利用下世代定序来作全新基因体的组序有相当的挑战性,特别.PDF

摘要 利用下世代定序來作全新基因體的組序有相當的挑戰性，特別是在組龐大的基 因體。為了處理大量的下世代定序資料，大部份現有的組序軟體不是需要非常 大的記憶體，就是需要非常久的執行時間，大大限制了他們的可用性。其他的 挑戰來自於定序錯誤，較短的序列，以及基因體中重複的片段。結合不同的下 世代定序資料來克服這些困難是一個很有前景的策略。然而，目前大部份的組 序軟體都是設計來處理單一種下世代定序的資料。雖然有些可以用來處理兩種 不同的下世代定序資料，很少有報導被拿來組龐大的基因體，也許是因為大量 記憶體的需求及冗長的執行時間的限制。在這個計畫裡，為了組龐大的基因 體，我們開發了一個循序漸進的方法來結合454 和Illumina 的定序資料。我們 用一種魚類（Gasterosteus aculeatus ）的部份定序資料來比較我們的方法和現 有的軟體CABOG 和Velvet 的表現。我們的方法在一個記憶體只有32 GB 的 機器上花了四天就完成組序。相較之下，CABOG 執行超過兩個月，而Velvet 需要大約700 GB 的記憶體才能完成組序。更重要的是，我們組裝出來的基因 體在統計數字及品質上都比較好。當所有的資料都用上的時候，只有我們的軟 體可以完成組序。利用這些資料，我們大幅度的改善這個魚類基因體的組序。 關鍵詞：全新基因體組序、454、Illumina、雙端定序、資料混合 Abstract De novo genome assembly using next-generation-sequencing (NGS) data is highly challenging, especially for large genomes. To handle massive amounts of NGS data, most current assemblers either require a huge memory space or a long run- time, limiting their applicability. Other major challenges arise from short read lengths, sequencing errors, and presence of repeats. Combining different types of NGS data is a promising strategy to overcome some of these challenges. However, most of current assemblers were originally designed to treat only one type of NGS data. Although some of them have been used to combine two or more types of NGS data, few have been reported to treat large genomes, perhaps because of the requirement of a huge memory space or a long run-time. Here we propose a step-wise method that combines 454 and Illumina paired-end (PE) data for the de novo assembly of a large genome. We compared our method with CABOG and Velvet, using part of the published data of the genome of the fish Gasterosteus aculeatus, i.e., as much as the amount of data that Velvet could handle. Our method finished the assembly in four days using a server with only 32 GB memory, whereas CABOG took more than two moths and Velvet used ~700GB RAM for the assembly. Moreover, our assembly is better in terms of both assembly quality and statistics. Wh