编辑推荐：
研究人员针对长读长测序错误率高问题，开发 GoldPolish-Target，其性能优且计算成本低。
在基因组测序的 “神秘宇宙” 中，科学家们一直致力于解读生命的密码，而高质量的基因组组装则是开启这扇神秘大门的关键钥匙。随着长读长测序技术的兴起，就像为探索者们配备了更强大的望远镜，能够捕捉到基因组中更遥远、更复杂的信息。像牛津纳米孔技术（Oxford Nanopore Technologies，ONT）和太平洋生物科学公司（Pacific Biosciences，PacBio）的仪器，它们产生的长读长序列能够跨越基因组中的大片区域，帮助解析复杂的结构变异和高同源性区域。
然而，长读长测序并非完美无缺，它的高错误率就像望远镜上的污渍，影响着观测的清晰度。与 Illumina 的短读长测序相比，ONT 和 PacBio 的错误率相对较高（1 - 15%），而 Illumina 短读长测序错误率仅约为 0.1 - 1%。这些错误会像隐藏在代码中的 “小怪兽”，干扰后续基因组组装的碱基质量，阻碍准确的下游分析，比如影响真正变异的识别和比较基因组研究。
为了 “打败” 这些 “小怪兽”，许多错误校正工具应运而生，如 Racon、Medaka 和 GoldPolish 等。但即便如此，许多基因组组装流程仍存在高错误率区域，比如碎片化重叠群的末端区域，以及像 GoldRush 基因组组装流程中 ntLink 在填补间隙时留下的未抛光碱基区域。这些区域就像基因组中的 “暗区”，充满不确定性，严重影响下游分析的可靠性。
为了照亮这些 “暗区”，加拿大的 Michael Smith 基因组科学中心的研究人员 Emily Zhang、Lauren Coombe 等人开展了一项重要研究，开发出了 GoldPolish-Target（GP-Target），这是一种基于 GoldPolish 的长读长靶向抛光流程。该研究成果发表在《BMC Bioinformatics》杂志上。
研究人员在研究中运用了多种关键技术方法。首先，使用 SnakeMake 搭建 GP-Target 工作流程，它包括长读长序列映射、目标序列提取、PAF 映射文件更新、GoldPolish 纠错以及抛光后目标序列回插等步骤。在实验数据方面，选用了果蝇（Drosophila melanogaster）和人类（Homo sapiens）的数据集，这些数据来自序列读取档案（SRA）。为了评估抛光效果，研究人员使用了 QUAST、Merqury 和 BUSCO 等工具进行多维度的质量评估。
下面来看看具体的研究结果：
- 评估碱基错误（QUAST）：研究人员使用 QUAST 比较了 GP-Target 和 Medaka 在纠正果蝇和人类基因组组装草案中插入、缺失（indel）和错配错误的性能。结果显示，在果蝇基因组组装中，尽管 GP-Target 靶向区域仅占总序列长度的 15.4%，但它能显著提高碱基准确性，ntLink 和 minimap2 映射下分别减少 49.2% 和 45.2% 的 indel 错误，以及 55.4% 和 42.1% 的错配错误；在人类基因组组装中，仅 7.2% 的区域进行 ONT 长读长抛光，GP-Target（ntLink）减少 22.8% 的 indel 错误，GP-Target（minimap2）减少 22.9% 的 indel 错误，两者均减少 20.0% 的错配错误。这表明 GP-Target 在纠正错误方面表现出色，与 Medaka 性能相当。
- 评估一致性质量（Merqury）：研究人员利用 Merqury 评估了每个数据集靶向抛光前后的一致性质量得分（QV）。在果蝇基因组组装中，GP-Target（ntLink）和 GP-Target（minimap2）分别使 QV 增加 8.3% 和 7.4%，Medaka 增加 8.3%；在人类基因组组装中，GP-Target（ntLink）和 GP-Target（minimap2）分别使 QV 增加 6.9% 和 7.0%，Medaka 增加 7.5%。所有抛光后的基因组组装 QV 得分都超过 99.9% 的碱基准确性，表明 GP-Target 能有效提升组装的一致性质量。
- 评估基因完整性（BUSCO）：研究人员借助 BUSCO 工具评估基因组组装在基因空间的完整性。在果蝇基因组组装中，GP-Target 抛光后恢复了 6 个完整的 BUSCOs（占所有调查 BUSCO 组的 0.19%），Medaka 恢复了 8 个（占 0.25%）；在人类数据集里，GP-Target（ntLink）和 GP-Target（minimap2）分别恢复了 116 个和 106 个完整的 BUSCOs（均占 0.8%），Medaka 恢复了 132 个（占 1%）。尽管 GP-Target 仅靶向部分基因组，但它对错误的纠正有助于恢复更多完整的 BUSCOs，使基因组组装更完整。
- 计算资源使用：研究人员对比了 GP-Target 和 Medaka 的计算资源使用情况。结果发现，无论使用哪种映射算法（ntLink 或 minimap2），GP-Target 在总运行时间和峰值随机存取内存（RAM）使用上都更高效。在抛光果蝇基因组时，GP-Target（minimap2）平均运行时间为 8.2 分钟，峰值 RAM 为 3.0GB，而 Medaka 平均需 3.0 小时，RAM 为 33.8GB；在抛光人类基因组时，GP-Target（ntLink）平均抛光时间为 1.7 小时，峰值 RAM 为 2.6GB，Medaka 则需 45.8 小时，RAM 为 38.0GB。这充分体现了 GP-Target 在计算资源利用上的优势。
- 与全局抛光算法比较：研究人员将 GP-Target 与全局抛光算法进行比较。结果表明，Medaka 在非靶向模式下虽能大幅减少错误，但计算资源消耗巨大；GoldPolish 作为全局抛光工具，在某些情况下甚至会增加错配错误。而 GP-Target 通过靶向特定区域，简化了 Bloom 滤波器引导的抛光步骤，提高了抛光质量，且运行时间更短，峰值 RAM 使用更低，还能让用户灵活选择感兴趣的区域进行抛光。
综上所述，GP-Target 是一种强大、高效且灵活的靶向长读长抛光流程。它在提高基因组组装碱基质量方面与 Medaka 相当，但计算效率更高，运行时间更短，内存占用更小。此外，它还支持多种映射方式，具有很强的适应性，未来有望与更多工具集成。这一研究成果为基因组学研究提供了更有力的工具，将推动长读长基因组组装技术的进一步发展，助力科学家们更准确地解读生命密码，在基因组学领域具有重要的意义。
