一個物種不僅需要高質(zhì)量的基因組序列信息,同時還需要高準(zhǔn)確的基因注釋信息，這是后基因組時代功能基因組學(xué)研究的基礎(chǔ)，因而進(jìn)行高質(zhì)量的基因注釋顯得尤為重要。
一、真核生物基因結(jié)構(gòu)及注釋方式
真核生物基因在結(jié)構(gòu)分為外顯子和內(nèi)含子，在轉(zhuǎn)錄過程中會修剪內(nèi)含子，并拼合外顯子最后形成轉(zhuǎn)錄本。正是由于這種剪切形式的存在，造成了真核生物基因可以采用不同的剪接形式（可變剪接），形成不同的轉(zhuǎn)錄本，從而發(fā)揮更加廣泛且精準(zhǔn)的作用，這也導(dǎo)致了真核生物基因結(jié)構(gòu)注釋難度較大。另外基因組中大量非編碼區(qū)域的存在也嚴(yán)重影響基因的定位，造成精準(zhǔn)注釋的困難！
圖1 真核生物基因結(jié)構(gòu)[1]
（1）同源預(yù)測(homology-based prediction)：目前已發(fā)表大量基因組，可以利用物種間基因序列較好的保守性，使用已有的高質(zhì)量近緣物種注釋信息通過序列聯(lián)配的方式確定外顯子邊界和剪切位點。目前常用的軟件有GeneWise、GeMoMa等，GeMoMa預(yù)測效果較好。
（2）從頭預(yù)測(de novo prediction)：通過已有的基因特征訓(xùn)練模型來預(yù)測基因結(jié)構(gòu)，一般預(yù)測基因數(shù)量較多，準(zhǔn)確性較低，但在有好的訓(xùn)練集條件下，如有全長轉(zhuǎn)錄本提供訓(xùn)練集和預(yù)測證據(jù)，也能取得很好的效果。常用的軟件有AUGUSTUS、GlimmerHMM、SNAP、GeneID、GenCsan等。
（3）基于轉(zhuǎn)錄組預(yù)測(transcriptome-based prediction)：指通過物種各個組織混合的RNA-seq和三代全長轉(zhuǎn)錄本數(shù)據(jù)數(shù)據(jù)來輔助預(yù)測。由于轉(zhuǎn)錄組這種數(shù)據(jù)是轉(zhuǎn)錄本結(jié)構(gòu)的直接反應(yīng)，因而利用此種類型數(shù)據(jù)，可以比較真實準(zhǔn)確的確定外顯子區(qū)域和剪切位點，在基因預(yù)測三種策略中屬于可靠性最高的策略。常用的軟件有PASA、TransDecoder、GeneMarkS-T等。
總之三種方法各有優(yōu)劣，如同源預(yù)測受限于近緣物種注釋質(zhì)量，但在近緣物種注釋質(zhì)量較高的前提下可以實現(xiàn)大多數(shù)基因的準(zhǔn)確注釋；從頭預(yù)測，預(yù)測基因數(shù)量多，但完整度好，不容易丟失一些基因，尤其是在近緣物種中沒有的新基因，但其不可避免引入一些假的預(yù)測結(jié)果；轉(zhuǎn)錄組預(yù)測，準(zhǔn)確度最高，但由于表達(dá)的基因一般也就只有60%~70%左右，所以檢測到的基因數(shù)量有限。故最后一般要用EvidenceModeler(EVM)等工具進(jìn)行三種預(yù)測策略的整合，再進(jìn)行后續(xù)的蛋白功能域、代謝通路等的注釋。
圖2 從頭預(yù)測、基于轉(zhuǎn)錄組預(yù)測及同源預(yù)測基因結(jié)構(gòu)展示[2]
二、二代轉(zhuǎn)錄組和三代全長轉(zhuǎn)錄組在基因預(yù)測中對比
二代轉(zhuǎn)錄組測序技術(shù)，通常打斷成小片段進(jìn)行測序，后期通過對小片段組裝（如采用Tirnity軟件)，獲取相對完整的轉(zhuǎn)錄本。但是由于測序片段較短可能會存在組裝錯誤或者組裝不完整，導(dǎo)致不能準(zhǔn)確獲得完整轉(zhuǎn)錄本，進(jìn)而對基因預(yù)測的完整性和準(zhǔn)確性產(chǎn)生嚴(yán)重的影響。
01 獲得準(zhǔn)確的完整轉(zhuǎn)錄本
基于三代測序平臺可以直接獲取轉(zhuǎn)錄本的5ˊ到3ˊ高質(zhì)量全長序列，無需組裝，一條read即可跨越全長轉(zhuǎn)錄本，因此通過將read比對基因組就能夠非常容易的確定基因在基因組上的位置和其完整結(jié)構(gòu)，因而非常有利于基因的注釋工作，且準(zhǔn)確性較高（參見下圖以水稻一個基因為例）。
?圖3?三種數(shù)據(jù)比對基因組結(jié)果
圖3中最下方為參考轉(zhuǎn)錄本結(jié)構(gòu)，可見三代平臺均實現(xiàn)一條read覆蓋，且存在多條read同時支持，二代平臺則由眾多短read組成，后續(xù)組裝需借助算法才能組裝到完整轉(zhuǎn)錄本，存在不確定性。
02獲得準(zhǔn)確的可變剪接
在可變剪接方面，三代全長測序結(jié)果可以捕獲更多、更準(zhǔn)的、不同可變剪切形成的轉(zhuǎn)錄本，如圖4顯示，Exon2和Exon6以及Exon9是三個轉(zhuǎn)錄本間共享，二代多數(shù)短read單條連一個外顯子區(qū)都無法跨越，對于完全比對到這3個外顯子區(qū)的短reads無法區(qū)分其來源轉(zhuǎn)錄本。而Nanopore長讀長測序可以直接得到3種全長轉(zhuǎn)錄本，因此對于轉(zhuǎn)錄本可變剪接識別更準(zhǔn)確。
圖4 ?二代轉(zhuǎn)錄組與ONT全長轉(zhuǎn)錄組識別可變剪接
三、Nanopore在三代全長轉(zhuǎn)錄組輔助基因預(yù)測中的優(yōu)勢
01數(shù)據(jù)及成本更親和
長度長在轉(zhuǎn)錄本分析方面比短讀長測序技術(shù)有明顯的優(yōu)勢。PacBio平臺由于測序原理限制，一個ZMW孔只能循環(huán)測序一個分子，加上芯片中 ZMW 孔數(shù)限制，需要較大的數(shù)據(jù)量以及更多的測序芯片才能達(dá)到飽和，成本相對較高。Nanopore測序原理使得在一個分子穿越納米孔后其他分子還可繼續(xù)穿行，更少的數(shù)據(jù)量可以獲得更多的信息，因此成本也更加親和。百邁客研發(fā)團(tuán)隊將相同物種不同平臺的結(jié)果進(jìn)行比較發(fā)現(xiàn)，當(dāng)預(yù)測到數(shù)量近似相等的高準(zhǔn)確的基因時，PacBio平臺所需轉(zhuǎn)錄組數(shù)據(jù)量遠(yuǎn)遠(yuǎn)多于Nanopore（表1）。
表1 不同物種PacBio與Nanopore獲取相近高準(zhǔn)確基因數(shù)量時對應(yīng)所需數(shù)據(jù)量
注：基因數(shù)：identity和coverage均大于90時的高準(zhǔn)確基因數(shù)
02準(zhǔn)確性具有保障
三代測序的錯誤率太高，會不會對結(jié)果有影響呢？目前Nanopore下機(jī)數(shù)據(jù)準(zhǔn)確率已經(jīng)可以到90%，即堿基平均錯誤率為10^(-1)=10%左右，完全可以將read準(zhǔn)確的回帖到參考基因組中的，因此不會出現(xiàn)錯誤比對的情況。唯一需要解決的是可變剪接位點比對位置的準(zhǔn)確性，目前我們基于自己開發(fā)的軟件NanoGAP，借助于二代RNA-seq數(shù)據(jù)、自身ONT數(shù)據(jù)及其他方法預(yù)測結(jié)果，共同糾正轉(zhuǎn)錄本剪接位點，實現(xiàn)了在小數(shù)據(jù)量情況下與PB CCS模式下同等的準(zhǔn)確性（見表1及圖5）！
圖5?NanoGAP預(yù)測結(jié)果示意圖
圖5中分別展示了RNA-seq和ONT原始數(shù)據(jù)比對結(jié)果，參考基因的結(jié)構(gòu)和經(jīng)過NanoGAP糾正和聚類后此位置轉(zhuǎn)錄本的結(jié)構(gòu)。其中NanoGAP預(yù)測到的ONT final Alt1轉(zhuǎn)錄本，其結(jié)構(gòu)與參考基因結(jié)構(gòu)完全一樣，證明我們采ONT數(shù)據(jù)進(jìn)行預(yù)測的高準(zhǔn)確性。同時NanoGAP預(yù)測到的一個新的可變剪接ONT final Alt2，表明擁有更長讀長的ONT在獲取可變剪接方面存在一定優(yōu)勢。
03物種與數(shù)據(jù)量需求
進(jìn)行基因的預(yù)測，不同于有參條件下進(jìn)行基因的表達(dá)定量。由于三代測序存在一定的錯誤率，所以我們需要通過增加數(shù)據(jù)量實現(xiàn)對轉(zhuǎn)錄本的糾正，進(jìn)而獲得高質(zhì)量的轉(zhuǎn)錄本，用于基因的輔助預(yù)測。那么多少數(shù)據(jù)量適合呢？不同的物種的需求是否不同呢？百邁客研發(fā)團(tuán)隊抱著這樣的疑問進(jìn)行了多輪多物種Nanopore數(shù)據(jù)檢測，研究結(jié)果顯示不同物種具有數(shù)據(jù)量需求差異，在5-20 Gb時隨著數(shù)據(jù)量的增加，預(yù)測到的高準(zhǔn)確基因數(shù)迅速上升，部分物種在10G左右預(yù)測到的高準(zhǔn)確基因數(shù)量可以達(dá)到最大，在數(shù)據(jù)到20 Gb左右時，絕大多數(shù)物種已達(dá)到高準(zhǔn)確基因覆蓋度飽和。而多倍體物種在20-30 Gb時，高準(zhǔn)確基因覆蓋度基本達(dá)到最大。
04具有拓展應(yīng)用
組織差異越大，基因的表達(dá)差異通常也越大，因此基于轉(zhuǎn)錄組預(yù)測的方式需要多組織進(jìn)行混樣分析以獲得更全面的基因信息。與PB相比ONT還具有無GC含量和堿基偏好性、轉(zhuǎn)錄本表達(dá)定量準(zhǔn)確的特性，在混合數(shù)據(jù)應(yīng)用于注釋分析前，可以用作多組織/多處理下的表達(dá)差異分析。實現(xiàn)樣本一次檢測多種分析，完成數(shù)據(jù)最大利用率，也為文章添光增彩。
四、案例分析
研究者分別用二代與三代全長轉(zhuǎn)錄測序?qū)﹀a蘭鉤口線蟲（Ancylostoma ceylanicum）基因結(jié)構(gòu)預(yù)測，研究發(fā)現(xiàn)三代全長測序與二代測序相比的一個顯著特點是UTR的數(shù)量和長度增加，尤其是3’UTR，帶有3’UTR和5’UTR的基因數(shù)量分別增加了5倍和3倍。研究結(jié)果說明了長讀長在定義基因UTR和因此更完整的ORF方面的優(yōu)勢。而研究表明UTR區(qū)域與真核生物中基因表達(dá)調(diào)控的復(fù)雜性相關(guān)，進(jìn)一步說明了全長測序在基因發(fā)現(xiàn)和識別基因邊界方面的重要性[3]。
圖6 （A）3’UTR和（B）5’UTR的全長和RNA-seq之間UTR長度的差異
進(jìn)一步的基因鑒定結(jié)果顯示，基于二代轉(zhuǎn)錄本的BLASTX（紅色）和protein2genome（藍(lán)色）預(yù)測了一個短基因模型，但是全長轉(zhuǎn)錄序列（綠色）擴(kuò)展了現(xiàn)有的基因，并預(yù)測了一個新的基因[3]。除此之外，研究者通過三代全長技術(shù)共鑒定1609個（9.2%）新基因，表明了全長轉(zhuǎn)錄組的加入使基因注釋更豐富。
圖7 二代與三代基因結(jié)構(gòu)預(yù)測結(jié)果比較
五、尾聲
綜上所述，我們不難發(fā)現(xiàn)：全長轉(zhuǎn)錄組輔助基因預(yù)測與二代技術(shù)相比具有
①三代技術(shù)直接得到全長轉(zhuǎn)錄本，無需組裝，結(jié)果更可靠，基因定位和結(jié)構(gòu)注釋更加準(zhǔn)確；
②轉(zhuǎn)錄本可變剪接識別更加容易，結(jié)果也更加可靠
③轉(zhuǎn)錄本的5’和3’端覆蓋更均勻、完整，基因的UTR(非翻譯區(qū))定位更加精準(zhǔn)等優(yōu)勢；
而三代測序中，Nanopore與PacBio相比，又具有低數(shù)據(jù)量飽和的優(yōu)勢（大多數(shù)物種20 Gb基本可以達(dá)到飽和及分析需求），低成本高收益的方式為科研之路提供了新的方向。
（1）全長轉(zhuǎn)錄組提升玉米基因組注釋(Li C?et al., Nature Communications.2020)：
（2）ONT輔助金線鯔魚轉(zhuǎn)錄組注釋統(tǒng)計（Kadobianskyi M et al., Scientific Data.2019):
如果您對全長轉(zhuǎn)錄組測序技術(shù)感興趣，您可以點擊下方按鈕聯(lián)系我們，我們將免費為您設(shè)計文章思路方案。
更多使用全長轉(zhuǎn)錄進(jìn)行基因組注釋優(yōu)秀案例（2020）:
京公網(wǎng)安備 11011302003368號