1)背景
组装:短的reads通过overlap来组装成contig
局限性:repeat 大于overlap导致ambiguous reconstructions and fragment the assembly
两个策略:increasing the effective read length(增加reads长度), and separating nonexact repeats based on copy-specific variants(通过特定的copy-变异分离repeats)
进展及缺点:单分子测序读长长>10kb,有助于组装,但是精度(错误率高)不行,因而需要灵敏的比对方法,这限制了对不同等位基因和非精确重复的识别。但是,pcbio smart 展示出了unbiased and random error model(非偏移及随机错误)。单分子测序的读取长度和较高的错误率的增加,对原本设计用于更短、更准确读取的基因组组装程序构成了挑战。为了解决这个问题,开发了几种新方法,大致分为混合方法( Hybrid methods)、分层方法(Hierarchical methods)或直接方法(direct methods)。
Hybrid methods(混合方法,二加三): 利用单分子reads构建基因组的长结构(long-range structure),利用短的精确的短reads提高准确度。
Hierarchical methods(分层方法):该技术不需要二代技术, instead use multiple rounds of read overlapping (alignment) and correction to improve the quality of the single-molecule reads prior to assembly。
direct methods(直接方法):最后,直接方法尝试从单个重叠步骤组装单个分子读数据,而不需要事先进行任何校正
这三种方法都可以组装出一个好的assembly,但是现在的目标是需要装出完整的entire genomes,这个只关注Hierarchical methods(分层方法),因为它生产了迄今为止最连续的从头组装。
2、结果
Canu是一种新的单分子组装软件,它改进并取代了目前不支持的Celera软件。最近,我们引入了MinHash比对过程(MHAP)来克服重叠噪声(overlapping noisy)、单分子测序读取的计算瓶颈。并与PBcR和Celera Assembler整合,仅用PacBio数据便展示了接近完整的真核细胞组装体
特点:
1) 将我们的方法集成到一个单一的、全面的汇编程序中;
2)支持PacBio和Oxford纳米孔数据
3)降低运行时和深度要求
4)改善重复和单倍体分离
具体:
1) as little as 20× single-molecule coverage
2) 在更高的覆盖率下,可以进行参照质量的从头组装(reference-quality de novo assemblies),包括从完全PacBio或纳米孔测序中完整组装单色染色体
3)Canu改进的图构造算法(graph construction algorithm)基于reads误差的统计模型分离出密切相关的重复序列和等位基因,这对今后二倍体、多倍体和宏基因组装配的研究具有重要意义
3、canu pipeline
包含三个步骤,correction, trimming, and assembly。每一个模块都可以单独或按顺序运行。当在并行环境中运行时,Canu将自动检测可用资源,并配置自身以最大限度地利用资源。它是目前最有效的单分子组装软件,可用于大基因组,大约需要20,000 CPU hours 组装一个人基因组, 相比之下,FALCON需要60,000 ,Celera Assembler需要250,000。