跟着Nature Genetics学二代测序数据分析：使用NOVOPlasty组装生菜的叶绿体基因组

论文是 Whole-genome resequencing of 445 Lactuca accessions reveals the domestication history of cultivated lettuce

image.png

这篇论文的数据是公开的，代码也公开了一部分，那我们就可以按照他的代码来学二代测序的数据分析啦

今天我们来试着使用NOVOplasty这个软件来组装生菜的叶绿体基因组

论文的方法部分写道

To reveal the plastid phylogeny of the tested Lactuca species, plastid assembly was generated for each species with 50 million reads by NOVOPlasty (version 3.7.2)62[1], using the rbcL coding sequence (NCBI accession number YP_398337) as the seed sequence.

NOVOPlasty 软件的配置文件是 lettuce2020/NOVOplasty.config.txt at master · popgenome/lettuce2020 (github.com)

image.png

这个配置文件我们自己的数据通常需要设置的地方包括

• k-mer (这个参数通常直接用默认的设置就好)
• 种子序列（叶绿体基因组中的某个基因）
• 参考序列 （这个是可选的）
• 最后就是原始测序数据

首先从NCBI来下载原始测序数据

因为项目名称他写的是s331，那我就下载NCBI上也是331编号的那个样本吧

image.png

使用SRAtools里的prefetch命令来下载

prefetch --max-size 6000000000 SRR13694341 -O ./

因为这个数据超过20个G了，所以需要制定 --max-size参数 ，后面数字的单位可能是 bp

image.png

数据量很大，时间会有些长

下载好以后使用fasterq-dump命令将sra格式数据转换成fastq格式

fasterq-dump --split-files SRR13694341.sra -p

-p 参数可以显示出转换的进度

image.png

论文中写道只需要用 50 million个reads，fastq文件中4行是一个reads，那么我们直接用head命令取前200 million行就可以了

 head -n 200000000 SRR13694341.sra_1.fastq > reads_R1.fastq
head -n 200000000 SRR13694341.sra_2.fastq > reads_R2.fastq

下载种子序列和叶绿体参考基因组

• NC_007578
• YP_398337

下载NONOPlasty

论文中写的是用到的是3.7.2，但是现在已经更新到4.3.1了，我们直接下载最新版本

https://github.com/ndierckx/NOVOPlasty

编辑配置文件

image.png

运行NOVOPlasty软件

perl ~/Biotools/NOVOPlasty-master/NOVOPlasty4.3.1.pl -c config.txt

image.png

image.png

这个地方遇到了报错

image.png

是因为下载种子序列的时候我下载的是蛋白质序列，应该用的是核苷酸序列

重新下载运行（一不小心就浪费了好长时间）

这个数据量有点大，运行起来还挺慢的，这里就不等结果了，如果自己的物种有全基因重测序数据的话，可以用这个试试看能不能把叶绿体基因组搞出来！

欢迎大家关注我的公众号

小明的数据分析笔记本

小明的数据分析笔记本 公众号 主要分享：1、R语言和python做数据分析和数据可视化的简单小例子；2、园艺植物相关转录组学、基因组学、群体遗传学文献阅读笔记；3、生物信息学入门学习资料及自己的学习笔记！

参考资料

[1]

Dierckxsens, N., Mardulyn, P. & Smits, G. NOVOPlasty: de novo assembly of organelle genomes from whole genome data. Nucleic Acids Res. 45, e18 (2017).: https://www.nature.com/articles/s41588-021-00831-0#ref-CR62