生信 | megahit 序列拼接

MEGAHIT

MEGAHIT is a single node assembler for large and complex metagenomics NGS reads, such as soil. Compare to SOAPdenovo, it generates longer contigs and consumes less memory.

参考文献：an ultra-fast single-node solution for large and complex metagenomics assembly via succinct de Bruijn graphnomics assembly via succinct de Bruijn graph

https://github.com/voutcn/megahit

在了解组装的软件前，先了解几个概念：

组装：将基因测序测得的短序列拼接连续完整的长序列（what）；因为目前二代测序的序列读长比较短最长只有300bp，长序列能提高物种注释分析的准确性（why）

contig/scaffoldN50：将contig/scaffold长度从长到短进行排序并累加，当累加和达到contig/scaffold总长度的50%的时候，最后参与加和的那一条contig/scaffold长度即为contig/ scaffoldN50的长度。一般来说，contig/scaffoldN50越长，表示组装结果越好

组装的软件：

SOAPdenovo：中复杂度环境

MEGAHIT：资源消耗少，时间消耗短，组装结果优

SPAdes：组装效果优，资源消耗高

IDBA：适合测序深度不均一的数据，资源消耗过高

FLASH：A very fast and accurate software tool to merge paired-end reads from NGS experiments.（用于16s较多）

....

组装策略（原理）：

1基于序列overlap关系进行拼接，代表软件有Omega；

2 基于k-mer的ercde Bruijn图进行组装

（详细的原理自行百度）

简要使用

megahit -t 24 -m 0.95 --min-contig-len 500 --out-dir $SampleOutputDirASS --out-prefix $sample -1 $sample.R1.paired.fq.gz -2 $sample.R2.paired.fq.gz

              说明：

                            软件： megahit

                            参数： 基本默认

                                   --min-contig-len ： 指定最小的contig 的长度

                                    -t ：线程数

                                   -m ：内存使用率

                                   --out-dir ： 拼接的序列contig 和结果评估文件

                                   --out-prefix：输出的前缀

                            输出结果：   拼接的序列contig 和结果评估文件

组装结果的评估：

序列一致性评估（将reads比到基因组上，验证reads对基因组的覆盖情况，用于评估组装的完整性以及测序的均匀性。较高的mapping rate（90%以上）以及coverage（95%以上）认为组装结果和reads有比较好的一致性）；

序列完整性评估（50%的scaffold覆盖基因的95%以上，85%的scaffold覆盖基因的90%以上，认为组装较完整）；

准确性评估

保守性基因评估

评估软件：QUEST

quast.py megahit.contigs.fa -o megahit-report

 

 

 

参考：宏基因组组装：从what 到how

           megahit 组装结果进一步分析