RagTag实战指南：从Contig到染色体水平组装的同源校正与支架构建

1. RagTag工具概述与安装指南

RagTag是一套专为提升基因组组装质量设计的开源工具包，特别擅长利用近缘物种参考基因组进行同源校正和支架构建。我在多个植物基因组项目中实测发现，它能将N50值提升3-5倍，使contig级别的草图快速升级到染色体水平。这套工具主要包含四个核心模块：

• correct：基于同源比对识别并打断错误组装区域
• scaffold：将contig按参考基因组排序定向
• patch：填补支架序列中的gap区域
• merge：整合不同技术产生的支架结果

安装过程非常简单，推荐使用conda环境管理（实测比pip安装更稳定）：

conda create -n ragtag python=3.8 conda activate ragtag conda install -c bioconda ragtag

安装后建议运行ragtag.py --version验证，我在Ubuntu 20.04和CentOS 7系统测试均能正常运行。常见报错多是缺少依赖库，可通过conda install -c bioconda minimap2 nucmer解决。

2. 同源校正（correct）实战详解

correct模块的工作原理就像基因组的"校对员"，通过比对近缘参考基因组来发现组装错误。它不会新增或删除序列，只会在错误位置进行打断。这里有个实际案例：某水稻品种组装时，correct模块成功识别出一个5.8Mb的倒位错误。

典型运行命令：

ragtag.py correct reference.fa query.fasta -t 32 \ -f 5000 --remove-small \ -o ragtag_correct_out

关键参数解析：

• -f 5000：只信任长度>5kb的唯一比对（降低假阳性）
• --remove-small：过滤短于-f阈值的比对
• -t 32：使用32线程加速（根据服务器配置调整）

输出目录会生成ragtag.correct.fasta和.agp文件。我曾遇到过参考基因组选择不当导致过度打断的情况，建议：

1. 优先选择近缘物种的染色体级别参考
2. 比对率低于70%时考虑更换参考基因组
3. 使用BUSCO评估校正前后完整性变化

3. 支架构建（scaffold）进阶技巧

scaffold模块如同基因组"乐高大师"，将碎片化的contig按参考基因组拼接。其核心算法是通过minimap2比对确定contig的顺序和方向，用100个N连接相邻contig。一个实用技巧是添加-C参数，将无法放置的contig集中到chr0中。

优化后的运行示例：

ragtag.py scaffold reference.fa ragtag_correct_out/ragtag.correct.fasta \ -t 32 -C -u \ --aligner minimap2 \ -o ragtag_scaffold_out

输出文件解读：

• ragtag.scaffold.fasta：最终支架序列
• ragtag.scaffold.agp：记录contig位置关系的标准文件
• ragtag.scaffold.stats：包含placed_sequences等关键指标

当出现大量contig被归入chr0时，可能是以下原因：

1. 参考基因组分歧度过大
2. 存在大量物种特异序列
3. 需要调整-i(最小分组置信度)等参数

4. 序列修补（patch）的隐藏功能

patch模块常被误解为单纯的gap填补工具，其实它有两种工作模式：

1. --fill-only：传统gap填补
2. --join-only：重新定向排序contig

典型应用场景：

ragtag.py patch ragtag_scaffold_out/ragtag.scaffold.fasta \ original_contigs.fasta \ -t 32 --fill-only \ -o ragtag_patch_out

需要注意：

• 该模块运行耗时较长（相比scaffold可能增加10倍时间）
• 对高度重复序列效果有限，可尝试调整-i参数
• 输出文件中的.comps.fasta包含所有组件序列

5. 多技术整合（merge）与结果验证

当同时拥有Hi-C、Bionano等多组学数据时，merge模块能整合不同技术的优势。其输入需要多个AGP文件：

ragtag.py merge final_assembly.fasta \ hic_scaffold.agp bionano_scaffold.agp \ -o merged_output

质量评估建议流程：

1. 使用seqkit stats统计各阶段序列指标
2. 用BUSCO评估基因完整性
3. 通过Hi-C热图验证三维结构
4. 检查ragtag.scaffold.confidence.txt中的置信度评分

常见问题解决方案：

• 若N50提升不明显，检查参考基因组质量
• 出现序列错位时，尝试调整-d(最大比对合并距离)
• 使用agpcheck验证AGP文件格式

6. 全流程优化建议

根据我处理20+物种基因组的经验，推荐以下最佳实践：

1. 参考基因组选择

   • 近缘物种优先（同属>同科）
   • 染色体级别组装质量
   • 注释信息完整者为佳

2. 参数调优策略

   | 场景 | 推荐参数 | |---------------------|--------------------------| | 高杂合基因组 | -d 50000 -i 0.4 | | 近缘参考 | -f 1000 --mm2-params "-x asm10" | | 含有Hi-C数据 | merge时优先加权Hi-C AGP |

3. 计算资源规划

   • 50Mb基因组建议32线程+64GB内存
   • 1Gb以上基因组需要分布式运行

最后提醒：RagTag虽然强大，但不能替代原始组装质量。我遇到过的最成功案例，是将Canu组装的contig N50从2.1Mb提升到18.6Mb，最终达到染色体水平。建议先使用HiFi或ONT ultra-long reads获取高质量contig，再使用RagTag进行提升。