RFhap：基于随机森林的三亲组长读定相方法提高单倍型解析基因组组装准确性

《BMC Bioinformatics》：RFhap: accurate alignment-free long-read phasing for improved diploid de novo assembly

　　

摘要

背景

单倍型解析的新组装（haplotype-resolved de novo assemblies）能够实现全基因组范围内母源与父源变异的分离，从而改善与人类疾病相关的复杂变异的解读。Hifiasm-Trio等感知三亲组关系的组装工具利用亲本短读长数据，通过推导亲本特异性k-mer来指导长读组装图中的单倍型定相；然而，固定的k-mer长度和启发式策略在存在测序错误以及重复区域中组装图复杂性的情况下无法达到最优，导致定相错误和单倍型解析连续性的降低。

结果

本文提出RFhap，一种基于三亲组的长读定相方法，该方法整合了多k-mer亲本特异性标记、无需比对的k-mer查询引擎以及随机森林分类器，在新组装（de novo assembly）之前将长读序列分配给母源、父源或未知单倍型。我们在来自人类泛基因组项目的四个人类三亲组数据集上对RFhap进行了基准测试，涵盖两种ONT化学版本（R10.4和R9.4.1）。使用Merqury评估下游组装结果，与Hifiasm-Trio相比，RFhap将近乎使校正后的单倍型NG50翻倍（平均24.3 Mb vs. 13.1 Mb），并将切换错误率降低一半（平均0.111% vs. 0.236%），同时在一致性序列质量值（QV）和亲本k-mer完整性方面保持竞争力。与定相改善一致，RFhap在所有数据集中将长切换错误减少了约3倍，尤其是在散布重复区域内。

结论

RFhap从标准三亲组数据中提高了定相准确性，代表了从长读序列实现准确且自动化的二倍体人类新组装（de novo assembly）的重要一步。