基于de Bruijn图的基因组组装正确性保障算法SAMA及其在避免错误组装中的应用

基因组组装是计算生物学中的核心挑战，现有方法依赖启发式策略导致正确性难以评估。Leena Salmela团队开发了SAMA算法，通过建立de Bruijn图中每条边的错误组装概率模型，首次在考虑数据缺失的情况下实现组装位置特异性正确性保障。实验表明，在高k-mer覆盖度时，SAMA能生成与主流组装工具相当的连续序列，同时提供严格错误率控制，为基因组分析和结构变异检测提供新工具。

　　

基因组组装如同拼合一幅来自数百万碎片的生物拼图，现有技术虽能构建大致轮廓，却常因重复序列和测序误差产生错误连接。传统基于de Bruijn图的方法依赖启发式修剪（如SPAdes的tip/bulge移除），导致组装正确性无法量化评估。更棘手的是，当测序覆盖不全时，即使理论保证的unitigs或omnitigs也可能包含非基因组真实序列。这种"黑箱"操作使得下游分析如结构变异检测面临根本性信任危机。

赫尔辛基大学Leena Salmela团队在《Algorithms for Molecular Biology》发表的研究中，提出了革命性的SAMA（Sequence Assembly avoiding MisAssemblies）算法。该工作首次建立了de Bruijn图边的错误组装概率模型，通过整合k-mer丰度统计与重复序列多拷贝分布，实现了每个组装位点错误率的精确量化。当设定容忍阈值ε=0.01时，在E.coli 80x HiFi数据中实现NGA50 78,618bp的连续组装且零错误，其性能媲美主流工具但具备理论保障。

关键技术包括：1）基于BCALM2构建de Bruijn图；2）采用Detox估算k-mer重复拷贝数α；3）建立α-重复的误接概率公式（式1-5），计算满足预设错误率ε的最小k+1-mer丰度阈值；4）双向遍历筛选符合阈值的边生成contigs。实验使用E.coli、S.aureus真实数据和人类21号染色体模拟数据，覆盖20-80x Illumina/HiFi测序。

【Results】

Abundance thresholds分析

通过二项分布右尾概率上界（式2）发现：低丰度k-mer阈值接近其丰度一半（因多为单拷贝），而高丰度k-mer因多属α-重复需接近全丰度（图2-4）。当ε=0.0001时，E.coli中某些k-mer丰度无可行阈值，揭示数据局限性。

Comparison to other methods

在E.coli 80x数据中，SAMA(k=63,ε=0.4)实现78,618bp NGA50，与SPAdes相当但零错误（表2）。人类21号染色体60x数据中，其NGA50(8,300bp)显著优于SPAdes(8,187bp)，证明复杂基因组优势。BCALM2单位体因保守策略NGA50普遍低30-50%。

【Conclusions】
该研究突破性地将概率论引入基因组组装质量控制，其模型可扩展至：1）结构变异置信度评估；2）de Bruijn图直接分析时的边权重分配。局限性在于当前仅适用于单倍体，未来可向二倍体/宏基因组拓展。SAMA已开源（AGPL协议），为基因组科学提供了首个具备数学可解释性的组装工具链。