基因组组装是利用相互重叠或存在其他关联的序列数据片段,重建基因组的过程。由于大多数DNA测序方法读取的是单个分子或分子的一部分,而非整条染色体,因此必须将测序结果整合起来,才能推断出更长的序列。组装结果可以代表一个小型病毒基因组、一条细菌染色体、植物或动物的多条染色体,也可以是从混合生物群落中获得的多个基因组。
组装既指计算过程,也指这一过程产出的序列资源。它建立了一套坐标系统,用于描述基因、调控区域和遗传差异。其可靠性不仅取决于单条测序读段的准确性,还取决于是否正确重建了重复区域、染色体的不同拷贝以及序列之间的远距离关联。现代方法综合运用序列重叠算法、图表示、长分子测序和独立的物理证据;其产物既包括片段化的草图序列,也包括达到染色体尺度、能够区分单倍型的重建结果。
重建目标与组装术语
组装的基本输入是一组读段,即测序仪报告的 脱氧核糖核酸碱基序列。读段是对所采样分子的观测结果,并不保证对应一段无错误的基因组序列。读段中可能存在碱基替换、插入、缺失、残留的接头序列,或来自非目标生物的序列。因此,组装既要推断真实的底层序列,也要判断这些观测结果的来源与可靠性。
**重叠群(contig)**是连续序列(contiguous sequence)的简称,指重建得到的、不含组装缺口的一段序列。**支架(scaffold)**利用额外的连接证据,确定重叠群的顺序和方向;尚未解析的区间通常用连续的模糊碱基符号 N 表示。因此,染色体尺度的支架可能含有许多缺口,不应将其等同于连续无缺口的染色体序列。反过来,一条完整的细菌染色体可能仅由一个环状重叠群表示。“草图”“染色体级”和“完整”等标签描述的是组装结果的不同维度,需要有相应的质量信息作为支撑。
**从头组装(de novo assembly)**主要依据读段之间的关系重建序列,不以已有基因组作为组织序列的模板。相比之下,参考引导方法利用已有序列,帮助定位读段、排列重叠群,或重建亲缘关系密切的生物的基因组。这些方法并非截然分开,而是构成一个连续谱:从头组装得到的结果,后续也可以借助参考基因组构建支架。参考引导方法可能效率较高,但也可能掩盖真实的重排,或遗漏参考基因组中不存在的序列。仅仅将读段比对到参考基因组并进行变异检测,本身并不构成从头组装。
组装所要呈现的生物学信息同样重要。单倍体组装力求为每个基因座给出一条序列路径,而二倍体生物携带两套可能存在差异的同源染色体。“主组装”通常为大多数区域提供一条代表性路径,这条路径可能交替来自父方和母方,另有一些替代序列单独存储。完全定相的二倍体组装则试图以一致的方式重建两套单倍型。对于具有多倍性的生物,需要区分两个以上的染色体拷贝。
组装也不同于基因组注释;后者是在重建的序列上识别基因、重复元件等特征。连续无缺口的序列,其生物学注释仍可能存在不确定性;而注释完善的基因组草图,在结构上也可能仍不完整。因此,序列版本和注释版本必须分别追踪:组装结果的变化可能改变坐标,使预测基因被拆分或合并,并改变对先前报告的变异的解释。
测序数据与可用于组装的信息
组装数据集所包含的信息取决于读段长度、错误模式、测序深度以及所测分子在基因组中的分布。短读长测序仪通常生成长度约为 100–300 个碱基、准确度很高的读段。双端测序读取同一 DNA 片段的两端,从而提供两端之间的大致间距和相对方向。只有当片段连接了重复序列两侧足够具有辨识度的序列时,这些信息才能跨越该重复序列;拥有大量短读段并不意味着就能解析长重复序列。
长读长技术能够读取长得多的单个分子。Pacific Biosciences 的高保真读段(简称 HiFi 读段)通过对环化分子进行多次读取来推导一致序列,长度通常约为 10–25 千碱基。牛津纳米孔测序通过测量分子穿过纳米孔时产生的电信号来读取序列;读段长度在很大程度上取决于 DNA 制备方式,超长读段数据集中可包含超过 100 千碱基的读段。这些技术的错误特征各不相同,性能也在不断变化。因此,组装软件必须考虑数据集的实际特性,而不能假定所有“长读段”都具有相同的表现。
测序深度,又称覆盖深度,通常表示为
其中, 为读段数, 为读段平均长度, 为用作分母的基因组大小。当读段长度不等时,分子为所有读段长度之和。因此,900 亿个测序碱基相当于对一个 30 亿碱基的单倍体基因组进行约 30 倍覆盖的测序。在二倍体样本中,如果两个同源染色体拷贝的采样量大致相等,那么每个单倍型获得的测序深度约为上述深度的一半。
在独立、均匀随机采样的理想模型下,基因组中某个位点未被任何读段覆盖的概率约为 。实际测序并不符合这一模型,因为碱基组成、重复序列、DNA 损伤、扩增和文库制备都会影响采样。足以在碱基层面生成一致序列的覆盖深度,仍可能不足以支持可靠的单倍型定相或跨越最长的重复序列。增加数据可以减少采样造成的空缺,却无法补充文库从未捕获的长距离信息。
因此,样本制备决定了基因组重建在实践中的局限。高分子量 DNA 能够保留长距离的连接关系,而已片段化或受到化学损伤的 DNA 则不能。聚合酶链式反应可能引入覆盖偏倚和重复读段,而污染则可能向原本干净的数据集中带入完整的外源染色体。线粒体和叶绿体基因组的拷贝数往往远高于核染色体,因此组装软件或下游分析需要区分生物学上的高拷贝数与技术因素造成的过度代表。
图模型与组装算法
组装算法将大量局部序列观测结果整合为全局重建结果。其中一个核心难题是,序列相符并不一定意味着两个读段来自基因组的同一位置:重复序列的相同拷贝可能产生无法区分的读段。因此,组装软件利用图结构保留各种可能的连接,直到序列证据或长距离信息能够支持某条特定的遍历路径。图是对数据的建模,而不是染色体组织方式的直接映像。
重叠—布局—共识方法首先识别序列存在显著重叠的读段,然后确定彼此相容的排列方式,最后计算共识序列。这一框架曾是基于桑格测序进行组装的核心方法,至今仍对长读段组装具有重要影响。对于大型数据集,将每个读段与其他所有读段逐一比较,所需的比较次数多得难以实际执行。现代实现利用序列索引和包括最小化子在内的稀疏序列特征,先筛选出可能存在重叠的读段,再进行计算开销更大的比对。
德布鲁因图则将读段拆分为长度为 的短序列,称为 k-mer。在一种常见表示方式中,顶点是长度为 个碱基的字符串,每个观测到的 -mer 都将其前缀连接到后缀。另一些实现则以 -mer 为顶点。同一短序列的多次观测共用图中的结构,从而能够紧凑地表示规模庞大的短读段数据集。SOAPdenovo 和 Velvet 是采用这一总体策略、具有重要影响的短读段组装软件;SPAdes 则采用多个图构建和优化步骤。
的选择需要权衡。较小的取值能在测序深度有限时仍将读段连接起来,但也会将更多重复序列合并。较大的取值能够区分更多不同的基因组序列背景,却要求读段更长且具有足够的准确度,并可能使低覆盖区域的图发生断裂。测序错误会产生伪分支、短小的死端和替代路径。组装软件根据覆盖度和拓扑结构对这些结构进行修剪,但看似错误的分支也可能代表真实的等位基因或低丰度生物。
字符串图提供了另一种表示方式,通常保留读段间的重叠关系,同时去除冗余连接。与由短序列构建的图相比,字符串图保留的上下文信息丰富得多,因此适用于长读段。Canu、Flye 和 hifiasm 等工具采用不同的策略组合来进行重叠检测、重复序列表示、错误处理和单倍型分离。Flye 侧重于重复图的构建,而 hifiasm 则围绕高准确度长读段和单倍型感知组装开发而成。在实际应用中,各类算法相互交融:现代系统往往结合图简化、统计证据及多种类型的序列数据,而非仅实现某一种教科书式的流程。
重复序列、染色体拷贝与单倍型解析
重复 DNA 是仅凭局部序列信息确定唯一组装结果的主要障碍。重复序列包括串联重复阵列、分散分布的转座元件拷贝、核糖体 DNA 阵列以及大片段重复。如果某段重复序列的长度超过读段或其他可跨越该区域、提供连接信息的分子的长度,多种基因组排列方式就可能与同一组观测结果相符。增加同样长度的短读段数量,并不一定能区分这些可能的排列方式;这种歧义源于信息不足,而不只是计算上的困难。
不同类型的重复序列会导致不同的组装错误。几乎完全相同的分散拷贝可能被合并成一条连续序列,导致表观基因组大小减小,局部读段深度升高。另一种情况是,组装程序可能把重复序列一侧的唯一序列错误地连接到另一侧不对应的唯一序列上,造成结构性错误组装。长串联重复阵列尤其难以处理,因为读段可能揭示重复单元,却无法确定整个阵列的长度。着丝粒既包含大型重复阵列,也存在序列变异;只有当读段足够长且足够准确时,这些变异才可能有助于重建。
同源染色体之间的变异带来了一个相关但不同的挑战。在杂合位点,不同读段会支持不同的碱基,或不同的较长序列。在图结构中,这些差异可以形成分叉后重新汇合的路径,通常称为“气泡”。将所有气泡合并会丢失单倍型信息;而将每条分支都保留为独立的基因组片段,又可能错误地产生重复位点。组装程序必须区分同一位点的不同等位序列与旁系同源拷贝,后者位于基因组中的不同位置。
单倍型定相根据变异所在的染色体拷贝,将变异分组。一条长读段可以直接关联多个杂合位点。亲子三联体分箱利用双亲的序列信息,在组装之前或组装过程中,将子代读段按父本或母本来源归类。Hi-C 接触信息和 Strand-seq 数据可以提供额外的长距离定相证据。当组装出的单倍型错误地从一条同源染色体切换到另一条时,就会发生切换错误;因此,一条序列即使碱基准确率很高,也可能包含大量相位切换错误。
多倍体基因组会引入更多歧义,因为其中可能同时存在多条亲缘关系密切的同源染色体或部分同源染色体。例如,普通小麦具有三个彼此相关的亚基因组,其体细胞含有六套染色体。可靠的组装可能既需要区分各个亚基因组,也需要区分每个亚基因组内的等位序列。低杂合度可能使同源染色体难以分离,而高杂合度则可能导致未定相的组装结果出现过多重复。因此,生物学背景决定了相似序列应当被合并、表示为备选单倍型,还是作为不同的基因组拷贝保留。
支架构建、缺口填补与序列校正
即使局部序列正确,重叠群也不一定能覆盖整条染色体。支架构建通过补充信息,确定不同重叠群之间的关系。配对读段、长读段、物理图谱和染色体接触测量各自提供不同类型的证据。支架中的连接是这些观测结果支持的推断,并不等同于直接观测到了连接处之间的每一个碱基。因此,组装流程会区分重叠群的排序与定向,以及实际的缺口填补。
高通量染色体构象捕获是一种染色体构象研究方法,可捕获细胞核内空间位置相近的 DNA 片段之间的接触。将这些接触信息映射到重叠群后,其模式通常可用于支持将序列归入不同染色体,并确定它们可能的排列顺序。沿同一条染色体,接触频率通常随基因组距离的增加而降低,但这种关系会受到细胞核三维空间组织的影响。着丝粒、同源染色体及其他相互作用区域可能产生误导性的连接。因此,利用 Hi-C 构建支架需要借助模型并进行检查,不能简单地认定频繁接触就证明彼此相邻。
光学图谱技术通过有序的标记模式,为长 DNA 分子提供独立的描述。可以将组装序列转换为预测的标记图谱,再与实验观测到的分子进行比较。两者一致可为大尺度结构提供支持;不一致则可能揭示倒位、错误连接或序列缺失。遗传连锁图谱根据家系或作图群体中的重组频率,提供另一种排序依据。这类图谱对于将支架归属到染色体尤其有价值,但由于重组分布不均,其物理分辨率差异很大。
缺口填补旨在用有证据支持的序列替代未知区段。长读段可以跨越缺口两侧的重叠群,揭示中间的 DNA 序列;局部重组装则可利用筛选出的部分读段解析难以处理的区域。即便能根据连接数据推断支架缺口的大致长度,这样的缺口仍不同于已完成测序的区段。端粒到端粒重建还要求获得从染色体一端到另一端连续无中断的序列,其中也包括常规支架构建可能仅仅跨过的重复区域。
序列校正通过将现有组装与支持它的读段进行比较,修正其中的错误。它通常借助迭代比对和一致序列估计,修正碱基替换以及小片段插入或缺失。但序列校正并非总有益处:重复区域中存在歧义的比对可能用另一个拷贝的序列覆盖原本正确的拷贝,而不加区分地使用短读段进行校正,也可能降低准确的长读段组装的质量。结构校正、碱基校正和单倍型校正是不同的操作。明确区分它们至关重要,因为染色体尺度的组装结果可能存在结构错误,而结构正确的重叠群仍可能包含局部一致序列错误。
衡量完整性、准确性和生物学一致性
组装质量包含几个相互独立的维度:连续性、碱基准确性、结构正确性、完整性、污染程度和单倍型定相情况。没有任何单一评分能够衡量所有这些方面。长重叠群只有在连接正确时才有价值,而一套看似完整的基因也不能证明重复序列或调控性 DNA 已被完整组装出来。因此,质量评估需要将基于序列的统计指标与有关基因组结构及预期生物学组成的独立证据结合起来。
N50 是一种广泛使用的连续性统计指标。将重叠群按长度从长到短排序,依次累加其长度,直到达到组装总长度的至少一半;此时对应重叠群的长度就是 N50。例如,三个重叠群的长度分别为 8、4 和 3 兆碱基,总长度为 15 兆碱基,N50 则为 8 兆碱基。NG50 使用独立估算的基因组大小作为分母,而非组装本身的总长度。错误连接可能使这两个指标虚高;即使仍有大量序列未解析,支架序列的 N50 也可能很大。
共有序列准确性通常采用类似 Phred 的质量评分来表示:
其中, 是估计的单碱基错误概率。QV40 对应的错误概率为 ,即大约每 10,000 个碱基出现一个错误。这类估算取决于评估方法。将组装序列中的 k-mer 与高质量读段中的 k-mer 进行比较,例如 Merqury 所采用的方法,可以估算准确性和完整性,而无须将另一个已组装基因组视为不容置疑的真值。不过,测序偏倚以及所采样单倍型之间的差异都可能影响结果。
BUSCO 于 2015 年推出,通过适用于特定谱系的一组近乎普遍存在的单拷贝直系同源基因,评估这些基因在组装中的恢复情况。它将预期存在的基因分为完整且单拷贝、完整但有重复、片段化或缺失。这一指标有助于衡量基因区域的完整性,但不能直接估计整个基因组的完整性。重复可能源于未合并的单倍型、真实的基因重复、污染,或评估模型本身。同样,基因缺失可能意味着组装存在缺口、生物学特征不寻常,或基因检测方法存在局限。
结构验证利用读段比对、接触图、物理图谱以及与近缘物种基因组的比较。QUAST 提供组装统计和基于参考序列的分析,包括检测疑似错误组装;但与所选参考基因组之间的真实差异,也可能看起来像是错误。污染筛查综合考察分类学匹配结果、碱基组成和读段覆盖深度。可信的评估应报告各项指标背后的证据,并认识到:如果使用同一批读段构建组装并判断其正确性,就存在循环验证的风险。
混合群落与非常规生物样本
在宏基因组学中,测序读段来自多种生物,而非单个分离出的基因组。组装问题因此转变为对丰度不同、序列相互重叠的多个种群进行重建。优势细菌的测序覆盖深度可能比稀有生物高出数百倍,而亲缘关系密切的菌株又可能共享大部分序列。因此,组装图中的分支可能代表测序错误、菌株变异、重复序列拷贝或不同物种,而且往往同时涉及其中多种情况。
MEGAHIT 和 metaSPAdes 等宏基因组组装工具采用了适应不均匀测序深度和复杂图结构的策略。它们生成的重叠群通常通过宏基因组分箱归入不同的候选基因组。分箱利用的特征包括序列组成、多个样本中的测序深度、标记基因和分类学相似性。由此得到的宏基因组组装基因组(MAG)是计算重建的结果,不一定对应某个实际观测到的单细胞的完整基因组。一个分箱可能遗漏可移动遗传元件,也可能包含来自不止一种生物的序列。
亲缘关系密切的菌株尤其难以区分。如果大多数读段为多个菌株所共有,只有少数区域存在差异,组装工具就可能生成嵌合序列,与任何单个细胞的序列都不完全一致。反过来,保留所有备选序列又可能使重建结果严重碎片化。重复基因和经水平基因转移获得的元件,使“组成或丰度相似的序列都应归为一组”这一假设难以成立。质粒可能在不同宿主之间传播,仅凭丰度相符,并不能确定某个质粒究竟与哪条染色体存在于同一细胞中。
单细胞测序通过分离单个细胞来应对混合样本问题,但由于起始 DNA 量极少,通常需要进行扩增。扩增可能造成覆盖深度的极端波动、区域缺失和嵌合分子,使看似简单的单细胞数据集也难以组装。病毒组装也有其特有的难题,包括基因组小而变异程度高、基因组分节段,以及近缘变体混杂。根据重叠群两端的重叠推断其为环状结构,也需要谨慎审视:末端重复序列可能造成已获得完整环状分子的假象。
古DNA和其他降解样本含有短片段及特征性损伤,严重限制了从头重建所能利用的长距离信息。在癌症研究中,一份样本可能包含正常细胞,以及拷贝数和染色体重排各不相同的多个肿瘤亚克隆。对重排区域周围进行局部组装,可以解析仅靠读段比对仍无法明确的序列;但要重建整个异质性肿瘤基因组,就必须明确考虑细胞混合组成和拷贝数。这些情况说明,适用于均一二倍体样本的假设,不能直接套用于所有生物数据集。
历史发展与里程碑式重建成果
基因组组装与测序技术相伴发展。1977年,弗雷德里克·桑格及其同事发表了噬菌体 phi X174 的基因组序列,全长5,386个核苷酸,成为完整基因组测序的一座里程碑。早期项目高度依赖人工解读,数据集也相对较小。随着测序规模扩大,利用计算方法检测序列重叠并构建一致序列变得不可或缺,研究的难点也从读取单个片段转向组织海量片段。
1995年,流感嗜血杆菌(Haemophilus influenzae)Rd菌株的基因组序列发表,全长约183万碱基对,是首个自由生活生物的完整基因组序列。该项目采用的全基因组鸟枪法策略表明,大量随机取样的片段可以组装成一条细菌染色体。在人类基因组项目期间,公共资助的研究主要采用分层策略,利用经过定位的细菌人工染色体克隆开展组装;Celera则采用全基因组鸟枪法组装,并结合其他信息和分析方法。
2001年发表的人类基因组草图展示了计算重建所能达到的规模,也揭示了重复序列、缺口和重复区段带来的困难。2004年,研究人员报告了完成版的人类常染色质参考序列,但“完成”并不意味着每条染色体上重复程度最高的区域都已获得连续序列。这一参考序列始终是极为宝贵的坐标系统,但仍有大量着丝粒区域、近端着丝粒染色体区域及其他难以解析的序列未能得到解决。
高通量短读长测序大幅降低了测序成本,使大批微生物和真核生物基因组项目得以开展。然而,其读长使许多重复结构在本质上难以重建。长读长技术改变了这一局面。早期长读段需要大量纠错,而后来的高准确度长读段既足够长,能够跨越许多重复序列,又足够精确,能够区分几乎完全相同的拷贝。超长读段则提供了互补的连接信息,能够跨越特别长的重复区域。
2022年,端粒到端粒联盟发表了 T2T-CHM13 组装结果,重建了 CHM13 细胞系全部常染色体和 X 染色体的序列,总长约30.55亿碱基,且没有组装缺口。CHM13 的基因组基本为纯合状态,且不含 Y 染色体,因此它虽是极有价值的重建对象,却具有特定的生物学特征,不能完整代表人类二倍体基因组的多样性。随后,2023年又发表了来自 HG002 的完整人类 Y 染色体序列。这些成果表明,通过结合互补的测序技术并进行深入验证,可以重建长期未被纳入标准参考基因组的区域。
参考资源、应用与多样性的表征
组装结果为解读基因、调控序列及基因组结构组织提供了物理框架。在比较基因组学中,组装得到的染色体能够揭示保守的基因顺序、倒位、染色体融合,以及谱系特异性的序列扩增。这类分析为进化研究提供依据,但其结果容易受到组装错误的影响:错误连接可能被误认为重排,而被折叠合并的重复序列可能掩盖基因家族的扩增。因此,结构层面的结论若有独立数据支持,比较结果才最为可靠。
在农业领域,作物及其近缘种的基因组组装使研究人员能够研究抗病位点、与驯化相关的区域,以及庞大且富含重复序列的基因组中的变异。在保护生物学中,组装结果为研究遗传多样性及物种差异的基因组基础提供了序列资源。然而,来自单一个体的参考基因组并不能衡量整个种群的多样性。即使参考基因组本身极为完整,仍然需要开展种群采样和变异分析。
在人类遗传学中,基于组装的方法尤其有助于研究结构变异,包括插入、缺失、倒位、重复,以及其他影响较大序列片段的变化。将读段比对到单一线性参考基因组时,复杂变异附近的读段可能无法明确定位,参考基因组中缺失的序列也可能无法得到体现。从头组装能够重建这些序列,并确定其在染色体局部区域中的位置。不过,组装中发现的差异并不一定具有功能意义或与疾病相关;这类判断需要另外的生物学和统计学证据。
单一线性参考基因组也会偏重基因组多样性中的某一条序列路径。泛基因组整合了多个基因组或单倍型,通常采用图结构,明确表示可供选择的序列路径。2023年,人类泛基因组参考联盟基于47名个体的单倍型分相组装,发布了一套参考资源草图。这类资源扩充了可用于比对和比较的序列,但也在坐标系统、图比对、注释迁移以及变异的一致识别等方面带来了新的挑战。
组装结果通过GenBank和欧洲核苷酸档案库等资源发布,并附有相应的序列登录号和元数据。FASTA通常用于存储重叠群或支架序列,AGP描述各组成序列如何构成更大的支架,而GFA则能够保留线性序列文件所丢弃的图关系。要使解读结果可复现,就必须记录组装的登录号及版本、样本来源、测序数据、软件和人工审校历史。人源基因组组装还涉及数据隐私,因为即使已移除常规个人身份标识,组装得到的单倍型仍保留着可用于识别个人身份及亲缘关系的遗传信息。