[论文解读] EndHiC: assemble large contigs into chromosomal-level scaffolds using the Hi-C links from contig ends

Sen Wang, Hengchao Wang+8 more|arXiv (Cornell University)|Nov 30, 2021

Chromosomal and Genetic Variations参考文献 4被引用 4

一句话总结

EndHiC 是一种新颖的支架构建工具，通过仅利用contig末端的Hi-C接触链接，显著提升信噪比，从而改进大于1 Mb的大contig的染色体水平组装。与LACHESIS、ALLHiC和3D-DNA相比，它实现了更高的准确性、更快的运行速度（提升10至1000倍）、更低的内存占用，并提供用户友好的可视化功能，显著减少了对手动校正的依赖。

ABSTRACT

Motivation: The application of PacBio HiFi and ultra-long ONT reads have achieved huge progress in the contig-level assembly, but it is still challenging to assemble large contigs into chromosomes with available Hi-C scaffolding software, which all compute the contact value between contigs using the Hi-C links from the whole contig regions. As the Hi-C links of two adjacent contigs concentrate only at the neighbor ends of the contigs, larger contig size will reduce the power to differentiate adjacent (signal) and non-adjacent (noise) contig linkages, leading to a higher rate of mis-assembly. Results: We present a software package EndHiC, which is suitable to assemble large contigs (> 1-Mb) into chromosomal-level scaffolds, using Hi-C links from only the contig end regions instead of the whole contig regions. Benefiting from the increased signal to noise ratio, EndHiC achieves much higher scaffolding accuracy compared to existing software LACHESIS, ALLHiC, and 3D-DNA. Moreover, EndHiC has few parameters, runs 10-1000 times faster than existing software, needs trivial memory, provides robustness evaluation, and allows graphic viewing of the scaffold results. The high scaffolding accuracy and user-friendly interface of EndHiC, liberate the users from labor-intensive manual checks and revision works. Availability and implementation: EndHiC is written in Perl, and is freely available at https://github.com/fanagislab/EndHiC. Contact: [e-mail] and [e-mail] Supplementary information: Supplementary data are available at Bioinformatics online.

研究动机与目标

• 为解决全contig Hi-C链接分析中因信噪比低导致的大contig支架构建错误组装问题。
• 仅使用contig末端区域的Hi-C数据，提升大于1 Mb的大contig的染色体水平支架构建准确性。
• 相比现有Hi-C支架构建工具，减少计算时间和内存占用。
• 提供用户友好、参数极少的工具，内置稳健性评估与支架结果可视化功能。

提出的方法

• EndHiC 仅从contig的末端区域提取Hi-C接触链接，聚焦于端到端的相互作用，而非全contig的相互作用。
• 基于末端特异性接触频率建立邻接概率模型，提升信噪比，实现更准确的连锁预测。
• 采用简化、无需参数的算法，避免复杂的迭代优化，实现快速执行。
• 集成稳健性评估模块，用于评估支架结果的可靠性，并支持支架结构的交互式可视化。
• 软件使用Perl实现，可免费获取，内存占用极低，计算效率高。
• 支持与标准基因组组装流程兼容，并可直接输出染色体水平的支架结果。

实验结果

研究问题

• RQ1 与全contig链接分析相比，聚焦于contig末端的Hi-C链接是否能显著提升大contig染色体支架构建的准确性？
• RQ2 EndHiC 的末端特异性方法在性能和准确性上与LACHESIS、ALLHiC和3D-DNA等现有工具相比如何？
• RQ3 仅使用末端区域数据在多大程度上能减少计算时间和内存占用，同时保持或提升支架质量？
• RQ4 参数极少、快速且用户友好的支架构建工具是否能显著减少染色体组装流程中对手动校正的需求？

主要发现

• 通过利用末端特异性Hi-C信号，EndHiC 在准确性上显著优于LACHESIS、ALLHiC和3D-DNA。
• 该软件运行速度比现有工具快10至1000倍，且内存需求微不足道。
• 通过聚焦于末端区域的链接，EndHiC 提高了信噪比，降低了错误组装率。
• EndHiC 内置稳健性评估与图形化可视化功能，可直观评估支架质量。
• 该工具参数极少，无需繁琐的手动支架修订。
• EndHiC 以开源软件形式免费提供，使用Perl编写，支持广泛可及性，并可轻松集成到基因组组装工作流中。