北京時間12月10日0時，《自然—方法學(xué)》在線發(fā)表了第一個能夠跟上基因組測序產(chǎn)生速度的組裝算法,。

　　　　

這篇論文只有兩位作者,，他們是中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)基因組研究所阮玨博士,，與美國哈佛大學(xué)醫(yī)學(xué)院李恒博士,。

　　　　

該新的第三代測序數(shù)據(jù)組裝算法,，被他們稱為Wtdbg,。

 

 

 

 

十年前,，Illumina基因組測序技術(shù)進(jìn)入市場時，前所未有的龐大數(shù)據(jù)量,，淘汰了較早開發(fā)的測序分析工具,。

 

歷史總是重演。

 

如今,，第三代測序技術(shù),，已經(jīng)達(dá)到低成本群體測序規(guī)模的臨界點(diǎn)。

 

 

 

　　　　三代測序的尷尬

 

20年前,，破譯人類遺傳密碼還是極具挑戰(zhàn)的大科學(xué)工程,。

 

當(dāng)時，人類基因組測序計劃,，與曼哈頓原子彈計劃,、阿波羅計劃，并稱為三大科學(xué)計劃,。

 

如今,，完成一個人的全基因組測序，已經(jīng)是普通實(shí)驗(yàn)室,、甚至家庭都可以負(fù)擔(dān)起費(fèi)用的“平?！笔虑椤?/span>

 

用第三代測序技術(shù)完成個體全基因組測序僅需一天時間,，費(fèi)用也已經(jīng)低于5萬元,。

 

2011年，PacBio公司正式宣布三代單分子測序開始商業(yè)化,。

 

相比于二代測序每個序列的幾百堿基對測序讀長,，三代測序的平均讀長達(dá)到了幾萬堿基對，最長可以達(dá)到數(shù)百萬堿基對,。

 

西北工業(yè)大學(xué)生態(tài)環(huán)境學(xué)院教授邱強(qiáng)告訴《中國科學(xué)報》,，這一技術(shù)出現(xiàn)時，科研人員期待利用它填補(bǔ)基因組序列中高重復(fù)高雜合的區(qū)域,，挑戰(zhàn)高難度的基因組,。

 

然而，人們迅速發(fā)現(xiàn),，這一新技術(shù)的普及和應(yīng)用遇到了很大的困難,。

 

“這主要由兩個原因所導(dǎo)致,。第一，三代測序的成本在初期要遠(yuǎn)高于二代測序,；第二,，由于三代測序錯誤率較高，此前用于第二代基因組測序的組裝方法紛紛失效,，缺乏有效率的組裝工具,，特別是PacBio官方推出的falcon方法，消耗資源極多,?！?/span>

 

邱強(qiáng)介紹，數(shù)年后,，Ont公司推出納米孔測序技術(shù),，市場競爭逐漸拉低了第三代測序的成本。

 

在基因組組裝方面,，盡管已經(jīng)出現(xiàn)了canu,、marvel等多個組裝軟件，“但組裝仍然是一個十分費(fèi)時費(fèi)力的過程,，一個哺乳動物基因組的組裝時間要以數(shù)周來計算”,。

 

以人類基因組組裝為例，在2014年需要消耗50萬個CPU小時,，只能在超大計算機(jī)集群上進(jìn)行,。

 

“這種情況下，同時對大量個體進(jìn)行組裝分析是難以想象的,?！钡F(xiàn)實(shí)是，“以全基因組組裝方式對群體進(jìn)行測序分析,，已經(jīng)成為生物醫(yī)學(xué)研究的趨勢”,，阮玨說。

 

 

　　　　首次：數(shù)據(jù)分析比數(shù)據(jù)產(chǎn)生更快

 

 

 

“wtdbg和即將推出的工具,，可能會從根本上改變當(dāng)前測序數(shù)據(jù)分析的實(shí)踐,。”阮玨說,。

 

此前,，“數(shù)據(jù)產(chǎn)出速度遠(yuǎn)高于數(shù)據(jù)分析速度?！?/span>

 

因此,，近年來，生物信息學(xué)領(lǐng)域的科學(xué)家群體致力于改變這種尷尬狀況，不斷開發(fā)出更高效的組裝分析算法,。

 

例如,，繼falcon、canu等算法之后,，2019年4月,，美國加利福尼亞大學(xué)圣地亞哥分校NIH計算質(zhì)譜中心主任Pavel A. Pevzner在《自然—生物技術(shù)》上發(fā)表了Flye算法，其速度遠(yuǎn)高于falcon,、canu,。

 

阮玨和李恒正式發(fā)表的第三代測序數(shù)據(jù)組裝算法wtdbg,，比之Flye算法,，分析速度提升了5倍，也首次讓數(shù)據(jù)分析時間少于數(shù)據(jù)產(chǎn)出時間,。

 

西北工業(yè)大學(xué)生態(tài)環(huán)境學(xué)院的科學(xué)家,，已經(jīng)用wtdbg組裝了十多個哺乳動物基因組。

 

西北工業(yè)大學(xué)教授陳壘說：“我們用過falcon和canu等組裝方法,，相比較而言,，wtdbg組裝運(yùn)算時間最快，占用資源少,，能節(jié)省大量時間,。組裝出的基因組連續(xù)性很高，組裝質(zhì)量均符合現(xiàn)在主流的基因組評估,?！?/span>

 

特別是，對超大型基因組的組裝,，wtdbg應(yīng)該是目前為數(shù)不多的可以高效使用的組裝軟件,。

 

“對于人類基因組數(shù)據(jù)，wtdbg比已發(fā)布的工具快幾十倍,，同時實(shí)現(xiàn)了相當(dāng)?shù)倪B續(xù)性和準(zhǔn)確性,。它代表了算法上的重大進(jìn)步，并為將來群體規(guī)模的組裝分析鋪平道路,?！比瞰k說。

 

 

　　　　模糊布魯因圖問世

　　　　

 

上世紀(jì)90年代,，Pavel A. Pevzner將德布魯因圖（de BruijnGraph,，德布魯因圖是一個展示符號序列之間重疊關(guān)系的有方向的圖）引入了基因組組裝領(lǐng)域。

 

阮玨介紹,，由于第二代測序錯誤率低,，大部分短串（k-mer）是正確的，相同的短串間可以利用德布魯因圖的原理合并起來構(gòu)成組裝圖,。

 

但三代測序數(shù)據(jù)的錯誤率非常高,，如果還是使用短串k-mer的話,，大部分短串帶有測序錯誤，不可以合并起來,。

 

因此,，德布魯因圖從未成功應(yīng)用在第三代測序數(shù)據(jù)。

 

突破性的方法基于突破性的理論基礎(chǔ),。

 

2013年開始,，阮玨和李恒著手解決三代測序組裝的問題，分別開發(fā)的SMARTdenovo和Miniasm在領(lǐng)域內(nèi)均有較好的表現(xiàn),。

 

隨后在德布魯因圖基礎(chǔ)上,，設(shè)計出一個新的組裝圖理論——模糊布魯因圖（Fuzzy Bruijn Graph）。

 

他們重新定義了“短串”,，將測序數(shù)據(jù)切分為固定長度的新型短串k-bin,，k-bin比k-mer的長度更長。

 

“新設(shè)計的模糊布魯因圖能夠容忍高噪音數(shù)據(jù),，并隨后對生成組裝圖與恢復(fù)基因組序列做了大量相應(yīng)的重構(gòu),，使其兼具高效率和高容錯的優(yōu)點(diǎn)?！比瞰k說,。

 

“一般軟件組裝第三代測序數(shù)據(jù)的思路是，先對測序數(shù)據(jù)進(jìn)行比對糾錯,，再進(jìn)行基因組序列的構(gòu)建,。”邱強(qiáng)說,，wtdbg則直接進(jìn)行基因組組裝,，避免了需要提前糾錯的耗時步驟，直接得到一個相對可靠的組裝結(jié)果,。

 

組裝費(fèi)時費(fèi)力這一問題的真正改善,，正是由阮玨和李恒所研發(fā)的wtdbg算法開始。

 

課題組中,，wtdbg算法得到了廣泛使用,，極大提高工作效率。

 

不僅如此,，他們還與阮玨進(jìn)行了深入溝通,，對超大基因組組裝進(jìn)行了優(yōu)化，“我們得以獲取基因組大小40G左右的高質(zhì)量基因組序列”,。

 

 

 

　　　　公眾參與下的技術(shù)改進(jìn)

 

2016年,，為了讓基因組測序領(lǐng)域可以及時使用新技術(shù)，阮玨和李恒將wtdbg研究成果對所有人免費(fèi)開放使用。

 

3年來,，wtdbg不僅被幾十篇學(xué)術(shù)論文引用,，還被國內(nèi)多家基因組測序分析公司作為主要組裝分析工具，并且在2019年世界大學(xué)生超算競賽中做為性能測試賽題,。

 

“我們通過郵件,、GitHub網(wǎng)站等方式收到大量反饋，這些反饋不僅幫助我們修訂算法軟件中的漏洞,，還給我們帶來新的想法和思路,。換個角度來講，現(xiàn)在發(fā)表的論文已經(jīng)經(jīng)歷了3年多的‘公眾審稿’,，感謝多年來參與和關(guān)注wtdbg開發(fā)的同行,。”阮玨說,。

 

邱強(qiáng)認(rèn)為,，wtdbg算法不僅相對于更早的falcon、canu等算法具有效率和準(zhǔn)確性的優(yōu)勢,，相比此后出現(xiàn)的flye等組裝算法也具有更好的可靠性?！?/span>

 

這一研究成果代表我國在基因組算法領(lǐng)域具有不輸于國際甚至引領(lǐng)國際的實(shí)力,，也代表了我國科技發(fā)展的軟實(shí)力”。

 

現(xiàn)在,，科學(xué)家們可以使用全基因組組裝的方式,，對大群體開展研究了。

 

論文信息：

http://doi.org/10.1038/s41592-019-0669-3