基于序列上下文驱动的DNA断裂概率提升超短片段从头基因组组装算法的新策略

本研究针对高度降解DNA样本或超短测序读长的从头基因组组装难题，提出利用序列上下文驱动的DNA断裂概率参数化方法。研究人员通过模拟超声断裂过程证明，整合k-mer断裂概率的断裂倾向性评分(BPS)能有效筛选更接近原始基因组的组装方案，尤其在读长低于25 bp的极端条件下表现显著。该工作为古DNA、法医DNA和细胞游离DNA等领域的超短片段组装提供了创新思路。

　　

在基因组学研究中，从头基因组组装(de novo genome assembly)如同完成一幅没有参考图纸的巨型拼图，尤其当DNA样本高度降解或测序读长极短时，这项任务变得异常困难。古DNA研究、法医鉴定和细胞游离DNA分析等领域常面临这样的挑战：DNA片段可能短至25 bp以下，而现代组装算法通常要求读长在25-50 bp之间。更棘手的是，当前概率性方法主要依赖k-mer频率统计，却忽略了序列上下文对DNA断裂模式的深刻影响。

发表在《BMC Bioinformatics》的这项研究由Patrick Pflughaupt和Aleksandr B. Sahakyan团队开展，他们创新性地将序列上下文驱动的DNA断裂概率引入组装算法评估体系。研究团队首先利用前期开发的DNAfrAIlib库获取超声断裂的k-mer概率参数，通过模拟人类参考基因组中随机采样的1 kb序列，以覆盖度40×生成读长16-40 bp的片段库。基于de Bruijn图构建组装contig后，通过比对测序读长推断断裂位点，计算断裂倾向性评分(BPS)——即加权聚合各断裂点对应八聚体的断裂概率。与真实序列的Levenshtein距离对比显示，BPS越高的组装方案越接近原始序列，尤其在读长≤20 bp时差异最显著。

关键技术方法包括：从T2T人类基因组随机采样序列；基于DNAfrAIlib库的八聚体断裂概率参数化模拟超声断裂；de Bruijn图组装算法实现；通过读长与contig比对推断断裂位点；BPS计算与Levenshtein距离评估体系。

Sequence context influences the formation of DNA strand breaks

研究表明DNA断裂倾向受三重序列范围影响：短范围（断裂点周边14 bp，贡献72%）、中范围（93 bp，12%）和长范围（297 bp，剩余影响）。八聚体序列上下文最能代表短范围效应，其断裂概率通过贝叶斯定理计算：P(breakage|k-mer) ∝ P(k-mer|breakage)/P(k-mer)。

DNA breakage probabilities in sequencing fragmentation

超声断裂（>20 kHz）作为测序库构建常用方法，其k-mer概率具有实验间一致性。不同实验的断裂位点重叠率仅3%，证明概率参数捕获的是普适性序列依赖性，而非随机断裂模式。

Simulating context-biased fragmentation of sequences

通过概率偏置的随机断裂模拟，在读长16-40 bp条件下生成片段库。重点测试了低于算法阈值（25 bp）的极端情况，验证方法在超短片段组装的适用性。

Selecting for optimal de novo assembled sequences

BPS与Levenshtein距离呈负相关（斯皮尔曼相关系数0.638，p<2.2×10^-16），且BPS前5%的组装序列质量显著优于其余组（p<2.2×10^-16）。长度标准化后趋势依旧存在，证明BPS可作为独立于组装长度的质量指标。

Breakage pattern scoring selects for better de novo assemblies

在读长16 bp时，BPS对优质组装的区分度最显著。该方法首次将断裂概率合规性转化为可量化的组装质量指标，为处理万年级古DNA碎片（理论半衰期521年）提供新思路。

本研究通过概念验证表明，序列上下文驱动的断裂概率能有效提升超短片段组装质量。虽然当前实现为简化模型，但为核心算法集成奠定基础：未来将概率评估嵌入de Bruijn图遍历过程，可进一步降低可组装读长阈值。该方法特别适用于自然降解、法医样本等特定断裂模式场景，为解锁更古老DNA样本的遗传信息创造可能。研究强调该方向需由专业基因组组装团队实现规模化应用，其价值在于为极端降解DNA研究提供新的概率框架而非即时可用的工具。