細胞器基因組組裝軟件開發研究獲進展

　　真核生物細胞器基因組包括線粒體和質體（包括葉綠體、白色體等）的全部DNA分子，是細胞質遺傳的主要載體。在動植物和真菌的單個細胞內，有多個（甚至成千上萬個）細胞器基因組單元的拷貝，使得利用低覆蓋度的全基因組測序數據組裝得到完整的細胞器基因組成為可能。隨著DNA高通量測序技術的發展，測序成本下降，低覆蓋度的全基因組測序數據得以大規模產生，如何快速、準確地組裝細胞器基因組對后續生物學問題的研究非常重要。細胞器基因組序列在研究真核生物系統發育、譜系地理、雜交和物種鑒定等方面具有重要價值。自1986年Shinozaki等破解煙草葉綠體基因組以及近年來二代測序技術的發展，質體系統發育基因組已成為解析植物系統發育關系的手段之一。

　　中國科學院昆明植物研究所植物多樣性與基因組學團隊李德銖研究組和伊廷雙研究組，關注基于植物質體基因組的系統發育、基因組結構演化和DNA條形碼研究，發展基于質體基因組數據分析的研究體系，并取得重要進展（Ma et al., 2014. Systematic Biology；Zhang et al., 2017. New Phytologist；Li et al., 2019. Nature Plants；Zhang et al., 2020. Systematic Biology）。研究團隊重視質體基因組分析方法的開發和應用，開發質體基因組注釋軟件PGA （Qu et al., 2019, Plant Methods）并得到廣泛應用。

　　針對已有細胞器基因組組裝軟件組裝流程的低效率、低成功率、低準確度，以及需要人工介入等問題，研究團隊聯合中科院西雙版納熱帶植物園和美國賓州州立大學，開發出一套細胞器基因組組裝工具GetOrganelle，實現大規模細胞器基因組快速、準確地組裝。GetOrganelle的核心流程包括：通過“種子”序列獲得部分目標相關reads；延伸reads獲得所有目標相關reads；對reads從頭組裝得到組裝圖形；過濾組裝圖形；識別細胞器組分并自動導出所有可能的細胞器基因組結構（圖1）。GetOrganelle在baiting and iterative mapping的基礎上提出reads預分群算法；提出適用于細胞器基因組的估算contigs拷貝數的算法，該算法能綜合組裝圖信息和測序深度信息。基于50個植物物種的公開reads數據集的測試顯示，在計算資源消耗略高的情況下，GetOrganelle默認參數的完整成環率（78%）高于工具NOVOPlasty最好參數的結果（16%）；而資源消耗接近甚至更低的情況下，GetOrganelle仍能保持高于NOVOPlasty的成環率。并且，在K=23和K=31的情況下，NOVOPlasty約20%~25%的假陽性率（錯誤結果謊稱完整成環）。在不同參數的測試下，GetOrganelle的結果一致性優于NOVOPlasty。Read mapping顯示，GetOrganelle的結果準確性不僅高于NOVOPlasty，也高于基于相同reads數據的已發表結果，并發現部分已發表結果的組裝錯誤。在56個動物數據和50個真菌數據測試中，GetOrganelle獲得比NOVOPlasty更高的線粒體基因召回率。此外，在Freudenthal et al. (2020) 針對主流葉綠體基因組組裝工具（包括chloroExtractor,Fast-Plast,GetOrganelle,IOGA,NOVOPlasty,org.ASM等）的基準檢測文章中，GetOrganelle獲得高于其他工具的成環率和準確性，被推薦作為默認（組裝工具）選項。

　　9月10日，相關研究成果以GetOrganelle: a fast and versatile toolkit for accurate de novo assembly of organelle genomes為題，在線發表在Genome Biology上。昆明植物所博士金建軍和版納植物園博士郁文彬為論文的并列第一作者，研究員李德銖和伊廷雙為論文通訊作者。研究工作得到中科院戰略性先導科技專項、國家自然科學基金重點國際（地區）合作研究項目、中科院大科學裝置開放研究項目和中國西南野生生物種質資源庫“交叉合作團隊”開放研究項目的資助。

　　GetOrganelle的源代碼于2016年4月在GitHub第一次上線。2018年5月，報道GetOrganelle的第一版預印稿在bioRxiv上線。2020年3月，GetOrganelle快裝版在Bioconda上線。此外，GetOrganelle的動物meta-mitogenomics測試版已經上線，利用三代測序數據進行組裝的功能正在開發中。

圖1.GetOrganelle的工作流程圖