PacBio Sequel + Hi-C 组装毛白杨 740.2 Mb 基因组：Contig N50 5.47 Mb 实战解析
PacBio Sequel + Hi-C 组装毛白杨基因组：从数据到染色体的全流程解析
在植物基因组学研究领域，获得染色体级别的高质量基因组组装一直是科学家们追求的目标。毛白杨（Populus tomentosa Carr.）作为亚洲地区广泛分布的杂交树种，其基因组组装对理解杨树进化历史和杂交物种形成机制具有重要意义。本文将详细解析如何利用PacBio Sequel长读长测序技术结合Hi-C染色体构象捕获，完成毛白杨740.2 Mb基因组的高质量组装，最终获得Contig N50 5.47 Mb的染色体级别基因组。
1. 实验设计与样本准备
基因组组装的质量很大程度上取决于起始样本的选择和准备。在毛白杨基因组项目中，研究团队选择了雄性克隆LM50的花药再生植株GM15作为测序材料。这一选择基于几个关键考虑：
- 倍性稳定性：通过流式细胞术和染色体计数确认GM15保持二倍体状态（2n=2x=38），与其亲本LM50一致
- 基因型一致性：使用19个分布于不同染色体的等位基因特异性标记验证，GM15与LM50基因型完全相同
- 基因组大小估计：k-mer分析显示两者基因组大小均为约800 Mb，符合二倍体杨树的预期
样本准备阶段的关键质量控制点包括：
DNA提取质量检测：
- 琼脂糖凝胶电泳评估完整性
- NanoDrop测定浓度和纯度（A260/280比值）
文库构建策略：
- PacBio Sequel：20 kb大片段文库
- Illumina：300-500 bp短插入文库
- Hi-C：染色体构象捕获文库
提示：对于植物基因组测序，建议至少准备50 μg高质量DNA用于PacBio测序，以满足多SMRT cell测序的需求。
2. 测序数据生产与质控
毛白杨基因组项目采用了多平台测序策略，结合不同技术的优势：
| 测序平台 | 数据类型 | 数据量 | 覆盖度 | 主要用途 |
|---|---|---|---|---|
| PacBio Sequel | 长读长 | 54 Gb | ~70× | 初步组装 |
| Illumina HiSeq X Ten | 短读长 | - | ~100× | 校正和打磨 |
| Hi-C | 染色体构象 | 65 Gb | ~80× | 染色体锚定 |
PacBio数据质控要点：
- 过滤掉小于1 kb的subreads
- 检查平均读长和N50读长
- 评估聚合酶读长（Polymerase Read）质量
Hi-C数据特殊处理：
- 使用Juicer进行数据映射时，设置映射质量阈值>40
- 仅保留有效的互作读对用于后续分析
实际测序数据产出示例：
# PacBio数据统计示例 Total_bases: 54,000,000,000 Number_of_subreads: 6,240,000 Average_subread_length: 8,650 bp N50_subread_length: 12,400 bp # Hi-C数据统计示例 Total_read_pairs: 430,000,000 Valid_interaction_pairs: 380,000,000 (88.4%)3. 基因组组装流程详解
毛白杨基因组的组装采用了分阶段策略，逐步提升组装质量和连续性。
3.1 基于CANU的初步组装
使用CANU v1.5进行初步组装的关键参数配置：
canu \ -p potom -d potom_assembly \ genomeSize=800m \ -pacbio-raw all_subreads.fasta \ correctedErrorRate=0.045 \ minReadLength=2000 \ minOverlapLength=1000参数优化要点：
- 对于~800 Mb基因组，建议设置
genomeSize略小于估计值（此处用800m） correctedErrorRate根据PacBio数据质量调整，通常0.04-0.05- 增加
minReadLength和minOverlapLength可提高组装连续性
初步组装结果指标：
- Contig N50：3.2 Mb
- 最长contig：7.8 Mb
- 总组装大小：742 Mb
3.2 使用Hi-C数据进行染色体锚定
染色体构象捕获数据的处理流程：
Juicer管道处理：
juicer.sh -z references/potom_genome.fa -p restrictionsites/potom.chrom.sizes \ -y restrictionsites/potom_DpnII.txt -d /path/to/fastq \ -D /path/to/juicer -t 323D-DNA染色体组装：
3d-dna-run.sh -m haploid -t 5000 -s 2 \ -r 2 potom_assembly.fasta merged_nodups.txt
关键步骤说明：
-m haploid：虽然毛白杨是二倍体，但初步组装未区分单倍型-t 5000：设置最小contig大小为5 Mb参与染色体构建-s 2：控制scaffolding的严格度
3.3 组装打磨与校正
获得染色体级别组装后，需要进行多轮打磨提升碱基准确性：
PacBio Arrow打磨：
pbindex potom_assembly.fasta arrow -j 32 -r potom_assembly.fasta -o polished.fasta \ -o variants.gff all_subreads.fastaIllumina Pilon校正：
bwa index potom_assembly.fasta bwa mem -t 32 potom_assembly.fasta illumina_R1.fq illumina_R2.fq | \ samtools sort -@ 4 -o aligned.bam samtools index aligned.bam java -Xmx128G -jar pilon-1.22.jar --genome potom_assembly.fasta \ --frags aligned.bam --output potom_pilon --changes
打磨轮次建议：
- PacBio Arrow：至少3轮
- Illumina Pilon：3-5轮，直到改进<0.01%
4. 组装质量评估与注释
完成组装后，需要全面评估基因组质量并进行功能注释。
4.1 质量评估指标
毛白杨740.2 Mb最终组装的各项指标：
| 评估指标 | 结果值 | 评估标准 |
|---|---|---|
| Contig N50 | 5.47 Mb | >1 Mb为优秀 |
| Scaffold N50 | 46.68 Mb | >10 Mb为优秀 |
| BUSCO完整性 | 96.5% | >90%为完整 |
| Illumina映射率 | 99.45% | >95%为佳 |
| PacBio映射率 | 99.76% | >95%为佳 |
| RNA-seq映射率 | 97.8% | >90%为佳 |
4.2 重复序列注释
使用RepeatModeler和RepeatMasker进行重复序列鉴定：
# 构建重复序列库 RepeatModeler -database potom -LTRStruct -pa 32 # 基因组重复序列屏蔽 RepeatMasker -lib potom-families.fa -dir repeats \ -pa 32 -xsmall -gff potom_assembly.fasta毛白杨重复序列组成：
- 总重复序列：41.6%基因组
- LTR反转座子：17.5%（Gypsy 13.3%，Copia 4.0%）
- DNA转座子：5.4%
- 未知重复：9.8%
4.3 基因预测与注释
采用证据驱动和从头预测结合的策略：
证据准备：
- RNA-seq转录本组装（StringTie）
- 同源蛋白序列比对
MAKER2注释流程：
maker -CTL # 生成控制文件 maker -base potom -dsindex -cpus 32
基因注释结果统计：
- 蛋白编码基因：59,124个
- 平均基因长度：3,398 bp
- 平均外显子数：5.79个
- tRNA基因：662个
- rRNA基因：436个
5. 比较基因组学分析
通过与其他杨树基因组的比较，揭示毛白杨的进化特征。
5.1 系统发育分析
使用5345个单拷贝同源基因构建系统发育树，关键发现：
- 毛白杨由两个亚基因组组成
- 亚基因组A源自P. alba var. pyramidalis（父本）
- 亚基因组D源自P. adenopoda（母本）
- 杂交发生时间约393万年前
5.2 结构变异分析
鉴定出15,480个结构变异（SV）：
- 插入（INS）：6,654
- 缺失（DEL）：6,231
- 倒位（INV）：1,602
- 易位（TRANS）：694
- 拷贝数变异（CNV）：299
SV的基因组分布特征：
- INS和DEL主要分布在端粒区域
- INV在Chr01上富集
- TRANS分布稀疏且随机
5.3 基因家族分析
毛白杨特有基因家族：
- 总数：1,154个家族（2,038个基因）
- 富集功能：疾病抗性、碳水化合物代谢
与其他杨树共有的核心基因家族：
- 14,738个家族（119,375个基因）
- 涉及基本代谢和发育过程
6. 技术要点与经验总结
基于毛白杨基因组组装项目，我们总结了以下关键技术经验：
长读长测序深度：
- 建议PacBio覆盖度≥70×
- 搭配≥100× Illumina数据用于校正
Hi-C实验优化：
- 细胞核提取质量直接影响互作数据质量
- 建议≥80×测序深度用于染色体锚定
组装策略选择：
- 复杂基因组推荐分阶段组装策略
- 先获得高质量contig，再进行染色体锚定
计算资源规划：
- CANU组装：建议≥512GB内存
- Juicer处理：需要高性能I/O系统
- 总CPU时间：约10,000 core-hours
实际项目中遇到的挑战与解决方案：
- 高杂合度：通过选择花药再生材料降低杂合度
- 重复序列：结合长读长和Hi-C跨越重复区域
- 计算瓶颈：分阶段处理大数据，优化中间文件存储
注意：对于类似大小的植物基因组，建议预留4-6周完整计算时间，并准备足够的存储空间（原始数据+中间文件可能需要10TB以上）。