专业背景：计算机科学 研究方向与兴趣: JavaEE-Web软件开发, 生物信息学, 数据挖掘与机器学习, 智能信息系统 目前工作: 基因组, 转录组, NGS高通量数据分析, 生物数据挖掘, 植物系统发育和比较进化基因组学
动植物基因组de novo工作，其组装指标的好坏直接影响着整个基因组的质量。而评估基因组组装结果，contigN50和scaffoldN50是第一指标，即contig/ scaffoldN50：将contig/scaffold长度从长到短进行排序并累加，当累加和达到contig/scaffold总长度的50%的时候，最后参与加和的那一条contig/scaffold长度即为contig/ scaffoldN50的长度。一般来说，contig/scaffoldN50越长，表示组装结果越好。
但是，N50指标高就意味着组装结果就一定可靠吗？
不一定！将一些不相关的reads或者contig错误的连接为scaffold，一样可以达到很高的scaffoldN50。
目前高水平文章发表，组装指标固然是一方面，但真正决定文章发表档次的，是生物学故事是否足够完美，有亮点。我们知道，后续分析依赖的基础便是组装得到的基因组，因此，不可靠的组装结果，对基因组后续分析会造成很大的困扰，甚至会得出错误的生物学结论。
那么，如何才能检验一个基因组组装结果的可靠性呢？
基因组是通过reads组装得到，这一步，是将reads比到基因组上，验证reads对基因组的覆盖情况，用于评估组装的完整性以及测序的均匀性。较高的mapping rate（90%以上）以及coverage（95%以上）认为组装结果和reads有比较好的一致性。
所谓完整性评估，即评估组装得到的基因组对基因区的覆盖程度，一般需要借助RNA方面的证据进行评估，如EST数据或RNA reads。由于用来评估的RNA方面证据不同，得到的比例也会有差别。一般来说，50%的scaffold覆盖基因的95%以上，85%的scaffold覆盖基因的90%以上，认为组装较完整。
通过全长BAC序列，可以通过与组装结果的比对，对组装结果的正确性进行验证，从BAC序列和scaffold是否具有较好的一致性来判断组装质量。
即根据广泛存在于大量真核生物中的保守蛋白家族集合（248个core gene库），对组装得到基因组进行评估，评估组装基因组中的core gene的准确性和完整性。可以通过该物种和同源物种cegma的比例，判断保守基因组装情况。
通过以上四个方面基本上可以对基因组组装结果有个大致的评估，以2015年4月诺禾发表的基因组文章陆地棉为例，来分析一下组装出来的基因组可靠性评估：
可以看到组装出来基因组为2.4G，cover陆地棉基因组96%,(Survey预估基因组为2.5G)，contigN50为34K, scaffoldN50为1.6M，定位到遗传图谱上的scaffold有1.9G(9%)，其中A亚种contigN50为30.7K，scaffoldN50为1.4M，D亚种contigN50为47.2K，scaffoldN50为2.5M。
从reads的mapping率以及对基因组的coverage比率来看，有较好的一致性。
采用1 ,054 条G. hirsutum.全长mRNA序列进行完整性评估，可以看到有90%的mRNA被一条scaffold覆盖的比例为94%以上，即有94%的基因是组装完整的；有50%的mRNA被一条scaffold覆盖的比例为99%以上，即有99%的基因是组装出来的。说明组装版本有很好的完整性。
采用该物种的四条全长BAC序列对组装结果进行评估，红线代表BAC序列，蓝线代表scaffold序列，空白区代表scaffold上的gap区，橘黄色线代表BAC和scaffold比对上的区间块。从上图也可以看到组装结果和BAC序列有很好的比对结果，即说明组装有较高的正确性。
另外，从染色体角度，也可以验证组装结果，如下图所示，采用诺禾组装的四倍体棉花D亚组同已发表的JGI组织以及BGI组织发表的雷蒙德氏棉花进行全基因组比对，可以看到，a图，诺禾的组装版本与JGI组织组装得到的基因组有很好的共线性，众所周知，JGI组织发表的棉花基因组是采用Sanger测序，并进行多种验证的组装版本，具有很高的正确性和指导性，进一步说明诺禾的组装版本有很好的准确性。
可以看到，组装得到240个core gene，其中有231个core gene是完整的。
评论