ALLPATHS-LG基因组组装软件简介

欢迎关注"生信修炼手册"！

ALLPATHS-LG 是由Broad Institiute研究所发明的一款基因组组装软件，不论是细菌/真菌等小型基因组，还是动植物等大型基因组的组装，它都能够胜任。 官网如下：

https://www.broadinstitute.org/computational-rd/computational-research-and-development

和其他组装软件不同的是，allpaths-lg要求至少两个文库

• 第一个文库的插入片段长度不能超过测序读长的两倍，这样可以保证双端测序的reads之间存在overlap，这样的文库类型称之为fragment
• 第二个文库的插入片段通常大于3kb,超长读长有利于基因组的组装，这样的文库类型称之为jumping

除了插入片段外，allpaths-lg对测序深度也有要求，推荐100X以上。

在组装时，对于硬件资源也有一定的要求，对于哺乳动物基因组，建议内存大小为512G, 对于小基因组，建议内存大小32G。

我们可以通过ftp地址来下载该软件，链接如下

ftp://ftp.broadinstitute.org/pub/crd/ALLPATHS/Release-LG/

安装过程如下

wget ftp://ftp.broadinstitute.org/pub/crd/ALLPATHS/Release-LG/latest_source_code/allpathslg-52488.tar.gz
tar xzvf allpathslg-52488.tar.gz
cd allpathslg-52488/
./configure --prefix=$(pwd)
make
make install

安装好之后，在bin目录下可以找到程序的可执行文件。为了方便调用，可以把bin目录添加到PATH环境变量中。官方提供了小的测试数据集, 可以帮助我们了解软件的用法

wget ftp://ftp.broadinstitute.org/pub/crd/ALLPATHS/Release-LG/test.genome.tar.gz

allpaths-lg的运行分成以下两步

1. 准备输入文件

在bin目录下，有一个名为PrepareAllPathsInputs.pl的可执行文件，这个文件就是用来准备输入文件的。这个文件需要读取以下两个文件

in_groups.csv，示例如下

        file_name, library_name, group_name
seq/frags.?.fastq, Solexa-25396, frags
seq/jumps.?.fastq, Solexa-11542, jumps

逗号分隔的3列文件，group_name代表每组的唯一的ID，library_name代表文库的名字, file_name 代表序列文件，对于双端测序的文件，可以使用通配符来表示R1端和R2端。

in_libs.csv, 示例如下

library_name, project_name, organism_name, type, paired, frag_size, frag_stddev, insert_size, insert_stddev, read_orientation, genomic_start, genomic_end
Solexa-25396, test, test.genome, fragment, 1, 180, 10, , , inward, 0, 0
Solexa-11542, test, test.genome, jumping, 1, , , 3000, 500, outward, 0, 0

逗号分隔的12列文件，library_name和in_groups.csv文件中的文库名字相同，project_name代表项目名称，organism_name代表组装的物种名称，type代表文库类型，fragment代表插入片段短，存在overlap的文库；jumping代表插入片段非常长的文库，paired代表测序类型，0表示单端测序，1表示双端测序；frag_size和frag_stddev只针对fragment文库，分别表示插入片段长度的平均数和方差；insert_size和insert_stddev只针对jumping文库，分别代表jumping文库插入片段长度的均值和方差；read_orientation代表测序方向，genomic_start和genome_end用来过滤序列，小于genome_start和大于genome_end的序列会被过滤掉，在实际使用时，直接填0就可以了。

对于fragment和jumping 文库，测序方向分别对应inward和outward。

以上两个文件根据自己的数据填写好之后，就可以运行下面的代码了

PrepareAllPathsInputs.pl \
DATA_DIR=$PWD/test.genome/data \
PLOIDY=1 \
IN_GROUPS_CSV=in_groups.csv \
IN_LIBS_CSV=in_libs.csv \
GENOME_SIZE=200000 \
OVERWRITE=True

DATA_DIR代表数据的存放目录，要去必须是绝对路径，test.genome必须和csv文件中的organism_name相同。PLOIDY代表染色体倍性，allpaths-lg目前只支持单倍体和二倍体。运行结束后，在输出目录会生成如下文件

├── frag_reads_orig.fastb
├── frag_reads_orig.pairs
├── frag_reads_orig.qualb
├── frag_reads_orig.source.txt
├── jump_reads_orig.fastb
├── jump_reads_orig.pairs
├── jump_reads_orig.qualb
├── jump_reads_orig.source.txt
├── ploidy
└── read_cache

每个文库的序列会生成对应的.fastb, .pairs, qualb三个文件；ploidy 记录染色体倍性；read_cache 是临时目录。

2. 组装

准备好输入文件之后，就可以进行组装了，命令如下

RunAllPathsLG \
PRE=$PWD\
REFERENCE_NAME=test.genome\
DATA_SUBDIR=data\
RUN=run\
SUBDIR=test\
TARGETS=standard\
OVERWRITE=True

上述命令中的5个参数构成了如下的目录结构

PRE/REFERENCE_NAME/DATA_SUBDIR/RUN/SUBDIR

allpaths-lg通过这样的目录结构来存放多个基因组组装的结果。

组装的结果保存在SUBDIR 目录下，final.contigs.fasta对应contig的结果，final.assembly.fasta对应scaffold的结果。