生信技工
0%

基因组质量评估：（四）用LAI评估基因组组装的连贯性

Posted on In , , Disqus:
3.1k 3 mins.
用LTR Assembly Index (LAI)这个参数来评估基因组组装的连贯性。

1. LAI简介

1.1. LAI

  1. LTR

关于重复序列和LTR的相关知识可以参考博客：基因组注释（一）：重复序列注释：https://yanzhongsino.github.io/2021/08/02/omics_genome.annotation_repeat/。

  1. LAI

LTR组装指数(LTR Assembly Index, LAI)是用完整LTR-RTs在所有LTR-RTs的占比来评估基因组组装连贯性的一个指数。

1.2. LAI评估基因组组装质量

  • LTR在基因组中的比例很高，且由于其重复性组装难度高，所以它的组装质量与基因组组装有密切关系。
  • 期望基因组组装的连贯性越高，LTR的连贯性也越高。所以可以用LAI来评估基因组组装的连贯性。
  • LAI与基因组大小、基因组LTR-RT含量和基因空间评估指标（例如BUSCO和CEGMA）无关。
  • 使用LAI评估基因组，完整LTR-RTs和总LTR-RTs至少占基因组大小的0.1%和5%。

1.3. LAI计算和评估方法

  1. LAI计算公式

$$Raw LAI = (Intact LTR retrotransposon length / Total LTR sequence length) × 100$$

  1. LAI评估方法

根据LAI开发者的文章，把LAI值分成三个类别，Draft级别（0≤LAI<10），Reference级别（10≤LAI<20），Gold级别（20≤LAI）。

LAI值按照如下评估标准进行分类：

Category LAI Examples
Draft 0 ≤ LAI < 10 Apple (v1.0), Cacao (v1.0)
Reference 10 ≤ LAI < 20 Arabidopsis (TAIR10), Grape (12X)
Gold 20 ≤ LAI Rice (MSUv7), Maize (B73 v4)

2. 计算LAI指数

2.1. 注释LTR时，顺带计算LAI【推荐】

用LTR_FINDER_parallel和ltrharvest分别预测LTR，然后基于预测结果用LTR_retriever鉴定和确认LTR。

2.1.1. LTR_FINDER_parallel预测LTR

LTR_FINDER_parallel -seq genome.fa -threads 10 -harvest_out -size 1000000 -time 300 -w 2 -C -D 15000 -d 1000 -L 7000 -l 100 -p 20 -M 0.85

  • 预测LTR,生成genome.fa.finder.combine.scn
  • 其中，-w 2 -C -D 15000 -d 1000 -L 7000 -l 100 -p 20 -M 0.85参数部分是作者推荐；
  • -size, -time, -try1三个参数作者不建议修改
  • -harvest_out指定输出harvest格式的结果

2.1.2. ltrharvest预测LTR

  1. 建基因组索引

gt suffixerator -db genome.fa -indexname index/sample -tis -suf -lcp -des -ssp -sds-dna

  1. 预测LTR

gt ltrharvest -index index/sample -minlenltr 100 -maxlenltr 7000 -mintsd 4 -maxtsd 6 -motif TGCA -motifmis 1 -similar 85 -vic 10 -seed 20 -seqids yes > genome.harvest.scn

生成genome.harvest.scn

2.1.3. 合并预测结果【可选&不推荐】

cat genome.harvest.scn genome.fa.finder.combine.scn > genome.rawLTR_merge.scn

因为LTR_FINDER_parallel和ltrharvest的预测结果都是一行一条信息，可以直接合并。

2.1.4. LTR_retriever鉴定LTR

LTR_retriever -genome genome.fa -inharvest genome.harvest.scn -infinder genome.fa.finder.combine.scn -threads 12 -u 4.79e-9

  • 这步骤耗时长。运行LTR_retriever默认会计算LAI指数，不用单独运行LAI。
  • 生成的genome.out.LAI包含整个genome和每个contig的LAI指数。
  • 如果前一步合并了多个LTR预测结果，则只需要在-inharvest genome.rawLTR_merge.scn输入合并结果。

2.2. 单独计算LAI

  • 运行EDTA/LTR_retriever预测LTR的基础上，可以利用已有的LTR预测结果计算LAI值，单独计算LAI耗时不长（<10min）。
  • 虽然EDTA也是调用LTR_retriever预测LTR，但默认不计算LAI。
  1. 输入文件
  • genome.fa.mod.pass.list：如果用EDTA调用LTR_retriever预测了LTR，则在此路径下可以找到这个文件：/path/to/edta/genome.fa.mod.EDTA.raw/LTR/genome.fa.mod.pass.list；如果用LTR_retriever直接预测的，在LTR_retriever/genome.fa.mod.pass.list
  • genome.fa.mod.out：如果用EDTA预测了LTR，则在此路径下可以找到这个文件：/path/to/edta/genome.fa.mod.EDTA.final/genome.fa.mod.out
  1. 运行LAI

nohup LAI -t 24 -genome genome.fa -intact genome.fa.mod.pass.list -all genome.fa.mod.out &> lai.out &

  1. 参数
  • -t 24：blast使用的线程数量
  • -genome genome.fa：指定基因组
  • -intact genome.fa.mod.pass.list：指定LTR_retriever生成的非冗余LTR-RT文库列表
  • -all genome.fa.mod.out：指定RepeatMasker注释的所有LTR序列
  • -window 3000000：指定计算LAI的window，默认是3Mb
  • -step 300000：指定计算LAI的step，默认是300Kb
  • -q：快速评估LTR identity的模式，建议大基因组用，牺牲0.5%的精度。本人试过300Mb基因组非快速模式2分钟就出结果了，所以除非特别大的基因组，否则不建议用。
  • -qq：超快速模式。不评估LTR identity，只输出raw_LAT值（用于种间比较）。
  • -mono [file]：用文件提供序列名称，LAI只计算指定的序列。主要用于多倍体基因组，在文件中提供代表单倍体的序列。
  1. 输出
  • sample.fa.mod.out.LAI：保存了raw_LAI值和LAI值，包括全基因组的和滑窗范围的。
  • sample.fa.mod.out.LAI.LTR.ava.age
  • sample.fa.mod.out.LAI.LTR.ava.out

3. references

  1. paper：https://academic.oup.com/nar/article/46/21/e126/5068908
  2. github：https://github.com/oushujun/LTR_retriever
  • 欢迎关注微信公众号：生信技工
  • 公众号主要分享生信分析、生信软件、基因组学、转录组学、植物进化、生物学概念等相关内容，包括生物信息学工具的基本原理、操作步骤和学习心得。
真诚赞赏，手留余香