長讀長組裝錯誤更多？兩派學者起爭論

　　近日，英國愛丁堡大學的研究人員對三個利用長讀長測序技術組裝的人類基因組進行分析。他們發現，與短讀長組裝相比，這些長讀長組裝的蛋白編碼區域含有相當多的錯誤。他們在《Nature Biotechnology》上發表結果，并建議人們花大力氣去解決這些錯誤。

　　文章的共同作者Mick Watson和Amanda Warr表示：“對于那些準備利用單分子技術來測序基因組以及希望在臨床實踐中使用長讀長技術的研究人員來說，這些結果可能具有警示作用。”

　　然而，參與長讀長組裝的研究小組之一在同期雜志上進行了回應，對這些結果提出了質疑。他們認為，新的生物信息學工具已經改善了納米孔組裝，并且“算法和技術的進一步改進將能夠從Oxford Nanopore和PacBio數據中獲得參考級的一致序列”。

　　在這項研究中，Watson和Warr對五個已發表的人類基因組組裝進行比較。其中兩個是只利用PacBio序列組裝的（2015年和2017年），一個是利用Oxford Nanopore和Illumina序列組裝的（2018年），另外兩個則是只利用Illumina短讀長序列組裝的（2011年和2014年）。

　　他們將這些組裝與一組41,000條mRNA轉錄本進行比較，發現長讀長組裝在蛋白編碼區域的插入缺失錯誤明顯多于短讀長組裝。特別是早期的PacBio組裝，近11,000個基因存在indel錯誤，而新的PacBio組裝僅有740個。對于Illumina-納米孔組裝，近4,000個基因存在indel錯誤，而兩個Illumina組裝分別是400個和600個。

　　研究人員指出，最近PacBio組裝的大幅改進證明，它能將出錯的蛋白編碼區域降低至幾百個，不過需要注意這樣做所需的資源和技能。此外，Oxford Nanopore組裝雖然使用Illumina reads進行校正，但在蛋白編碼區域仍然存在大量的indel錯誤，這值得那些使用納米孔組裝的研究人員留意。

　　Watson和Warr解釋說，他們的分析“不應被認為是對PacBio或Oxford Nanopore的批評，也不是比較各種測序技術。相反，它只是嘗試利用已發表的人類基因組組裝來證明indel錯誤仍然普遍存在，這可能影響蛋白編碼轉錄本和基因”。

　　然而，其他人似乎有不同的看法。伯明翰大學Nick Loman和諾丁漢大學Matt Loose領導的研究團隊在同期雜志上發表回復文章，認為愛丁堡研究人員錯誤地關注了他們之前論文中的組裝，它所使用的堿基識別工具已過時。

　　他們最近利用更新的堿基識別工具重新組裝了原始的納米孔數據。他們表示，新工具改善了組裝的連續性，且納米孔數據的一致準確性達到99.77%。同時，他們還用兩種不同的工具進行幾輪polishing，更新了納米孔和Illumina數據的組裝，一致準確性達99.99%。

　　研究人員認為，組裝不僅僅應根據錯誤率來判斷，還要考慮其連續性、是否存在錯誤組裝以及其他指標。他們表示，從各種組裝質量指標來看，長讀長測序技術可以產生明顯改進的組裝。

　　Watson和Warr也同意這個觀點，“長讀長已經改變了基因組組裝，我們相信它們將成為所有新基因組組裝項目的起點”。例如，脊椎動物基因組計劃打算使用四種互補技術，包括PacBio測序，產生長reads或其他長距離映射信息。

　　不過，他們堅持認為，為了最大限度提高長讀長組裝的準確性，大家應進行多輪的polishing，并檢查其余的插入缺失和錯誤，包括手動檢查和錯誤糾正。