macでインフォマティクス

macでインフォマティクス

HTS (NGS) 関連のインフォマティクス情報についてまとめています。

高度にヘテロ接合性の植物のハプロタイプresolvedゲノムアセンブリを行なう PhaseGrass

 

 高度にヘテロ接合なゲノムからハプロタイプ分離アセンブリを構築する現在の手法には、参照配列ベースのフェージングに依存する場合には参照配列バイアスが生じ、グラフベースのフェージングに依存する場合にはハプローム間に不均衡が生じるという問題がある。本研究では、PhaseGrassを報告する。PhaseGrassは、アセンブリ、フェージング、スキャフォールディングを統合したワークフローであり、高精度ロングリードおよびエラー率の高いロングリードのいずれにも対応し、高度にヘテロ接合なゲノムからハプロタイプ分離アセンブリを構築する。PhaseGrassは親個体のデータを必要とせず、参照配列ベースのフェージングとハプロタイプ特異的k-merを組み合わせることにより、ロングリードまたはunitigを対応する各ハプロタイプに分配する。これにより、参照配列バイアスと、ハプロタイプ間で不均等な配列分配が生じる問題の双方を回避する。

 PhaseGrassを用いて、高度にヘテロ接合で他殖性のイネ科植物であるペレニアルライグラス(Lolium perenne L.)およびイタリアンライグラス(L. multiflorum Lam.)について、染色体レベルのハプロタイプ分離アセンブリを構築した。その結果、PhaseGrassはWhatsHapと比較して20%多くのリードを各ハプロタイプに割り当てることができた。また、Hifiasmと比較して、より均衡のとれたハプロームを構築した。L. multiflorumでは、ハプロタイプ間に多数の構造変異が存在するため、Hifiasmによって生成されたハプロームは大きく不均衡となった。PhaseGrassは、高度にヘテロ接合なゲノムをもつ生物種において、ハプロタイプ分離パンゲノムを日常的に構築することを可能にする手法となる。

 

wiki

https://github.com/Yutang-ETH/PhaseGrass/wiki

 

インストール

SortGrassには、本体以外にbcftools、kmc、SeqKit、Snakemake、各アセンブラ、マッピング・フェージング・Hi-Cツールなどが必要。

Github

# PhaseGrass
git clone https://github.com/Yutang-ETH/PhaseGrass.git
cd PhaseGrass

# SortGrassの分類器が使うtrio_binning
mamba create -n phasegrass-sortgrass -c conda-forge python=3.11 -y
conda activate phasegrass-sortgrass
git clone https://github.com/esrice/trio_binning.git
cd trio_binning
pip install .

 

実行方法

PhaseGrassはDipGrass、SortGrass、PurgeGrass、JuiceGrass、PolishGrass、ScaffoldGrassなどを組み合わせたワークフローとなっている。PacBio HiFiリードを使用して一次アセンブリを構築(Hifiasm)、ONTリードを利用してハプロタイプのフェージングを改善し、Hi-Cで染色体レベルフェージングとスキャフォールディングを行う。IlluminaショートリードはSNPの検出などに使用する。

 

一次アセンブリ、未フェーズ化染色体アセンブリの作成、SNPフェージング、ハプロタイプ特異的k-merによるロングリードまたはunitigの分割、各ハプロームのアセンブリと研磨、最終スキャフォールディングとHi-Cによる手動キュレーションの6段階からなる。

 

テストラン

1、hifiasmのラン

HiFi long read から、精度の高い一次アセンブリを作る

conda activate hifiasm
hifiasm -o assembly -t 10 -l0 -u 0 HiFi.fastq.gz

 -l 0はpurge duplication level。0 は purge duplication を無効、1 は contained haplotig だけ除去、2 はより広く haplotig を除去、3 は最も強く除去、という意味で、重複 haplotigをprimaryアセンブリから消す処理をしないという設定になる。

-u 0 はpost-join stepを無効化する設定。post-joinは、hifiasmがassembly graphから contigを作ったあとに、つながりそうな配列をさらに繋ぐ後処理となる。公式ドキュメントでは、post-joinは contig N50を改善しうるがmisassembly を導入することがある、と説明され、ここでは複雑なゲノムを想定して、この処理を無効化している。

 

入出力例

 

fasta配列の生成

unitig (contigより短いグラフで一意に順番が決まる配列)とcontigそれぞれに対して実行する。

awk '/^S/{print ">"$2;print $3}' sample.asm.bp.p_ctg.gfa > sample.asm.p_ctg.fasta
awk '/^S/{print ">"$2;print $3}' sample.asm.bp.p_utg.gfa > sample.asm.p_utg.fasta

 

2、NextDenovoのラン

同じサンプルから独立したもう一つのアセンブリを得るため、Nanopore(ONT)リードだけでprimary assemblyを作る。

conda activate nextdenovo
mkdir Sample
ls sample_all_ont.fastq.gz > input.fofn

#run.cfgを編集してからラン
nextDenovo run.cfg

出力例

 

3、NextPolishのラン

ONTアセンブリはまだエラーが残っている可能性がある。NextPolishで研磨を行なう。まずONTロングリード自身で研磨し、次にショートリードで研磨する。

 

nextpolish.shを作成し、NextPolishでロングリード・ポリッシングを指定サイクルランするようにシェルスクリプトを編集する。

あるいはpython nextpolish2.py -g nd.asm.fasta -l lgs.round1.sort.bam.fofn -r ont -p 12 -sp -o nextpolish.long.round1.faという感じで2回程度ランする。

#ONTアセンブリの研磨、まずアセンブリに使ったONTリード自身で研磨する。2ラウンド。
conda activate nextpolish
./nextpolish_long.sh 2> nextpolish_long.log

#次にショートリードで研磨する。2ラウンド。
./nextpolish_short.sh 2> nextpolish_short.log

 

ここからstep2となる。

Step 2: generating a chromosome‐level unphased haploid assembly · Yutang-ETH/PhaseGrass Wiki · GitHub

 

4、染色体レベルのアセンブリの生成

次は、ハプロティグを除去して、染色体レベルのunphasedハプロイドアセンブリを生成する。著者らは、イネ科植物の大きな染色体に対して良好な結果が得られたことから、Tritexパイプラインを使用してコンティグを染色体へとスキャフォールドしている。

https://github.com/Yutang-ETH/PhaseGrass/wiki/Step-2:-generating-a-chromosome%E2%80%90level-unphased-haploid-assembly

染色体が小さい場合、他のスキャフォールディング・パイプラインを使用しても問題ない。染色体レベルのリファレンスゲノムがほかにあるなら、このScaffoldGrassパイプラインを試すこともできる。

PurgeGrassは、Purge Haplotigs(紹介)による全対全(all-by-all)アラインメント、MCScanXで構築されたコンティグ間のマイクロシンテニー、およびBUSCOによるBUSCO遺伝子情報を利用して、重複を除去したハプロイド・プライマリ・アセンブリを生成するBashラッパーとなっている。このラッパーは、GMAP、gffread、python3、biopython、Diamond、MCScanX、GNU parallel、seqtk、NUCMER、Rなど、いくつかの依存ソフトウェアを必要とする。

cd PhaseGrass
mamba create --name PurgeGrass --file PurgeGrass_spec_file.txt
conda activate PurgeGrass
#MCScanXだけインストールされない。MCScanXをインストール
mamba install -c conda-forge -c bioconda purge_haplotigs busco mcscanx

 

5、BUSCOの実行

研磨したアセンブリを指定してBUSCO (紹介) をランする。

conda activate busco6
busco -m genome -i polished.fa -o busco6 --auto-lineage -c 12

 head busco/run_basidiomycota_odb12.2/full_table.tsv

7でこのファイルを使う。

 

6、 purge_haplotigsの実行

mamba install -c conda-forge -c bioconda purge_haplotigs mcscanx
mkdir purge_haplotigs
cd purge_haplotigs

#ONTのアセンブリなのでONTリードを指定して、研磨アセンブリ配列にマッピング
minimap2 -t 12 -I 5G -K 2G -ax map-ont ../polished.fa ONT.fastq.gz --secondary=no | samtools sort -@ 12 -m 2G -o aligned.bam

#purge_haplotigsのラン
#1 デプスヒストグラムの作成
purge_haplotigs hist -b aligned.bam -g ../polished.fa -t 14 -d 600
=> 今回のグラフでは主に約210xと約420xの二峰を確認、約420xが二つの相同配列が一つに collapseしている領域

#2 1で分かったデプスに基づいてcontig領域を分類する、分布から分かった境界の値を指定
purge_haplotigs cov -i aligned.bam.600.gencov -l 100 -m 320 -h 550 -j 80 -s 80

#3 最後にpurgeを実行、候補contigの長さの70%以上がより長い別contigにアラインされる、比較する際のメモリは6Gb指定。
purge_haplotigs purge -t 14 -g ../polished.fa -c coverage_stats.csv -a 70 -I 6G

6でこのcurated.contig_associations.logファイルを使う。
 

7、PurgeGrassの実行

PurgeGrassをランして、重複haplotigと見なすcontigの最終判断を行なう。ランするには、BUSCOのfull table.csvとpurge_haplotigsの結果が必要。さらに、同種~近縁種の転写産物のCDS.fastaファイルも必要。ダウンロードするか、あるいは自分のRNA-seqからtranscriptomeをアセンブリして使う。RNA seqリードをアセンブリする場合は、品質の低い転写産物アセンブリを除去する必要がある点に注意する。

今回は、転写産物エビデンスとして、公開済みのhaplotype Aとhaplotype BのCDS fastaを結合して使用した (hapA のCDSだけを使うとhapA に近いcontig側に偏るため)

conda activate PurgeGrass
mkdir purge_grass && cd purge_grass
cp ../PurgeGrass.sh ./

#BUSCOとpurge_haplotigsの結果、CDS.fastaが準備出来たらランする
./PurgeGrass.sh -a polished.fasta -b path/busco.table -f polished.fasta.fai -g transcript.fasta -m path/MCScanX -p log -s ../PurgeGrass/scripts -t 24

どのcontig同士が対応する相同配列か判定するためにこれらの遺伝子エビデンスを使用している。

出力例

最終出力は、染色体レベルにスキャフォールドされた二つのハプローム。

 

8、Hi-C scaffolding

次はHi-C scaffoldingを行なう。公式wikiではTritex pipelineが紹介されている。TriplexはHi-Cデータの他に染色体上の順番が既知のマーカーのガイドマップを必要とする。ここではHi-Cデータだけ指定できるYaHS (紹介)を使う。

mamba install -n PurgeGrass -c conda-forge -c bioconda yahs samtools samblaster -y
mkdir -p HiC_scaffolding_yahs && cd HiC_scaffolding_yahs
cp path/final_primary_with_trim.fa .

#1 Hi-C read mapping
samtools faidx final_primary_with_trim.fa
bwa index final_primary_with_trim.fa
bwa mem -5SP -t 14 final_primary_with_trim.fa hic/SRR14075384_1.fastq.gz hic/SRR14075384_2.fastq.gz | samblaster --removeDups | samtools view -@ 14 -b -F 2316 - | samtools sort -@ 14 -n -o hic_sorted.bam -

#2 Hi-C scaffolding
yahs -e GATC -o yahs final_primary_with_trim.fa hic_sorted.bam

出力例

PurgeGrass後は33 contig (N50 1.81 Mb) だった。Hi-Cにより 27 scaffolds (N50 2.32 Mb)

に改善した。残りはcontact mapを作り、Juiceboxで順序と向きを手動確認する。

 

9、コンタクトマップの可視化

コンタクトマップをjuiceboxで可視化して接続を確認する。

java -Xms512m -Xmx4G -jar juicebox_2.16.00.jar

YaHSで得たhicファイルを選択、

 

contact mapが表示された。

 

次に編集対象の配置情報を読み込ませる。yahs_JBAT.assemblyを指定、

 

読み込まれた。

ダブルクリックで拡大、ドラッグしてスクロール、Altキー+ダブルクリックで縮小。

 

強い連続した対角線が同じscaffold内の自然なHi-Cコンタクトなので、対角線が切れて、離れた位置に強い四角形があったり (contigの順序や所属が不自然)するか探す。また、対角線上で急に接触が弱くなるのは誤ったつながり方をしている候補となる。

本当に結合する候補なら、二つの青枠の端どうしに赤が濃くて太い形状が現れることが期待される。

青い大枠はYaHSのscafoldsを表す。緑枠は元のcontig (NextDenovo)。白い十字は、その座標の Hi-C コンタクトが全方向で少ないことを示す。セントロメア、反復配列や低複雑性配列でHi-Cリードが一意にマップできなかった部位などで起こる。また、制限酵素の認識配列が少ない場合も起こるとされる。

ここからstep3となる。

https://github.com/Yutang-ETH/PhaseGrass/wiki/Step-3:-reference%E2%80%90based-phasing-with-DipGrass

IlluminaリードでSNP を見つけ、Hi-Cで離れたSNP同士を結び付け、ONTのリードでロングリード上のSNPを結び付け、Hi-C の結果と統合する流れとなる。

 

10、SNP検出

手動編集後のアセンブリにIlluminaリードをマッピングし、FreeBayesで変異を検出する。品質と深度で選別してから、フェージングに使用するヘテロ接合・二対立遺伝子の SNPを報告する。(SNPと書いているが、より正しくは1塩基置換: SNV) 。

snakemakeでは-sで実行するワークフローのファイルを指定する。

cd PhaseGrass/dip_grass
snakemake --cores 14 -p -s DipGrass freebayes_biallelic_SNPs.vcf.gz.csi

ヘテロ接合の対立遺伝子のSNPが出力される (bcftools view -g het -v snps -m2 -M2で、ヘテロ接合・二対立遺伝子のSNPだけを残している)。

出力例

今回は、選別後に245,738件のバリアントが得られた。

 

11、Hi-Cによるフェージング

Hi-Cリードを同じアセンブリにマッピングし、Picardで重複を除去し、HapCUT2とWhatsHapでSNPのフェージングと統計を出力する。

cd PhaseGrass/dip_grass
snakemake --cores 14 -p -s DipGrass hapcut2/vcf_concatenate/hapcut2.concatenated.phased.stats.tsv

Hi-C のマッピング、重複除去、HapCUT2 によるSNPのフェージング、結果の統計出力まで実行される。

出力例

 

12、ONTによるフェージングと統合

次はONTリードのマッピング、WhatsHap によるフェージング、VCF のインデックス作成を行なう。

snakemake --cores 14 -p -s DipGrass whatshap_phase/whatshap_long_read_hic_phased.vcf.gz.tbi

ONT リードを同じアセンブリにマッピングし、各scaffoldのHi-C由来の最大フェーズブロックとONTの情報をWhatsHapで統合する。scaffoldごとの結果をまとめ、フェージング済みVCFの圧縮版とインデックスを作成する。この出力を次のSortGrassに使用する。

出力

 

ここからstep4となる。

https://github.com/Yutang-ETH/PhaseGrass/wiki/Step-4:-binning-reads-or-unitigs-with-haplotype%E2%80%90specific-k%E2%80%90mers-using-SortGrass

 

13、SortGrassによるunitigの分類 (binning)

SortGrassによるハプロタイプ別の分類とunitigの分類。上で推定したSNPの組み合わせを使って、配列をA側・B側・未判定に分ける。Step3で使った参照アセンブリ、
12の統合後のVCFk、分類したいONTリード、またはHiFi由来のunitigなどを使う。ONTなどのロングリードにはSortGrass_reads、hifiasmのunitigにはSortGrass_unitigsを使う。

 

ハプロタイプ特異的なk-merを目印に、リードをA・B・未判定へ分類するtrio_binningツールも使う。この名前トリオは、本来の方法が父・母・子のデータを使うことに由来するが、今回のSortGrassでは親のデータは使わない。

conda activate phasegrass
mamba install -n phasegrass-test -c conda-forge -c bioconda --strict-channel-priority kmc

#trio_binningもないなら入れる
git clone https://github.com/esrice/trio_binning.git
cd trio_binning
pip install .

 

snakemakeでSortGrass_readsを指定する (-sで実行するワークフローのファイルを指定)。

snakemake --cores 14 -p -s SortGrass_reads consensus/1.fa consensus/2.fa

 

Step3のアセンブリに、フェージング済みVCFの対立遺伝子を反映し、次の2ファイルが作成される。

consensus/

 

14、k-mer抽出

consensus/1.faとconsensus/2.faの各ハプロタイプに特異的なk-merを抽出する。

snakemake --cores 14 -p -s SortGrass_reads AS_dump.txt BS_dump.txt

抽出したk-merを目印に、ONTリードをconsensus1、2、未判定に分類する。カレントにAS_dump.txtとBS_dump.txtが出力される。

出力例

分類結果の統計

cat binned_seq/binned_seq.stats

 

ここからstep5となる。

https://github.com/Yutang-ETH/PhaseGrass/wiki/Step-5:-Assembling-haplotype%E2%80%90specific-ONT-reads-and-haplotype%E2%80%90aware-polishing

NextDenovoによるハプロタイプ別アセンブリと、PolishGrassによる研磨を行なう。

 

依存ツールを追加導入する。

conda activate phasegrass
mamba install -n phasegrass-test -c conda-forge -c bioconda --strict-channel-priority nextpolish hapog minimap2 bwa samtools seqkit

 

15、ONTでh1・h2をそれぞれ2ラウンド研磨

#h1のアセンブリ
nextDenovo haplotype_assembly/h1/run.cfg

#h2のアセンブリ
nextDenovo haplotype_assembly/h2/run.cfg

 

16、ONTでh1・h2をそれぞれ2ラウンド研磨

snakemake --cores 14 -p -s PolishGrass polish_long/h1/round2/genome.nextpolish.fasta polish_long/h2/round2/genome.nextpolish.fasta

#Illuminaでさらに研磨
snakemake --cores 14 -p -s PolishGrass

出力

 final_hap/

 

最後のstep6となる。

https://github.com/Yutang-ETH/PhaseGrass/wiki/Step-6:-final-scaffolding-and-manual-curation

h1・h2それぞれのコンティグを染色体に近い長さに並べ、接続が妥当かを検証する。

 

17、h1・h2をそれぞれYaHSでスキャフォールドにして、RagTagでStep3の参照に沿って配置する。

snakemake --cores 14 -p -s ScaffoldGrass

h1とh2のスキャフォールド

h1・h2をまとめたFASTA

この後は、Juicebox用のコンタクトマップ作成。

 

18、Juicebox用の.hicと.assemblyの作成

snakemake --cores 14 -p -s JuiceGrass_dip

これまでの出力

JuiceboxではR0301.hicとR0301.assemblyを開く。

 

19、Juiceboxでコンタクトマップを確認・手動修正

Juiceboxを起動して、完成したh1・h2のアセンブリをHi-Cコンタクトマップで確認し、必要なら手動で修正する。誤った連結だったり、順序・向きなど。

 

=>Juiceboxから確認後の配置を、例えばxxx.review.assemblyとして保存する。

 

それから、3D-DNA(Hi-Cデータを使ってゲノム配列をスキャフォールド化する別のソフト)でその配置を実際の塩基配列のFASTAに反映する。今回のPhaseGrassでは、この処理にpost_JBT_dipを使うので、Juiceboxの結果のみあれば良い (.assemblyに記録された順序・向き・グループ分けに従って、元の配列からFASTAを作る処理を行なうツール)。20に進む。

 

20、Juiceboxで確認・修正した配置をFASTAに反映し、h1・h2の最終配列を出力する。

PhaseGrassではこの処理にpost_JBT_dipを使う。

snakemake --cores 14 -p -s post_JBT_dip

 

最終出力

finalがハプロタイプh1とハプロタイプh2の最終出力。dip_wrapped.FINAL.fastaがh1とh2を両方含むFASTA。

 

  • PhaseGrassは、Oxford Nanopore(ONT)とPacBio HiFiの両方に対応しており、さらに両者を組み合わせた解析にも対応している。論文ではLolium multiflorumのゲノムについて、HiFiとONTを併用すると、HiFiのみをフェージングに用いた場合よりも染色体レベルのフェージングが改善したと報告している。
  • Martin Mascher、Nils Steinら、植物ゲノムの大規模アセンブリや植物育種の分野で実績を持つ研究者たちも共同研究者として参加している (2017年のオオムギのゲノム解読やパンゲノム解析など)。本PhaseGrassは、複雑な植物ゲノムの解析に取り組んできた研究者たちが技術的課題を解決するために開発したワークフローとも言える。

コメント

まだ全工程は完了していませんが、今回紹介したPhaseGrassは、生のショットガンリードからのde novoアセンブリ、品質の高いコンティグの選抜、フェージング、ハプロタイプ別のアセンブリまで、一連のステップを含むワークフローです。複雑な二倍体ゲノムのアセンブリについて、各ステップの具体的な手順をマニュアルしている点が、大きな魅力に感じられます (遺伝子予測と機能的なアノテーションまでは含まれていない)。ただし、ワークステーション1台で試してみると、実行時間の長さがかなり気になりました。今回使った、複雑でない小さな二倍体真菌ゲノムでも、マッピングなど各ステップに数時間かかりました。公開されている設定例も計算機クラスターの多数のCPUを使うものです。
また、今回は細かいツールのインストール手順、作業ディレクトリの移動や細かなファイルの移動などのコマンドは複雑になるので省略しました。実際に試す際は、一つひとつの出力を確認し、次のコマンドでどのファイルを使うのかをしっかり確認しながら進めるのが無難です。そのあたりご注意ください。

(最初は、小さな二倍体ゲノムのデータをダウンロードして、各ステップごとに何ができるか確認していくのが無難だと思います)

引用

Chromosome-level haplotype-resolved assembly of highly heterozygous grass genomes with PhaseGrass. 

Chen Y, Copetti D, Kölliker R, Mascher M, Himmelbach A, Stein N, Studer B. 

Nature Communications. 2026;17:12. 

 

関連