表1显示了illumina短读长平台和 PacBio长读长平台生成的宏基因组数据集的比较。PacBio 单分子测序技术作为长读长测序的重要技术，其酶读长可达448.5kb。作者除展示了来自PacBio测序平台的原始数据外，还对比了代表不同准确度的不同环形测序读取次数所获得的CCS5（5次），CCS10（10次），CCS15（15次）测序数据的不同表现。为了评估测序的准确性，作者假设错误的核苷酸序列会导致预测蛋白质中终止密码子的增加，并且可以通过其平均蛋白质大小来进行评估。来自PacBio原始数据的平均蛋白质大小为90.4个氨基酸。然而当选择更高准确度的CCS15数据，平均蛋白质大小为达248.4个氨基酸，更接近于这些水域中两种主要微生物（Ca. Pelagibacter HTCC7211, 302.5 或 Prochlorococcus marinus MED4, 255）的预期值。因而作者得出结论，准确度可达99.95%的PacBio CCS15数据，也就是HiFi reads更有利于准确地绘制样本中的基因图像。

从MAG中检索完整基因组是一种无需分离培养，即可从基因组数据上研究未知微生物的有效方法。原则上，将高准确度的LR应用于复杂样本，可以通过简化阻碍短读长序列组装的重复跳跃来改善宏基因组组装。无论采用哪一种CCS数据（5次、10次 或 15次），不同组装方法所获得的基因组组装结果，最终组装的性能都优于IDBA SR（图 2A）。最大的Congtig是使用 metaSPAdes CCS5 实现的，长度为 2.6 Mb，比使用SRa (275 kb) 实现的Contig高一个数量级。而最佳组装大小的结果由使用metaSPAdes的CCS15 LR数据实现，并呈现很好的可靠性（图 2A、B）。为了验证 metaSPAdes CCS15 的组装（图2C），将Contig的大规模分类学从属关系与SRa的那些（图2C）进行了比较。两种方法都恢复了所有门，仅发现数值差异，证实没有重大偏差。海洋环境中一个非常突出的例子是Pelagibacterales。尽管它们在开放的上层海水中占主导地位，但宏基因组研究中检索到的MAG数量相对较少，目前公共存储库中只有34个MAG。另一个例子是Ca.Actinomarinales，一种世界性海洋放线菌，占原核生物群落的5%，只有7个可用的MAG。这种异常的原因尚不清楚，但最可能的解释指向这些微生物具有高度序列微多样性特征。在这里，LR宏基因组学的使用大大改善了分类学上附属于两种微生物的Contig的组装（图2D）。LRa实现了更好的组装大小，如在Pelagibacterales中，LRa的数据比SRa多约6倍，并且更长的Contig可能有助于恢复完整的MAG。

图1：(A)条形图和箱形图指示Illumina (SR) 和 PacBio CCS5、CCS10和CCS15 组件的总组件大小、最大Contig长度和Contig大小分布。分别采用 HiCanu（蓝色）、metaFly（粉色）e 和 metaSPAdes（紫色）进行不同CCS数据的组装。(B)代表每兆碱基组装的预测蛋白质数量和平均蛋白质大小。(C)在所得Illumina (SRa) 和 PacBio CCS15 (LRa) 组件的门级别进行分类学分类。(D)Ca. Pelagibacterales 和Ca. Actinomarinales分类的Contig的组装统计。

hifiasm-meta: 

Hifi reads的宏基因组组装

时间：2021年12月17日（周五）

10:00 - 11:00 a.m. (北京时间)

主讲者：冯笑雯 博士

Dana-Farber Cancer Institute

冯笑雯博士毕业于北京大学医学部基础医学（本科）和人体生理学与生物信息学（PhD），目前是Dana-Farber Cancer Institute的李恒教授课题组的博士后成员。