PacBio Sequel + Hi-C 组装毛白杨 740.2 Mb 基因组：Contig N50 5.47 Mb 实战解析

PacBio Sequel Hi-C 组装毛白杨基因组从数据到染色体的全流程解析在植物基因组学研究领域获得染色体级别的高质量基因组组装一直是科学家们追求的目标。毛白杨Populus tomentosa Carr.作为亚洲地区广泛分布的杂交树种其基因组组装对理解杨树进化历史和杂交物种形成机制具有重要意义。本文将详细解析如何利用PacBio Sequel长读长测序技术结合Hi-C染色体构象捕获完成毛白杨740.2 Mb基因组的高质量组装最终获得Contig N50 5.47 Mb的染色体级别基因组。1. 实验设计与样本准备基因组组装的质量很大程度上取决于起始样本的选择和准备。在毛白杨基因组项目中研究团队选择了雄性克隆LM50的花药再生植株GM15作为测序材料。这一选择基于几个关键考虑倍性稳定性通过流式细胞术和染色体计数确认GM15保持二倍体状态2n2x38与其亲本LM50一致基因型一致性使用19个分布于不同染色体的等位基因特异性标记验证GM15与LM50基因型完全相同基因组大小估计k-mer分析显示两者基因组大小均为约800 Mb符合二倍体杨树的预期样本准备阶段的关键质量控制点包括DNA提取质量检测琼脂糖凝胶电泳评估完整性NanoDrop测定浓度和纯度A260/280比值文库构建策略PacBio Sequel20 kb大片段文库Illumina300-500 bp短插入文库Hi-C染色体构象捕获文库提示对于植物基因组测序建议至少准备50 μg高质量DNA用于PacBio测序以满足多SMRT cell测序的需求。2. 测序数据生产与质控毛白杨基因组项目采用了多平台测序策略结合不同技术的优势测序平台数据类型数据量覆盖度主要用途PacBio Sequel长读长54 Gb~70×初步组装Illumina HiSeq X Ten短读长-~100×校正和打磨Hi-C染色体构象65 Gb~80×染色体锚定PacBio数据质控要点过滤掉小于1 kb的subreads检查平均读长和N50读长评估聚合酶读长Polymerase Read质量Hi-C数据特殊处理使用Juicer进行数据映射时设置映射质量阈值40仅保留有效的互作读对用于后续分析实际测序数据产出示例# PacBio数据统计示例 Total_bases: 54,000,000,000 Number_of_subreads: 6,240,000 Average_subread_length: 8,650 bp N50_subread_length: 12,400 bp # Hi-C数据统计示例 Total_read_pairs: 430,000,000 Valid_interaction_pairs: 380,000,000 (88.4%)3. 基因组组装流程详解毛白杨基因组的组装采用了分阶段策略逐步提升组装质量和连续性。3.1 基于CANU的初步组装使用CANU v1.5进行初步组装的关键参数配置canu \ -p potom -d potom_assembly \ genomeSize800m \ -pacbio-raw all_subreads.fasta \ correctedErrorRate0.045 \ minReadLength2000 \ minOverlapLength1000参数优化要点对于~800 Mb基因组建议设置genomeSize略小于估计值此处用800mcorrectedErrorRate根据PacBio数据质量调整通常0.04-0.05增加minReadLength和minOverlapLength可提高组装连续性初步组装结果指标Contig N503.2 Mb最长contig7.8 Mb总组装大小742 Mb3.2 使用Hi-C数据进行染色体锚定染色体构象捕获数据的处理流程Juicer管道处理juicer.sh -z references/potom_genome.fa -p restrictionsites/potom.chrom.sizes \ -y restrictionsites/potom_DpnII.txt -d /path/to/fastq \ -D /path/to/juicer -t 323D-DNA染色体组装3d-dna-run.sh -m haploid -t 5000 -s 2 \ -r 2 potom_assembly.fasta merged_nodups.txt关键步骤说明-m haploid虽然毛白杨是二倍体但初步组装未区分单倍型-t 5000设置最小contig大小为5 Mb参与染色体构建-s 2控制scaffolding的严格度3.3 组装打磨与校正获得染色体级别组装后需要进行多轮打磨提升碱基准确性PacBio Arrow打磨pbindex potom_assembly.fasta arrow -j 32 -r potom_assembly.fasta -o polished.fasta \ -o variants.gff all_subreads.fastaIllumina Pilon校正bwa index potom_assembly.fasta bwa mem -t 32 potom_assembly.fasta illumina_R1.fq illumina_R2.fq | \ samtools sort - 4 -o aligned.bam samtools index aligned.bam java -Xmx128G -jar pilon-1.22.jar --genome potom_assembly.fasta \ --frags aligned.bam --output potom_pilon --changes打磨轮次建议PacBio Arrow至少3轮Illumina Pilon3-5轮直到改进0.01%4. 组装质量评估与注释完成组装后需要全面评估基因组质量并进行功能注释。4.1 质量评估指标毛白杨740.2 Mb最终组装的各项指标评估指标结果值评估标准Contig N505.47 Mb1 Mb为优秀Scaffold N5046.68 Mb10 Mb为优秀BUSCO完整性96.5%90%为完整Illumina映射率99.45%95%为佳PacBio映射率99.76%95%为佳RNA-seq映射率97.8%90%为佳4.2 重复序列注释使用RepeatModeler和RepeatMasker进行重复序列鉴定# 构建重复序列库 RepeatModeler -database potom -LTRStruct -pa 32 # 基因组重复序列屏蔽 RepeatMasker -lib potom-families.fa -dir repeats \ -pa 32 -xsmall -gff potom_assembly.fasta毛白杨重复序列组成总重复序列41.6%基因组LTR反转座子17.5%Gypsy 13.3%Copia 4.0%DNA转座子5.4%未知重复9.8%4.3 基因预测与注释采用证据驱动和从头预测结合的策略证据准备RNA-seq转录本组装StringTie同源蛋白序列比对MAKER2注释流程maker -CTL # 生成控制文件 maker -base potom -dsindex -cpus 32基因注释结果统计蛋白编码基因59,124个平均基因长度3,398 bp平均外显子数5.79个tRNA基因662个rRNA基因436个5. 比较基因组学分析通过与其他杨树基因组的比较揭示毛白杨的进化特征。5.1 系统发育分析使用5345个单拷贝同源基因构建系统发育树关键发现毛白杨由两个亚基因组组成亚基因组A源自P. alba var. pyramidalis父本亚基因组D源自P. adenopoda母本杂交发生时间约393万年前5.2 结构变异分析鉴定出15,480个结构变异SV插入INS6,654缺失DEL6,231倒位INV1,602易位TRANS694拷贝数变异CNV299SV的基因组分布特征INS和DEL主要分布在端粒区域INV在Chr01上富集TRANS分布稀疏且随机5.3 基因家族分析毛白杨特有基因家族总数1,154个家族2,038个基因富集功能疾病抗性、碳水化合物代谢与其他杨树共有的核心基因家族14,738个家族119,375个基因涉及基本代谢和发育过程6. 技术要点与经验总结基于毛白杨基因组组装项目我们总结了以下关键技术经验长读长测序深度建议PacBio覆盖度≥70×搭配≥100× Illumina数据用于校正Hi-C实验优化细胞核提取质量直接影响互作数据质量建议≥80×测序深度用于染色体锚定组装策略选择复杂基因组推荐分阶段组装策略先获得高质量contig再进行染色体锚定计算资源规划CANU组装建议≥512GB内存Juicer处理需要高性能I/O系统总CPU时间约10,000 core-hours实际项目中遇到的挑战与解决方案高杂合度通过选择花药再生材料降低杂合度重复序列结合长读长和Hi-C跨越重复区域计算瓶颈分阶段处理大数据优化中间文件存储注意对于类似大小的植物基因组建议预留4-6周完整计算时间并准备足够的存储空间原始数据中间文件可能需要10TB以上。