合作文章｜基于ALLHiC算法组装染色体水平同源多倍体单体型基因组

2019年8月5日，福建农林大学基因组中心张兴坦副教授和唐海宝教授研究组在Nature Plants杂志在线发表题为“Assembly of allele-aware, chromosomal-scale autopolyploid genomes based on Hi-C data”的研究论文，该研究利用ALLHi-C算法解决了同源多倍体基因组组装的技术难题，成功完成了同源四倍体和同源八倍体甘蔗染色体组装，安诺基因作为合作单位有幸参与了该项目的研究工作。

研究背景

同源多倍体在植物中较为常见，一般是由于相同的两套或多套基因组经过加倍形成的，有重要的遗传育种和农业生产价值。然而除了已发表的甘蔗割手密基因组[1]外，染色体级别的同源多倍体基因组很少被破译出来。目前Hi-C技术越来越多的应用于辅助染色体水平二倍体基因组组装，但是对于同源多倍体和近期加倍的异源多倍体来说，其同源染色体之间的Hi-C交联信号会将序列相似的等位基因片段连接在一起，导致同源染色体被错误地连接到一起，形成大量嵌合的组装，所以其组装仍存在较大困难。本研究中研究者利用ALLHi-C算法突破了同源多倍体染色体组装的技术困境，取得了开拓性的进展。

材料选择

同源四倍体甘蔗AP85-441，同源八倍体甘蔗Molokai-6081

研究结果

ALLHiC算法和验证数据集概述

ALLHiC算法包括pruning，partition，rescue，optimization，building5个步骤，通过修剪同源染色体之间的交联信号，将等位基因和同源序列分隔在各自的单倍型内独立组装，从而减少了大量拼接错误，通过优化算法改进了contig的排序和定向，尤其是连续性较低的contig，成功解决了染色体水平同源多倍体组装困难的问题。

文章通过“合成的”或者真实的基因组数据集验证了ALLHiC算法的可行性。通过将两个栽培稻亚种Oryza sativa spp.japonica和O.sativa indica组合构建出合成基因组，再将染色体分成不同的contig组合，进行了一系列模拟，与真实基因组序列对比，有效验证了ALLHiC算法的适用性。影响ALLHiC组装scaffold的因素包括contig N50，嵌合区和冲突区占比以及序列多样性。

Fig.1 ALLHiC算法流程和功能模块[2]

应用ALLHiC算法组装同源四倍体甘蔗基因组

甘蔗AP85-441是通过Saccharum spontaneum花药培育的同源四倍体（1n = 4x = 32），其基因组已发表，共32条染色体，8套同源染色体，每套染色体有4个单倍型，组装出基因组大小为3.13 Gb，congtig N50为45 kb，文章以Chr4同源染色体组为例说明了ALLHiC算法在组装染色体水平同源四倍体甘蔗基因组中的应用。

基于BLAST方法将预测的甘蔗AP85蛋白与高粱基因组比对来鉴定其等位基因contig，共8,107个注释蛋白被鉴定为2,993个等位基因contig，4,167个非冗余contig，共11,292,703条in situ Hi-C reads比对到等位基因contig上。通过修剪同源染色体Hi-C交联信号，将等位基因contig分区，优化算法进行准确排序和定向后成功组装出了相应的scaffolds。文章验证了所有scaffolds都保持了高粱和甘蔗基因组之间的高共线性，说明二者分歧时间较短，与先前遗传图谱研究结果一致。最终90.93%（3,789 / 4,167）的等位基因contig聚类组装成一组4个单倍型的同源染色体，占总contig长度的94.47％（183.85 / 194.61 Mb）。Hi-C热图显示每个同源染色体与其他染色体间没有强相互作用。以上证明运用ALLHiC算法能成功组装出染色体水平同源四倍体甘蔗基因组。

Fig.2 ALLHiC算法组装同源四倍体甘蔗基因组S. spontaneum AP85-441的scaffolds[2]

应用ALLHiC算法组装同源八倍体甘蔗基因组

甘蔗Molokai-6081是Saccharum robustum（2n=60-170）的同源八倍体，Molokai基因组内的某些染色体组可能会出现非整倍性，以Chr5同源染色体组为例，运用ALLHiC算法，生成了16个super-scaffolds，进一步研究它们之间的信号密度，重新聚类成9个super-groups，优化后进行排序定向，最终共12,077个contig，98.65％的序列锚定在Chr5，染色体长度为46-98Mb，证明ALLHiC算法可应用于组装染色体水平同源八倍体甘蔗基因组。

ALLHiC算法在异源多倍体和高杂合二倍体基因组scaffold构建中的应用

异源四倍体栽培花生（Arachis hypogaea L.）基因组由两个亚基因组组成，可能源于二倍体Arachis duranensis（AA）和Arachis ipaensis（BB）杂交形成。这两个亚基因组的分歧时间非常短。100X PacBio测序数据组装花生基因组大小为2.54 Gb，contig N50为1.51 Mb，将100X Hi-C reads比对到花生基因组contig，使用ALLHiC算法组装出scaffolds与公布的花生基因组一致性高达83.05％。除此之外，将最近发表的水稻Nipponbare和93-11构建成高杂合二倍体基因组，也显示出ALLHiC算法广泛的适用性。

文章总结

ALLHiC算法一方面通过修剪Hi-C平行信号和弱信号进行等位基因分型，减少了同源染色体间的嵌合连接，另一方面通过遗传算法随机优化，极大地提高了短序列的排序和定向准确性。ALLHiC算法使多种重要多倍体基因组直接从头组装成为可能，还可用于修复已公布的多倍体物种基因组组装序列中的错误。ALLHiC算法除了适用于同源多倍体染色体组装外，同样适用于不同复杂度的基因组，包括简单的二倍体基因组、高杂合基因组和异源多倍体基因组，极大地推动了基因组领域的研究发展。

自2017年推出三代测序服务以来，尊龙凯时人生就是博先后引进了10台PacBio Sequel和4台Sequel II测序仪，产品服务类型涵盖三代基因组组装、人重测序、动植物重测序、全长转录组测序等；累计完成三代项目超800+，其中组装经验涉及中草药、林木、农作物、海洋生物、哺乳动物、昆虫和人等，并发表多篇合作文章。尊龙凯时人生就是博致力于打造专属于中国人群特有的二代+三代基因组数据库和重要农业种质资源基因库，共同推动三代测序在医学基础研究、临床转化研究和农业分子育种等领域的深度应用。

参考文献

[1] Zhang J, Zhang X, Tang H, et al. Allele-defined genome of the autopolyploid sugarcane Saccharum spontaneum L[J]. Nature Genetics. 2018.08.

[2] Zhang X, Zhang S, Zhao Q, et al. Assembly of allele-aware, chromosomal-scale autopolyploid genomes based on Hi-C data[J]. Nature Plants. 2019.08.

感兴趣的其他文章

年中喜报|安诺三代测序助力微拟球藻基因组发布~

岁末再添新禧|Hi-C辅助组装项目合作文章见刊Nature Communications

安诺Hi-C辅助组装合作文章再登Nature Communications

文案：产品经理李园园