文献解读|使用hi-C数据辅助埃及伊蚊基因组的组装

早在2013年的时候, 就已经有科学家提出了利用Hi-C数据来辅助基因组组装的思路，可以将scaffold进一步提升到染色体级别的长度，并提供了配套的分析软件LACHESIS。该软件默认输入的基因组组装结果完全正确，后续的操作都是建立在这个前提下。然而实际情况中，受到组装算法的限制，基因组草图中会存在拼接错误的情况。

在2017年的时候，又有科学家提出了利用hi-c辅助基因组组装的新思路，并利用该思路进行了埃及伊蚊的基因组组装，对应的文章发表在science上，链接如下

https://science.sciencemag.org/content/356/6333/92/tab-pdf

在该文章提供的分析思路中, 首先会根据hi-c数据的结果，对输入的基因组组装结果中的拼接错误进行校正，然后在进行后续分析，整个pipeline如下图所示

可以分成以下4个大的步骤

1. preliminary filtration
2. misjoin correction
3. ordering and orientation
4. overlap merging

第一步首先对基因组组装的结果进行预处理，去除长度太短的scafflod。长度过短的scaffold在hi-c图谱中对应的交互信息会非常的少，没有足够的交互信息无法有效的进行后续分析；第二步利用hi-c数据校正scaffold中存在的拼接错误，对于检测到存在拼接错误的scaffold, 将其切割为存在拼接错误的inconsistent部分和未检测到拼接错误的consistent部分，inconsistent部分不会进行后续分析。

第三步确定归属同一条染色体的scaffold，并进行排序和调整方向；第四步检测同一条染色体上的scaffold间是否存在overlap, 对于存在overlap的scaffold, 进行merge。

应用该算法结合hi-c数据对埃及伊蚊的基因组结果重新组装后，效果如下所示

可以看到，由最初的草图组装到了最终的染色体级别。该算法对任意的基因组组装都是适用的，值得一提的是该文章指出，通过hi-c数据辅助基因组组装得到的最终结果中，还是会存在部分的错误结果，这个是不可避免的。

文章中对应的软件链接如下

https://github.com/theaidenlab/3d-dna

后续会详细介绍其用法。