GenomeScope：基于未组装短读长序列的快速基因组分析 作者 ：Vurture GW、Sedlazeck FJ、Nattestad M、Underwood CJ、Fang H、Gurtowski J、Schatz MC（2017） 期刊 ：《生物信息学》 文献链接 ：https://doi.org/10.1093/bioinformatics/btx153
bash
http://genomescope.org/ #在线版官网正文翻译
当前从头组装技术的发展，大多聚焦于结构相对简单的基因组。即便是人类基因组（杂合率仅约 0.1%，标准二倍体），其复杂度也远低于诸多其他物种，尤其是植物。如今基因组学研究正逐步转向解析高复杂度物种，例如菠萝、甘蔗、小麦：这类物种杂合度更高（菠萝杂合率＞1%）、倍性复杂（甘蔗为八倍体）、基因组体量庞大（小麦基因组达 160 亿碱基对）。
测定新物种基因组时，首要目标之一就是解析基因组整体特征，包括基因组大小、重复序列占比、杂合率。这些指标不仅可用于研究基因组演化规律，还能为基因组组装的各项参数设置提供参考；同时也可作为独立质控依据，例如评估组装质量、在变异检测前预估基因组杂合位点数量。
我们开发了分析模型与开源软件 GenomeScope ，可直接利用未组装测序数据 推导基因组整体特征。该软件依托 k-mer 频数分布（常用工具 Jellyfish 统计得到），数秒内即可生成分析报告与可视化图谱，直观展示基因组各项属性。本研究通过模拟杂合基因组 、以及已有参考序列的微生物 / 真核生物菌株杂交数据集，验证了该方法的可靠性。目前 GenomeScope 也已应用于多个新物种研究，包括菠萝、梨、再生涡虫（Macrostomum lignano）与亚洲海鲈。
快速上手
使用 GenomeScope 前，需先统计k-mer 频数直方图 ，推荐工具 Jellyfish（下载地址：http://www.genome.umd.edu/jellyfish.html）。编译安装 Jellyfish 后，执行以下命令统计 k-mer：
jellyfish count -C -m 21 -s 1000000000 -t 10 *.fastq -o reads.jf参数说明
需根据服务器配置调整内存 (-s)和线程数 (-t)；示例命令使用 10 线程、1GB 内存。
-m：设置 k-mer 长度。若测序深度偏低或测序错误率偏高，需酌情调整该值。- 绝大多数物种推荐使用 k=21：该长度既能保证大部分 k-mer 为非重复序列，同时对测序错误的容错性更强。
- 单倍体基因组远超 100 亿碱基对、或重复序列占比极高的物种，建议选用更长的 k-mer，以提升独有 k-mer 的数量。
关键要求
- 测序深度 ：单倍体基因组测序深度至少达到25×，深度不足会导致模型拟合失败、无法收敛；
- 测序质量 ：仅适用于低错误率数据（如 Illumina 测序）。若错误率达到 2%（平均每 50 个碱基出现 1 处错误），已超过常规 k-mer 长度（k=21）；牛津纳米孔、PacBio 单分子测序数据（错误率 5%~15%）不支持使用；
- 必须添加参数
-C（统计标准 k-mer）：测序读段同时包含 DNA 正、反链序列，该参数可保证统计结果准确。
导出 k-mer 频数直方图
bash
jellyfish histo -t 10 reads.jf > reads.histo同样可根据服务器性能调整线程数-t。得到直方图文件后，可使用网页版或命令行版运行 GenomeScope。
网页版运行
网页版操作简单、功能完整，访问地址：http://genomescope.org/
命令行版运行
依托 R 脚本genomescope.R分析，需确保Rscript已配置系统环境变量（也可修改脚本解释器路径）：
Rscript genomescope.R 直方图文件 k-mer长度 读长 输出目录 [最大k-mer覆盖度] [详细输出]- 必选参数：直方图文件、k-mer 长度、测序读长、结果输出目录；
- 可选参数 ：
最大k-mer覆盖度：过滤高拷贝 k-mer 的阈值，推荐设为 1000，可根据数据特征调整；详细输出：设为 1 时，输出模型拟合的详细日志。
分析完成后，图谱与基因组特征统计文本会自动保存至指定输出目录。
运行示例
可下载文中拟南芥 F1 代样本的直方图文件测试： https://raw.githubusercontent.com/schatzlab/genomescope/master/analysis/real_data/ara_F1_21.hist
执行命令：
/PATH/TO/Rscript /PATH/TO/genomescope.R ara_F1_21.hist 21 150 output程序 1 分钟内即可运行完毕，输出示例： Model converged het:0.0104 kcov:22.2 err:0.0035 model fit:0.446 len:151975724 结果解读：模型收敛，杂合率 1.04%，k-mer 平均覆盖度 22.2，测序错误率 0.35%，模型拟合度 0.446，预估基因组大小 151.9 Mb。
受模型随机运算影响，最终数值会存在小幅波动。
配套教程
Andrew Severin 编写的实操教程：http://gif.biotech.iastate.edu/genomescope
常见问题（FAQ）
1. 模型无法收敛，或分析结果与预期偏差极大？
最主要原因是测序深度不足，模型无法识别纯合 k-mer 对应的特征峰；表现为 k-mer 分布图无明显峰形、拟合曲线与实际数据偏差严重。 解决办法：
- 确认 Jellyfish 已开启标准 k-mer 统计（参数
-C）； - 尝试将 k-mer 长度调低至 17 或 19；
- 以上操作均无效时，需补充测序数据、提升测序深度。
2. 单倍体基因组大小如何计算？为何要除以纯合 k-mer 覆盖度的 2 倍？
首先区分变量定义：文献中用λ 、代码中用kcov，二者指代同一数值（杂合 k-mer 的平均覆盖度）。 模型会识别 4 个特征峰，中心位置依次为 λ、2λ、3λ、4λ，分别对应：独有杂合序列、独有纯合序列、重复杂合序列、重复纯合序列的平均覆盖度。
单倍体基因组计算公式：（剔除测序错误后的总 k-mer 数量） ÷ 纯合 k-mer 平均覆盖度（2λ）。
举例说明：人类基因组单倍体约 30 亿碱基对，二倍体约 60 亿碱基对。若总测序数据量为 300 Gb，相当于父、母本单倍体各获得 50× 测序深度。由于人类杂合度极低，分布图主峰对应 100× 覆盖度。此时模型判定：杂合 k-mer 覆盖度 λ=50×，纯合 k-mer 覆盖度 2λ=100×。总测序量 ÷ 纯合覆盖度（100×），即可算出单倍体基因组大小为 3 Gb。 若两套单倍体序列长度差异较大，最终输出结果为两者平均值。
3. GenomeScope 能否分析多倍体基因组、估算倍性？
仅支持标准二倍体基因组 ，暂不兼容多倍体。理论上可通过拓展模型识别更多峰形以适配多倍体，但目前软件未实现。 同时也不支持非整倍体样本（如肿瘤细胞、性染色体数目异常样本）：此类样本输出的杂合率，会混淆单拷贝区域、双拷贝区域及染色体杂合位点的占比。
4. 传统 k-mer 法预估基因组 869~919 Mb，GenomeScope 结果仅 650 Mb，偏差超 200 Mb？
核心原因是高拷贝 k-mer 过滤阈值 ：真实数据中超高拷贝 k-mer 多为噬菌体、细胞器 DNA 等污染序列，属于干扰信号。 软件默认过滤覆盖度＞1000的 k-mer，这会直接拉低基因组预估大小。 示例：默认阈值下结果为 649 Mb；将阈值上调至 10000，结果变为 697 Mb。
解决办法：
- Jellyfish 默认会截断高覆盖度统计，若需纳入超高拷贝 k-mer，重新运行 Jellyfish 生成完整直方图；
- 上调 GenomeScope 的最大 k-mer 覆盖度阈值（可设为 10 万、100 万）；
注意：阈值越高，结果越易受污染序列干扰，需根据数据情况权衡。详细参考原文补充材料（拟南芥高拷贝 k-mer 分析章节）。
5. 两个近缘鱼类样本单独分析杂合率分别为 0.103%、0.113%，合并读段后杂合率降至 0.056%？
两个样本合并后，数据等效为四倍体 ，而 GenomeScope 仅适配二倍体模型，因此分析结果失真。 混合数据会产生新的杂合 k-mer 峰，但软件会误将其判定为测序错误。目前团队正在开发多倍体适配模型。 验证方案：将读段比对至基因组组装序列，可检测出两种等位基因频率的变异位点。 多倍体模拟代码仓库：https://github.com/schatzlab/genomescope/tree/master/analysis/genomesim/polyploid
6. 图谱中各项指标含义？
完整定义见原文补充方法，简要释义：
- len：预估基因组总长度
- uniq：基因组中非重复序列（独有序列）占比
- het：整体杂合率
- kcov：杂合位点对应的 k-mer 平均覆盖度（真实数据存在离散分布，峰顶不会与 kcov 标线重合）
- err：测序读段的错误率
- dup：读段平均重复率
相关
大型基因组变异位点 VCF 文件：http://labshare.cshl.edu/shares/schatzlab/www-data/genomescope/vcf/
参考文献
Vurture GW, Sedlazeck FJ, Nattestad M, et al. (2017) Bioinformatics. 文献 DOI：https://doi.org/10.1093/bioinformatics/btx153