用Flye组装基因组

背景介绍

之前找文章的时候看到 20 年发表在 nature 上的人类的 X 染色体的 T2T 基因组使用了这个软件（https://www.nature.com/articles/s41586-020-2547-7）所以准备试一试。

Github 地址：https://github.com/fenderglass/Flye/blob/flye/docs/USAGE.md

软件安装

感谢万能的 conda，一键安装省去烦恼~

conda install flye

软件运行

使用起来也非常简单明了，写得好的软件的一大特点就是使用起来很简单，作者把该想的都给你想到了，把需要加的参数加一加就可以了。

flye \
--pacbio-hifi \
/path/to/pacbio/test1.hifi_reads.fastq.gz \
/path/to/pacbio/test2.hifi_reads.fastq.gz \
/path/to/pacbio/test3.hifi_reads.fastq.gz \
-g x.xg \
-o $(pwd) \
-t 24 \
--scaffold \
--asm-coverage 21

这里解释一下用到的参数：

--pacbio-hifi 是选定数据的类型，不同类型的数据记得选别选错了。flye 支持两大三代测序平台的六种测序数据类型（普通的 pacbio 的纠错/未纠错数据还有 pacbio HiFi 数据；Nanopore 的纠错/未纠错数据和高质量的 nano-hq 数据）

-g 是设置基因组的大小，这个依据自己的基因组的 survey 结果填写就好。另外，flye 是能识别 m 和 g 等单位的表示的，比如基因组 3 个 Gb 就可以写 3g，12Mb 的基因组就可以写 12m。

-o 就比较简单了，就是输出到哪儿。我上面写的是输出到当前目录。

-t 在绝大多数的软件中都代表的是 threads，也就是线程数。可以把线程理解成服务器里的搬货工人，一个活儿参与来干的越多，那速度也相对是越快的。当然速度和 thread 的数量不是线性的，有的时候甚至不是 thread 设置得越多速度就会越快。“欲速则不达”就是这个道理。设置一个差不多的大小就可以了，留点线程给你的师兄师弟师姐师妹们吧~

--scaffold 是允许基于图的 scaffolding。从 2.9 版本的 flye 开始就不默认开启这个参数了。不设置这个参数，输出的结果里是不带 N 的，就是纯粹的 contig 水平。

--asm-coverage 如果你的基因组比较大，可以通过设置--asm-coverage 和 genome-size 去减少内存的使用，一般而言 40x 的数据量就足够生成一个合格的基因组了。

所有以上的这些参数，只有

1. 数据类型(--pacbio-hifi)
2. 输入文件 和
3. 输出文件夹（--out-dir, 即-o）

这三个是必须的，其他的参数都可留空。

私货时间

1. flye 还有个参数叫--keep-haplotypes是可以将单倍体保留下来而不进行塌缩（collapse）的参数，如果你想要组装一个单倍体级别(haplotype aware)的基因组的话，那这个参数的设置是很有必要的。
2. 不同类型数据的混装是不被允许的。比如一个 pacbio 平台的数据和一个 ONT 平台的，不能同时输入给 flye。
3. Flye 还提供了一个自己的 polisher 工具，可以指定一个路径，flye 会使用这个路径里的测序文件（也可以是 bam 文件）去进行组装后的 polish。