[论文解读] Metagenome assembly of high-fidelity long reads with hifiasm-meta

Xiaowen Feng, Haoyu Cheng+2 more|arXiv (Cornell University)|Oct 16, 2021

Genomics and Phylogenetic Studies被引用 9

一句话总结

hifiasm-meta 是一种专为高保真 PacBio HiFi 读长设计的新型宏基因组拼接工具，通过读长选择、单倍型感知的图构建以及基于覆盖度的修剪策略，显著提升了拼接的连续性和准确性。该工具在每个数据集中均成功重建了数十至数百个完整的环状细菌基因组，其性能在真实和模拟宏基因组数据集上持续优于 metaFlye 和 HiCanu。

ABSTRACT

Current metagenome assemblers developed for short sequence reads or noisy long readswere not optimized for accurate long reads. Here we describe hifiasm-meta, a new metagenome assembler that exploits the high accuracy of recent data. Evaluated on seven empirical datasets, hifiasm-meta reconstructed tens to hundreds of complete circular bacterial genomes per dataset, consistently outperforming other metagenome assemblers.

研究动机与目标

• 解决现有宏基因组拼接工具在短读长或噪声长读长上优化，而非针对高保真长读长的局限性。
• 通过利用 PacBio HiFi 读长的高准确率和长长度，提升复杂宏基因组样本的从头拼接性能。
• 减少因高倍性、覆盖度不均以及嵌合读长的包含所导致的拼接错误与碎片化。
• 开发一种稳健且可扩展的拼接工具，实现从多样化微生物组中恢复完整、近完整及高质量的宏基因组组装基因组（MAGs）。

提出的方法

• 引入可选的读长选择步骤，以降低高度丰富菌株的覆盖度，同时保留低丰度物种的读长。
• 在拼接图构建过程中保护低覆盖度基因组，通过保留原本可能被丢弃的嵌合读长。
• 修改读长丢弃逻辑：仅当所有重叠读长均被推断来自同一单倍型时，才移除一个包含读长。
• 应用基于覆盖度的图修剪策略，丢弃其中一单位重叠片段的覆盖度比显著较低（rAB > 0.7，rAC < 0.7）的重叠关系，以解决歧义。
• 利用覆盖度信息将来自不同单倍型的单位重叠片段连接，填补拼接中的残余缺口。
• 采用改进的气泡消除策略，以解决因额外包含读长引入的冗余子图。

实验结果

研究问题

• RQ1 专为高保真长读长设计的宏基因组拼接工具，是否能在连续性和完整性方面优于为噪声长读长或短读长优化的工具？
• RQ2 读长选择对宏基因组拼接中低丰度物种的恢复有何影响？
• RQ3 单倍型感知的图构建与基于覆盖度的修剪在复杂宏基因组样本中，能在多大程度上减少碎片化与污染？
• RQ4 hifiasm-meta 是否能一致地从多样化宏基因组数据集中重建完整的环状细菌基因组，包括人类与动物肠道微生物组？

主要发现

• 在 ATCC 模拟菌群中，hifiasm-meta 重建了 14 个完整的环状细菌基因组，性能优于 metaFlye 和 HiCanu，成功将丰度为 18% 的 P. gingivalis 菌株完整拼接为单个连续片段。
• 在 Zymo 模拟菌群中，hifiasm-meta 将一个 E. coli 菌株（B766）拼接为完整的环状连续片段，而 metaFlye 未能实现，HiCanu 仅对两个菌株实现了相同结果。
• 对于低丰度物种（如 M. smithii 丰度为 0.04%），hifiasm-meta 生成的拼接结果比其他工具更具连续性，尽管因覆盖度不足，完整重建仍受限。
• 在绵羊 A 肠道微生物组数据集中，hifiasm-meta 识别出 14 个近完整 MAG（完整性 ≥90%，污染 ≤5%）和 23 个高质量 MAG（完整性 ≥70%，污染 ≤10%），其 DAS Tool 识别的近完整 MAG 数量比 CheckM 多出 22%。
• 对四个肠道样本的联合拼接产生了 16 个 ≥1Mb 的连续片段，其中 7 个为环状结构，系统发育分析显示其聚类结果与 GTDB-Tk 分类一致，呈现清晰的门级聚类。
• 在所有真实数据集中，hifiasm-meta 在 N50 和质量评分方面均表现更优，尽管算法复杂度提高，其峰值内存使用量和运行时间与其他工具相当。