github:Hifiasm: a haplotype-resolved assembler for accurate Hifi reads

说明文档:Hifiasm

publication:

Cheng, H., Concepcion, G.T., Feng, X., Zhang, H., Li H. (2021) Haplotype-resolved de novo assembly using phased assembly graphs with hifiasm. Nat Methods, 18:170-175. https://doi.org/10.1038/s41592-020-01056-5

Cheng, H., Jarvis, E.D., Fedrigo, O., Koepfli, K.P., Urban, L., Gemmell, N.J., Li, H. (2022) Haplotype-resolved assembly of diploid genomes without parental data. Nature Biotechnology, 40:1332–1335. https://doi.org/10.1038/s41587-022-01261-x

Cheng, H., Asri, M., Lucas, J., Koren, S., Li, H. (2024) Scalable telomere-to-telomere assembly for diploid and polyploid genomes with double graph. Nat Methods, 21:967-970. https://doi.org/10.1038/s41592-024-02269-8

知乎参考：

用Hifiasm基于HiFi数据组装基因组：（一）简介Hifiasm软件和HiFi数据

组装基因组的方式

有参考基因组的

还有没有参考基因组的de nove组装

有参考基因组也会有缺陷

测序数据
- short
- long

hifisam pipeline

从reads组装成contigs的传统流程会有一些问题

然后就开发了hifiasm

hifiasm的组装效率也很高

Motivation1

问题：传统组装方法（随机相位组装）无法准确区分父母本的变异信息，影响组装质量。
解决方案：使用三体分组（Trio-binning），结合父母本信息进行单倍型解析组装。
局限性：三体分组对父母本信息的依赖性可能限制其应用场景。

HiFiAsm 的设计目标是通过这种方法实现更高质量的基因组组装，同时探索如何应对父母本信息缺乏的情况。

Hi-C 的 长距离信息 是它解决基因组组装问题的关键。以下是具体原因和机制：

1.解决单倍型（Haplotype）解析问题：

在二倍体或多倍体基因组中，来自父本和母本的染色体序列高度相似，但又存在差异（变异位点），这使得组装过程难以准确区分父本和母本来源。
Hi-C 的数据可以跨越多个变异位点（如图中红色和蓝色虚线），将同一单倍型上的变异点连接在一起，从而帮助解析父本和母本的单倍型。

辅助长序列组装（Long-Read Assembly）：

虽然长读取技术（如 PacBio 和 Nanopore）可以提供高达 15-30 kb 的长读段，但它们在 更远距离的连接信息 上仍然有局限。
Hi-C 数据可以提供高达 100 Mb 的远距离相互作用信息，弥补了长读取技术在长距离组装上的不足。

整体流程：从原始读取（Raw reads）到最终组装（Final assembly）：

Raw reads（原始读取）：
- 通过高通量测序技术得到的原始测序数据。
Corrected reads（修正读取）：
- 对原始读取进行质量控制和校正，消除测序误差。
Phased assembly graph（相位组装图）：
- 通过 Hi-C 数据的相位信息构建组装图，标注节点的同源性和单倍型信息。
Final assembly（最终组装）：
- 结合 Hi-C 提供的长距离联系信息，将相位组装图解析为实际的线性序列（例如 contigs）。

输入数据（Input）：
- **Heterozygous nodes（杂合节点，本地相位）：**表示存在变异的杂合区域，在相位组装中需要区分这些节点所属的单倍型。
- Hi-C links among nodes（Hi-C 节点连接，全局相位）：
  - Hi-C 提供的长距离相互作用信息用于全局相位。
  - 作用：将同一单倍型内的节点聚类（cluster nodes within the same haplotype）。
- Homologous pairs（同源配对节点，本地相位）：
  - 标记同源区域，表明某些节点属于不同单倍型。
  - 作用：将这些节点分配到不同的单倍型（separate nodes to different haplotypes）。
Hi-C 相位（Hi-C phasing）：
- Hi-C 数据在这里起到了关键作用：
- 通过 Hi-C 数据中跨越多个节点的长距离信息，将同一单倍型内的片段聚类在一起（例如图中橙色和蓝色的连接线）。
- 在构建相位组装图的基础上，进一步优化全局的单倍型解析。
输出数据（Output）：

最终线性序列（例如 contigs）：
- HiFiAsm 利用 Hi-C 提供的节点联系信息，生成完整的线性组装序列。
- 这些序列是按单倍型划分的，能够分别解析父本和母本的单倍型。
同源性区域（homology）：
- 图中展示了组装结果如何处理同源区域（黄色和蓝色块），通过 Hi-C 数据区分同源片段并进行正确连接。

将 单倍型解析（phasing）问题 转化为一个 最大切割问题（max-cut problem） 来解决

Motivation2

标题：长且准确的读段仍然不足以解决复杂基因组
- 虽然长读段（如 PacBio HiFi）提供了高质量和更长的读取，但在一些基因组复杂区域，长度仍不足以解决这些问题，导致组装中断。

2. 左侧图：现有组装方法的失败案例

问题：SMN1/SMN2 基因的组装失败：
- SMN1/SMN2 基因：
- 这是一个与 脊髓性肌萎缩症（Spinal Muscular Atrophy，SMA） 相关的基因。
- 它位于一个高度复杂的基因组区域，具有高度同源性和重复序列。
现象：组装图中断（Breaks in the assembly graph）：
- 由于读取长度不足以跨越复杂区域，组装图（assembly graph）中出现多个断裂点，无法正确解析出完整的基因组序列。
HiFiAsm 的限制：
- 尽管 HiFiAsm 是一个高效的组装工具，但当遇到像 SMN1/SMN2 这样复杂的区域时，现有 HiFi 读段长度可能不足，组装会失败。

3. 右侧图：使用更长读取的改进

解决方法：使用更长的读段：
- 通过采用更长的读取（如 Ultra-long Nanopore Reads 或进一步改进的 PacBio 读段），能够跨越复杂区域并正确解析这些重要的基因组区域。
效果：更完整的组装图：
- 如图所示，使用更长的读段可以生成更加连贯的组装结果，完全覆盖复杂区域，解决组装图断裂的问题。
医学意义：
- 解析出完整的 SMN1 和 SMN2 基因区域 对于脊髓性肌萎缩症的研究和诊断具有重要意义。

4. SMN1 基因和 SMA 的背景信息

SMN1 基因：
- SMN1 基因编码一种生存运动神经元蛋白，负责神经元的正常功能。
- 其突变会导致 脊髓性肌萎缩症（SMA），这是一种影响神经肌肉功能的遗传性疾病。
SMN2 基因：
- 与 SMN1 基因高度同源，但功能性稍有不同。
- SMN1 和 SMN2 的复杂性在于它们的高相似度和重复序列，使得基因组组装极具挑战。