全基因组 | 三代长读长基因组组装 -- Canu

今天我们介绍一款用于三代长度长测序数据（如PacBio和纳米孔测序）的基因组de novo拼接工具 -- Canu，既适用于小基因组又适用于大基因组的组装，最早是为了应对低碱基质量（high-noise）的数据（如来自PacBio RSII/Sequel, ONT-MinION)。2017年3月15日，Canu发表于《Genome Biology》期刊上，题目为Canu: scalable and accurate long-read assembly via adaptive k-mer weighting and repeat separation，第一作者为美国国家人类基因组研究所（NHGRI）基因组信息学部门的Sergey Koren博士（图1）。他在基因组组装和单分子测序算法领域具有深厚的研究背景，开发了 Canu和 HiCanu等基因组组装软件，广泛应用于从微生物到人类的各种基因组组装项目。此外，他们还在 Telomere-to-Telomere（T2T）项目中担任领导角色（共1第2位），完成了首个完整（T2T）的人类基因组序列。

图1.Koren_Sergey博士

长读长的单分子测序技术彻底革新了从头基因组组装（de novo assembly）的方法，并使得构建参考级别质量（reference-quality）的基因组成为可能。然而，由于这类技术的错误率相对较高，高效而准确地组装大型重复序列和高度相似的单倍型（haplotypes）依然面临挑战。

在此，提出 Canu来应对这些问题。Canu是 Celera Assembler的继任者，专门为高噪声（high-noise）的单分子测序数据设计。Canu引入了对 纳米孔测序（nanopore sequencing）的支持，将所需测序深度减半，并在提高组装连续性的同时，相比 Celera Assembler 8.2 将大型基因组的运行时间缩短了一个数量级。

这些进步得益于一系列新的重叠与组装算法的引入，包括：

• 一种基于 tf-idf加权的 MinHash 的自适应重叠策略；
• 一种稀疏的组装图构建方法，可避免将diverged的重复序列和单倍型误判为同一序列而错误地合并。

Canu 可以稳定地组装完整的微生物基因组，并使用 Pacific Biosciences（PacBio）或 Oxford Nanopore 技术近乎完整地组装真核染色体。在人的和果蝇（Drosophila melanogaster）的 PacBio 数据集中，Canu实现了 contig NG50 超过 21 Mbp 的优异性能。对于无法用线性序列表示的组装结构，Canu提供了基于图的组装结果输出，采用图形碎片组装格式（graphical fragment assembly，GFA），便于进一步分析或与其他分型（phasing）和搭架（scaffolding）技术整合使用（图2）。

图2. Canu文章摘要

一、软件介绍

Canu能利用测序错误率较高的三代测序数据（早期PacBio CLR或ONT）进行基因组de novo组装。从Canu (v1.9)开始，也支持PacBio HiFi数据的组装。Canu的组装准确度高、参数完备，能得到较好的基因组组装结果。相应地，资源消耗较多，较其它组装工具而言运行会稍慢（如Flye）。

Canu对原始数据的组装分为三个阶段和四个步骤 (图3)：

1. 矫正 (Correction)

• 调用 MHAP工具 (MinHash alignment process) 对高噪声 (high-noise) 的序列进行比对，寻找序列之间的重叠；
• 根据比对结果将序列进行聚类，生成一致性 (consensus) 序列，从而对测序数据进行矫正.

2. 修剪 (Trim)

• 采用重叠修剪 (overlap-based trim) 的方法，将测序序列中不产生重叠的部分去除.

3.组装 (Assembly)

• 使用矫正和修剪后的序列，进行基于OLC算法的组装，生成contigs.

相关知识：

目前，广泛使用的基因组组装算法有两种：OLC算法 (Overlap-Layout-Consensus) 和DBG算法 (De-Bruijn-Graph)。通俗地说，OLC适用于reads读长较长的数据 (三代测序)，是在测序reads之间找overlap和连接路径；DBG适用于reads读长较短的数据 (二代数据)，是对测序reads取kmer，在kmer之间找overlap和连接路径。

图3.Canu分析流程

二、软件安装

Canu: https://github.com/marbl/canu

版本：v2.3（2024.12.18）

#conda一键安装部署
$ conda install  -c bioconda canu
# v2.3

#安装完毕后，调用主程序查看帮助
$ canu -h

三、软件使用

输入序列支持FASTA或FASTQ格式，既可以是未压缩的，也可以是使用 .gz、.bz2或 .xz压缩的。注意，不支持 .zip格式。

Canu可以恢复未完成的组装任务，支持在系统中断或其他异常终止后继续运行。每次重新启动 Canu时，它会检查组装目录中的文件，以决定接下来的操作。例如，如果除了两个重叠计算任务之外其他都已完成，Canu只会计算这两个尚未完成的任务。为了获得最佳效果，请不要在重启之间更改Canu的参数设置。

Canu会自动检测可用的计算资源，并根据组装规模进行自我调整，尽可能充分并合理地利用所有可用资源。也可以用maxMemory和maxThreads参数来设置。

使用示例：

PacBio测序数据 (CLR模式）

$ canu -p ecoli -d test genomeSize=4.8m -pacbio pacbio.fastq

Continuous Long Reads （CLR）测序模式是最早PacBio RS II/Sequel 主要的测序模式，错误率相对较高。

Nanopore测序数据

$ canu -p ecoli -d test genomeSize=4.8m maxInputCoverage=100 -nanopore nanopore.fastq

PacBio测序数据 (HiFi）

$ canu -p asm -d ecoli_hifi genomeSize=4.8m -pacbio-hifi ecoli.fastq

参数说明

• -p：组装输出文件前缀
• -d：组装文件输出文件夹
• genomeSize=4.8m：指定待组装基因组的大小。这里设置为 4.8m，表示预估的基因组大小为 4,800,000 个碱基对。
• -pacbio-raw：指使用pacbio CLR 原始数据
• -nanopore-raw：指使用nanopore 原始数据
• -pacbio-hifi：指使用pacbio-hifi reads进行组装
• rawErrorRate：未纠错read之间允许的最大差异碱基数，默认 PacBio reads为0.300， Nanopore reads为0.500
• correctedErrorRate：纠错后read之间允许的最大差异碱基数，默认 PacBio reads为0.045， Nanopore reads为0.144
• corOutCoverage：用于纠错的数据最小coverage，默认是40x
• minReadLength：使用长度大于该阈值的reads，默认为1000
• minOverlapLength：最小overlap的长度，默认为500
• maxThreads：设置运行的最大线程数

四、输出结果

Canu运行后生成的全部结果在输出目录里，内容如下（图4）：

Correction，Trimming，Unitigging文件夹里存放了纠错、修剪和组装的过程文件，主要结果文件包括：

🧬 ecoli.contigs.fasta：最终的组装contigs.

📋 ecoli.report：记录整个Canu运行过程及结果.

🔁 ecoli.correctedReads.fasta.gz：纠错后的reads.

📑 ecoli.trimmedReads.fasta.gz：修剪后的reads.

图4.Canu输出结果

五、帮助文档

canu [-version] [-citation] \
     [-haplotype | -correct | -trim | -assemble | -trim-assemble] \
     [-s <组装参数文件>] \
     -p <组装前缀> \
     -d <组装目录> \
     genomeSize=<数值>[g|m|k] \
     [其他选项] \
     [-haplotype{名称} illumina.fastq.gz] \
     [-corrected] \
     [-trimmed] \
     [-pacbio |
      -nanopore |
      -pacbio-hifi] 文件1 文件2 ...


-haplotype   生成单倍型特异的reads
-correct     生成纠错后的reads
-trim       生成修剪后的reads
-assemble    进行组装
-trim-assemble 先修剪后组装

genomeSize 应为目标样本的单倍体基因组大小的最佳估计。主要用于评估 reads 的覆盖度，而不是作为期望的组装大小，支持小数。

useGrid=string  指定是否使用集群：true 表示使用集群，false 表示本地运行，remote 表示配置集群但不提交任务。

rawErrorRate=fraction-error  原始未纠错 reads 的允许差异比。低质量 reads 可设为较大值。默认值为：PacBio：0.300   Nanopore：0.500

correctedErrorRate=fraction-error  纠错后 reads 的允许差异比。对于覆盖度较低或具有生物差异的数据，稍微提高此值有益。默认值为：PacBio：0.045   Nanopore：0.144

gridOptions=string  提交任务时传给集群的命令字符串，例如设置最长运行时间。不建议用于设置内存限制，Canu 会自动处理内存分配。

minReadLength=number  忽略长度小于该值的 reads。默认：1000

minOverlapLength=number  忽略长度小于该值的 reads 重叠。默认：500

使用 -haplotype{名称} 指定单倍型，并在其后跟任意数量的 Illumina 单倍型特异性 reads 文件。{名称} 为自定义名称，仅限字母和数字。


测序平台：
-pacbio   PacBio 数据
-nanopore  Nanopore 数据
-pacbio-hifi 高保真 PacBio 数据

参考文献

1.Koren S, Walenz BP, Berlin K, Miller JR, Phillippy AM. Canu: scalable and accurate long-read assembly via adaptive k-mer weighting and repeat separation. Genome Research. (2017)