -infinder Athaliana.finder.scn

這里的-infinder表示輸入來自于LTR_FINDER，它支持同時輸入LTRharvest的輸出(-inharvest)和 MGEScan-LTR 的輸出(-inmgescan). 嫌速度太慢匣沼，可以用-threads增加線程數(shù)

這一步會調(diào)用RepeatMasker狰挡，而RepeatMasker要求序列ID長度不大于50個字符，所以請在第一步的時候請先對ID進行修改释涛。

第三步計算LAI加叁。如果前面找到LTR序列太少，低于5%唇撬，這一步程序就會報錯它匕，那么你就需要調(diào)整第一步參數(shù)，可能是太嚴格了局荚。

/opt/biosoft/LTR_retriever/LAI -t 10 -genome Athaliana.fa -intact Athaliana.fa.pass.list -all Athaliana.fa.out

這里最后的結(jié)果文件為Athaliana.fa.out.LAI超凳，第二行就是總體信息，其中RAW_LAI是12.88耀态， LAI是14.47

Chr From To Intact Total raw_LAI LAI
whole_genome 1 119667750 0.0079 0.0612 12.88 14.47

得到的LAI值按照如下評估標準進行分類：

Category	LAI	Examples
Draft	0 ≤ LAI < 10	Apple (v1.0), Cacao (v1.0)
Reference	10 ≤ LAI < 20	Arabidopsis (TAIR10), Grape (12X)
Gold	20 ≤ LAI	Rice (MSUv7), Maize (B73 v4)

和例子一樣轮傍，TAIR10是中等水平。

參考文獻：

Ou S. and Jiang N. (2018). LTR_retriever: A Highly Accurate and Sensitive Program for Identification of Long Terminal Repeat Retrotransposons. Plant Physiol. 176(2): 1410-1422.
Ou S., Chen J. and Jiang N. (2018). Assessing genome assembly quality using the LTR Assembly Index (LAI). Nucleic Acids Res. gky730: https://doi.org/10.1093/nar/gky730

基因組質(zhì)量評估 | LAI

基因組質(zhì)量評估 | LAI

一埠偿、軟件安裝

二、軟件使用