[论文解读] Robust haplotype-resolved assembly of diploid individuals without parental data

Haoyu Cheng, Erich D. Jarvis+5 more|arXiv (Cornell University)|Sep 10, 2021

Genomics and Phylogenetic Studies参考文献 18被引用 16

一句话总结

本文提出了一种新颖的单执行文件算法，仅使用PacBio HiFi和Hi-C数据即可实现稳健的单倍型解析基因组组装，无需依赖父母本测序数据。通过将Hi-C获得的长程单倍型分型信息整合到单倍型分型hifiasm组装图中，并通过求解最大割问题将单位片段（unitigs）划分为两个单倍型，该方法生成了质量高、连续性强的二倍体基因组组装结果，其质量可与基于家系的方法相媲美。

ABSTRACT

Routine single-sample haplotype-resolved assembly remains an unresolved problem. Here we describe a new algorithm that combines PacBio HiFi reads and Hi-C chromatin interaction data to produce a haplotype-resolved assembly without the sequencing of parents. Applied to human and other vertebrate samples, our algorithm consistently outperforms existing single-sample assembly pipelines and generates assemblies of comparable quality to the best pedigree-based assemblies.

研究动机与目标

• 开发一种单样本、无需父母本数据的稳健单倍型解析基因组组装方法。
• 克服现有组装器在单倍型塌陷或产生碎片化替代组装方面的局限性。
• 将Hi-C染色质互作数据与单倍型分型的HiFi组装图结合，实现长程单倍型分型。
• 通过将分型、比对与组装整合为一个高效统一的流水线，消除对外部工具的依赖。
• 仅使用30×覆盖度的HiFi和Hi-C数据，实现与基于家系方法相当或更优的组装质量。

提出的方法

• 该方法在单倍型分型的hifiasm组装图上运行，其中每个节点为一个具有正确分型的单位片段，边表示重叠关系。
• 将Hi-C短读长映射到单位片段中的31聚体，并为来自同一Hi-C读对且共享片段的单位片段之间添加'连接'。
• 将单位片段划分问题建模为图的最大割优化问题，以将具有大量共享Hi-C连接的单位片段归入同一单倍型。
• 采用随机模拟退火算法求解最大割问题的近似最优解，并引入启发式策略以加速收敛。
• 通过考虑图的拓扑结构，并利用泡状结构和成对比对识别的同源单位片段对，减少局部最优解的影响。
• 最后，算法复用hifiasm的图分箱策略，生成两组非冗余的、单倍型解析的连续片段（haplotigs）。

实验结果

研究问题

• RQ1 单一样本、无需父母本数据的方法能否生成与家系方法质量相当的单倍型解析组装？
• RQ2 在缺乏父母本基因型的情况下，Hi-C数据能否有效提供长程单倍型分型信息以解析单倍型？
• RQ3 统一的单执行文件流水线能否在准确性和易用性方面超越多步骤、依赖工具的流水线？
• RQ4 将Hi-C数据整合到单倍型分型组装图中，与主/替代组装相比，能否显著提升连续性和单倍型分型准确性？
• RQ5 该方法在仅使用HiFi数据的情况下，通过利用单倍型内及单倍型间的变异模式，能在多大程度上实现稳健的双倍体组装？

主要发现

• 基于Hi-C的hifiasm方法在HG002样本上经父母本短读长验证，其单倍型分型准确性与三联体分箱方法相当。
• 对于HG002，该方法在主单倍型上实现了11.2 Mb的中位连续片段N50，替代单倍型为10.8 Mb，超过95%的杂合变异被正确分型。
• 在连续性和单倍型分型准确性方面，该方法在低杂合度区域尤其优于FALCON-Phase、HiCanu和标准hifiasm。
• 在无Hi-C数据的情况下，该算法仍能生成高质量、非冗余的主单倍型样连续片段，其原理是利用单倍型内部的变异。
• 与多工具流水线相比，单执行文件设计显著降低了运行时间和安装复杂度，人类规模数据的端到端组装在24小时内完成。
• 该方法成功应用于非人类脊椎动物（如黑犀牛、塔卡赫鸟），在无父母本数据条件下生成了高质量、单倍型解析的基因组组装。