宏基因组分析专题（4）：宏基因组拼接的高效工具：megahit的安装和使用在上一节“宏基因组分析专题

在上一节“ 宏基因组分析专题（3）：宏基因组数据的质控-fastQC和Trimmomatic的安装和使用 ”内容中我们讲解了测序数据的质量评估和控制，二代测序虽然其通量高，但是其错误率也高（通常一条read的前后若干bp错误率较高），在进行fastq质量评估和Trimmomatic对错误碱基进行修剪后，我们需要把质控后的reads通过一些软件结合一些算法把这些比较短的reads拼接成一些长一点的Contigs才能进行下一步的分析。下面来介绍一下宏基因组拼接的软件和流程。
写在前面宏基因组拼接工具有哪些？目前宏基因组拼接软件主要有4种：
（1）SOAPdenovo：这款软件由华大开发， SOAPdenovo2是用于short-read组装的软件，主要用于组装比较大的基因组，组装速度快但是错误率较高。
（2）SPAdes：metaSPAdes是目前宏基因组领域组装指标较好的软件，尤其在株水平组装优势明显，组装效果优，但是拼接时间长，资源消耗高
（3）IDBA：适合预测深度不均一的数据，且资源消耗过高
（4）Megahit：MEGAHIT是NGS de novo汇编程序，在土壤等复杂环境样本组装、大量样本混合组装方面优势明显，速度很快，消耗的资源少。本文将重点介绍MEGAHIT的安装和使用。
安装和使用第一：Megahit的介绍
MEGAHIT是NGS de novo汇编程序，用于以节省时间和成本的方式来汇编大型和复杂的宏基因组学数据。它分别在具有和不具有图形处理单元的单个计算节点上，在44.1和99.6 h内完成了252 Gbps的土壤宏基因组学数据集的组装。MEGAHIT将数据整体组装在一起，即不需要像分区和规范化这样的预处理。与以前的组装土壤数据的方法相比， MEGAHIT生成了三倍大的组装，具有更长的重叠群N50和平均重叠群长度；此外，有55.8％的读段与装配体对齐，从而提高了四倍。

文章图片

文章图片
图1 Megahit的流程图Megahit组装的算法使用的是基于迭代的kmer的DBG法，其特点是超快和超高效内存使用，所以Megahit的软件运行速度极快，节约了大量的拼接时间。
组装算法大致可以分为三类：1.基于OLC (Overlap-Layout-Consensus) ，适用于测序量不大的长片段数据2.基于kmer的DBG (de bruijn graph) ，适用测序量大的短片段数据3.综合OLC和DBG法第二：Megahit常用的参数
-1 一端测序的文件
【宏基因组分析专题（4）：宏基因组拼接的高效工具：megahit的安装和使用】-2 另一端测序的文件
-m/--memory 在 SdBG 构造中使用的最大内存（以字节为单位）
--k-list 设置k参数所有必须是奇数，在 15-255 范围内，增量 -o 输出的文件夹
--tmp-dir 输出临时文件
-v/--version 版本号
-v/--version 帮助第三：Megahit实战采用了上一章，用fastqc和Trimmatic质控后的数据：SRR1977249和SRR1976948双端质控后的数据。对于SRR1977249
megahit -t 20 -1 SRR1977249_1.clean.fastq.gz -2 SRR1977249_2.clean.fastq.gz -o SRR1977249
图2
SRR1977249数据耗时323秒

文章图片

文章图片
图3
输出的文件是多个k组装而输出的文件

文章图片

文章图片
图4
同样的对于SRR1976948数据：
megahit -t 20 -1 SRR1976948_1.clean.fastq.gz -2 SRR1976948_2.clean.fastq.gz -o SRR1976948