前段时间，有老师咨询我关于叶绿体基因组组装的问题，虽然本人不才，但也很热心地帮了个忙。虽说中间出了一些小意外，唉唉算了还是不提了。在这里顺便就个人常用的叶绿体基因组组装思路和方法（基于二代测序），给大家作个分享。

叶绿体基因组本身不大（平均不到200kb），所以使用二代测序，在高深度测序模式下，配合一个有效的参考基因组，理论上足以组装出一条完整的环状序列出来（10个里面9个可以吧）。当然，只单纯地通过组装软件自动拼接基本上是不可能实现的（主要是IR区的问题，组装软件无法有效识别这两段IR序列），中间还有些小技巧。

话不多说了，上正文。不过因为本文是经验分享，不是软件使用详解，所以很多内容建立在已知的基础上，不是很适合纯新手阅读（至少要了解过基因组组装、熟悉linux使用）。

以下是本人常用的叶绿体二代组装过程，期间结合使用了多种工具，不乏手动操作的环节，过程或许比较繁琐。但综合考虑的情况比较多，所以结果一般都是很理想的。可能大神们有更有效的、更方便快捷组装思路，还希望分享学习哈。

以下涉及的软件，对于它们的下载安装、怎么使用、结果解释、以及可能存在的报错问题等，不作描述；以及一些常规概念，默认大家已知了。

此外，本文的方法建立在存在有效的近缘物种叶绿体参考基因组的基础上，算是一种“有参组装”策略。若是你的目标叶绿体，未能找到一个可靠的参考基因组，请忽略本文吧。要问无参考基因组的情况应该怎样做，测序公司一般建议你上三代测序；至于我，我不知道……

0、准备文件

测序数据clean reads

首先是测序数据，我们直接从fastq格式的测序数据clean data（clean reads）开始。如下所示，通常情况下，为了节省空间会将fastq压缩为gz格式存储。

参考叶绿体基因组

组装期间需要近缘物种的叶绿体基因组做参考，主要用来解决以下两种问题：

（1）测序数据中存在大量的核基因组，那么首先就是要尽可能去除核基因组对叶绿体基因组组装的影响。使用参考叶绿体基因组，在测序clean data中“挑选”出叶绿体基因组的测序reads，后续使用这些挑选后的reads作组装，快速、高效、准确。

（2）基于二代测序数据，基本上是无法仅通过拼接软件一次将叶绿体基因组自动拼接成环的，通常会得到多条 contigs/scaffolds序列。后续还需参照参考基因组，对这些contigs/scaffolds序列定位和定向。

假设我们的叶绿体来源于Saccharina属的某物种，那么首先需要在NCBI或 EMBL等数据库中，寻找一些其近缘物种的叶绿体基因组。

可通过“Saccharina chloroplast”、“Saccharina plastid”等关键词查询同属物种的 叶绿体基因组。同属的没有，同科的也凑合吧，再远一些，真的不怎么好使了。尽管植物叶绿体比较保守，但亲缘关系较远的话，还是会有较大的差异，差异过大时非常影响二代组装质量。此外，下载时尽可能多下几个参考基因组作备选。

我们下载了多条序列，合并在一起，命名为 “ref.fasta”。

1、“挑选”叶绿体基因组测序reads

第1步，需要尽可能地将clean data中的核基因组测序reads去除，保留叶绿体测序reads，便于后续组装的精度与效率。

这一步我们借助参考基因组来完成。常用方法，将测序clean reads对齐（mapping）至参考叶绿体基因组中，保留能在参考基因组中对齐的测序reads。这样，属于叶绿体基因组的测序数据就筛选出来了。那些未能对齐至参考基因组中的测序reads，可以认作是核基因组，去除即可。

当然，不可否认，由于不同物种的叶绿体之间还是存在微小差异，因此这种方法可能会错误地将很少一部分叶绿体基因组测序reads去除（测序物种叶绿体上的某些小段序列，可能在参考基因组中没有，因此会被过滤掉），导致组装出现gap。不过影响不大，后面会提到怎样填补gap。

能够实现该功能的工具有很多。

例如，使用BWA作测序reads与参考基因组的对齐，获得比对结果bam文件；使用 SAMtools工具，过滤掉其中未匹配的测序reads，并对bam文件中保留的reads作排序（按测序reads的id排序），最后在bam文件中将这些保留的reads提取出得到筛选后的fastq文件。

本示例，过滤reads后得到的新fastq文件命名为“bwa_R1.fastq、bwa_R2.fastq”，用于后续的组装。

2、基因组的二代初步组装

第2步，我们就可以直接使用上一步挑选出来的测序reads作组装了。嗯嗯，组装过程就不用再画个图示了吧。

基因组二代组装工具挺多的，比如SOAPdenovo、ABySS、 SPAdes、 A5-miseq等。这一步多尝试几个拼接软件（至少两个吧，只用一个可能不太够用，原因后面会提到），分别得到不同的拼接结果。

例如分别使用SPAdes和A5-miseq作组装。对于其它组装工具，我就不作更多演示了，总之大家根据实际情况选择吧。

*组合1、2步的工具

一些组装工具，如ARC（Assembly by Reduced Complexity）、NOVOPlasty等，集合了测序reads与参考基因组的比对、提取，以及组装过程，提供测序clean data与参考基因组即可自动装配。此外部分工具还可以自动基于参考基因组实现组装序列的定位定向（见下文）过程。听起来倒是蛮方便的，但是本人并没有使用过不知实际效果咋样，大家有兴趣可以测试下。

3、contigs/scaffolds的定位和定向

好了从这步开始需要结合手动的过程了。

经过初步拼接后，我们获得了几个组装结果fasta文件。这些fasta文件中通常存在多条contigs/scaffolds序列（仅凭软件自动组装得到一整条序列，几乎不太可能），下一步就需要确定这些contigs/scaffolds序列在基因组中的相对位置和方向（定位和定向），以继续往完整的环状叶绿体基因组序列搭建。

这一步也需借助参考基因组来完成。将组装得到的那些contigs/scaffolds序列与参考基因组对齐，确定位置和方向关系。

同样地，能够实现该功能的工具有很多，可视化的工具如geneious，命令行工具如MUMmer，等等。

本示例这里选择了共线性分析工具MUMmer来完成。先以某个组装结果fasta文件为例。

对于共线性分析结果，可以直接查看文本结果文件“chloroplast.1coords”中的内容，记录了组装scaffolds序列和参考基因组序列的共线性匹配详细信息。或者更直观的，查看最后生成的共线性结果图，如下所示这样。

据此，我们可以确定组装结果中scaffolds序列的定位定向结果大致是下图中这样的。下方为参考叶绿体基因组序列，上方为组装所得scaffolds序列，其中共涉及到4条重要的scaffolds序列，红色表示正向，蓝色表示反向（所谓“反向”，意思就是后面我们要取它的反向互补序列）。

到这一步，我们基本确定了叶绿体基因组的轮廓了。

4、基因组环化

根据上一步的contigs/scaffolds定位和定向结果，把符合条件的序列挑选出来，之后查找这些 contigs/scaffolds序列之间是否有重叠（overlap）区域，并根据这些 overlap区域连接序列。

对于contigs/scaffolds序列的挑选，可使用SAMtools等工具，或者自写脚本提取，就算手动打开fasta文件选择序列也不麻烦。该反向互补的注意反向互补。之后可继续结合共线性分析、BLAST比对等工具来确定前后contigs/scaffolds序列之间是否有高可信度的一致区域。就算你想偷个懒，手动根据序列起始/或末尾处的碱基文本在fasta文件中搜索匹配一致的序列也行。最后确定这些重叠区域都位于contigs/scaffolds序列中的哪些位置，对序列裁剪、连接。

具体操作过程不再细说了，上段文字说明挺易懂的吧。

可知，要是 所有contigs/scaffolds序列之间全部存在重叠区域，即可连接成环。运气好的话，此时的序列既无gap，又成环了，这个叶绿体基因组的组装基本上就算完成了。此时你可以跳到第6步的内容。

当然实际情况中，运气不可能总是这么的好，总有无法连接起来的gap。那么，第5步的内容会有所帮助。

5、填补gap

我看网上的关于叶绿体基因组组装的教程，基本上都只介绍了reads过滤、二代组装以及序列定向和环化这些环节，并没有细说应该怎样去补齐基因组中的gap。好吧，若有gap出现，补gap肯定是最糟心的一步了。对于怎样将叶绿体基因组序列中的gap尽可能填补，以下提到的方法主要基于个人经验。经验尚浅，大家若是有更好的方法，还请分享哈。

多个组装软件的结果相互结合

在第2步组装时，建议使用多个软件作拼接。我们可知，不同的软件拼接效果肯定有所差异。

首先，运气好的话，某个软件的结果，所有contigs/scaffolds序列之间全部存在重叠区域，可以自己成环，多尝试几个软件说不定就能碰到这个运气。

其次，对于出现gap的位置，可以结合多个软件的拼接序列，相互搭建，看不同软件所得序列之间是否能够相互填补空缺。一个软件没拼出来的区域，另一个软件拼出来了，很常见。环化方法参考第4步。

结合从头组装的结果

在第1步，组装之前，为了去除核基因组的影响，以及提升组装效率，我们首先根据参考基因组过滤了核基因组reads。同时提到，这种方法可能会因不同物种叶绿体基因组间的微小差异，而错误地将很少一部分叶绿体基因组测序reads去除，这些reads若是集中在基因组的某些特定区域，则会导致组装时这些区域缺失，出现gap。

此时不妨再拿原始的所有clean reads做个从头组装，然后再通过共线性分析等方法，查看是否有contigs/scaffolds序列可以跨越先前结果中的gap区，以连接空缺。环化方法参考第4步。

*CAP3工具

对于上述两种方法，若是觉得手动一个个寻找序列间的重叠区很吃力的话，其实也有工具能够帮助自动实现。例如CAP3，早期它主要用在sanger序列的拼接中，其实对于像叶绿体、线粒体、小型质粒等这样的超小型基因组，我们也可以借助它来辅助基因组环化。

不过CAP3的严谨性不高，有小概率出现错误拼接的位点，所以这里我给这个工具打了星号标记。虽然说大部分情况还是很靠谱的。你可以在后续将测序clean reads比对到组装后的基因组上，通过IGV、Tablet等基因组可视化工具，检查基因组中是否有不严谨的拼接位点。

事实上，像这类的拼接小片段序列的工具还有很多，大家也可自行搜索，试下效果。

gap填补工具

事实上，目前有很多工具能够直接使用测序reads，填补序列中N碱基空缺。因此对于gap区域，我们可以首先拿N碱基连起来（具体多少数量的N，可以参照参考基因组来确定），然后再设法补洞。

例如SOAPdenovo套件中的GapCloser等，可以试一下，还是能填补不少的N空缺的。

手动延伸

这个是最无奈方法了，实在没招时考虑下吧，可能会非常繁琐。就是使用测序clean reads手动一点点延伸。

首先在gap两端的序列中，在5’端序列的末尾截上150bo左右，3’端序列的起始位置同样截上150bo左右。之后将clean reads与这两小段序列对齐，根据能比对上的reads序列碱基组成，手动对gap两端的序列进行延伸。根据测序策略的不同，一次操作能同时在两端延伸大约100bp（PE150）或200bp（PE250、PE300）不等。如此循环，直到reads能把两端接起来。

如果使用这种方法发现了测序断点，即在某段区域不再存在reads支持，两端的序列无法再通过reads继续延伸，但gap仍未连接起来时，则表明基因组中确实存在了测序未测到的区域。不过这种真的是小概率事件了，碰到真的没招了，至于为什么出现这种现象，根据我的经验，这些区域主要是重复序列结构（而且是高AT那种，我们知道二代测序普遍存在GC偏好性，导致位置很难扩增）。或者，特殊的碱基组成导致测序时单链序列产生了二级结构？其实就算再重新测序，还是不一定有把握把这些位置测出来……要问我怎么解决，我也不知道啊……（本文开篇提到的帮那位老师组装的叶绿体，小意外就是测序数据就出现这种问题了，唉唉个人已经尽力了）

例如，截取两端序列，新建一个fasta文件，结合BWA、SAMtools将clean reads对齐到这两端序列上，只保留能对齐的reads，得到SAM文件。这里默认大家已知SAM文件的结构了。可知这个SAM文件的体积不大，直接拿文本编辑器打开它即可。查看匹配reads的碱基组成，根据“悬挂序列”，手动在原组装结果中延伸gap两端的序列，缩短gap。如此循环。方法很好理解，结果也很有效，要是数据质量够好（不存在没测到的基因组区域），无论初始拼接的基因组再差，最后都一定能成环，就是非常麻烦了。

*一代测序

若有把握gap在1kb之内，可以尝试设计引物扩增这段区域，使用一代测序得到它。不过这个已经不属于分析方法的范畴了，简单一提带过。

6、碱基校正

环化完成后，完整的叶绿体基因组序列拼接好了，后续再加个碱基校正的过程就OK啦。

Illumina的二代测序错误率约1%，也就是平均每100个碱基中会出现一个错误碱基，可能表现为“碱基的突变”，也可能表现为“碱基的插入/缺失”。在组装过程中，这种错误可能会被引入，使得基因组中的某些位点不太可靠（如，出现模糊碱基，或者极个别的N碱基）。

我们可以将测序clean reads重新与我们的组装结果基因组序列对齐，根据高深度的覆盖reads去识别、校正模糊的位点。

例如，结合使用BWA、SAMtools实现对齐过程，使用Pilon软件对基因组进行校正。

对于本示例，Pilon校正后，得到两个文件，“final.pilon1.fasta”和“final.pilon1.changes”。若是changes文件大小为0（空文件），则其对应的fasta文件可作为最终结果；若不为0，则还需再基于新得到的fasta文件重新执行校正；以此类推，直到changes文件为0为止。有时候可能由于测序数据本身质量较差的问题，多次循环后未见0大小的changes文件，则你可以终止重复校正过程，从已得到的所有changes文件中找一个最小的，其对应的fasta文件可作为最终结果。

事实上，由于Pilon也可以识别小段的N碱基序列，因此除了用于碱基校正外，或许也能用于填补小部分gap。

7、最终检查

不要高兴太早，最后一定不要忘了好好检查。

我们可以将原始的clean reads比对到最终的叶绿体基因组上，得到bam文件，然后使用基因组浏览器（如IGV、Tablet等）打开bam文件以及基因组fasta文件，仔细查看测序reads在基因组序列中的覆盖情况，判断：

（1）reads覆盖是否均一，基因组中哪些区域reads覆盖深度较少，低深度的reads是否能有效支持这一段序列的拼接。

（2）是否存在疑似错拼的位点，比方说某个位置两端的reads出现很大“断层”。

（3）是否还有个别位置的碱基疑似由测序错误导致的类似于“SNP”、“InDel”情形。

（4）对于重复序列较多的区域，reads是否能够有效跨越。

8、调整起点

关于环状基因组序列的起点位置调整，可以参照参考基因组的起点位置来调，或者根据基因组注释结果来。切记首尾一定不要出现“断开”的基因。

9、关于叶绿体注释

叶绿体注释比拼接还折腾，大家慢慢玩，我先撤了……

我在前文分享过两个叶绿体基因组注释工具，GeSeq和PGA，希望有所帮助。听一老师提到使用geneious进行叶绿体注释挺好用的，但我还没试过，大家可以试下。更多其它的方法，还请自行研究了。

欢迎加入交流群互相讨论，二维码失效可加VX：bbplayer2021 ，这边邀请进入