基因组注释｜2. 基因组的完整性评估

1. BUSCO

输入

1.FASTA 格式基因组，命名为 dmel.fa

为避免后续分析报错，请确保基因组FASTA Header行仅包含字母，不包含空格等其他字符，即“>NC_004354.4 Drosophila melanogaster chromosome X”改为“>NC_004354.4”，可通过以下脚本过滤。

python genome_clean.py dmel_raw.fa > dmel.fa

from sys import argv
for x in open(argv[1]):
    x=x.strip()
    if x.startswith('>'):
        print(x.split()[0])
    else:
        print(x)

2.昆虫纲BUSCO核心基因集, 解压后得到文件夹——insecta_odb10

运行

busco --cpu 30 -l /home/meiyang/project/09_annotation/01_BUSCO/insecta_odb10 --mode genome -o out --i dmel.fa --offline

参数：

-l，指定库文件夹的绝对路径

输出

out/
├── logs
├── run_insecta_odb10
├── short_summary.specific.insecta_odb10.out.json
└── short_summary.specific.insecta_odb10.out.txt

run_insecta_odb10，记录了运行过程中的所有文件。其中，busco_sequences目录中包含有预测得到的BUSCO核心基因序列，可用于系统发育分析。

run_insecta_odb10/
├── busco_sequences
│   ├── fragmented_busco_sequences
│   ├── multi_copy_busco_sequences
│   └── single_copy_busco_sequences
├── hmmer_output
│   ├── initial_run_results
│   └── rerun_results
└── metaeuk_output
    ├── initial_results
    └── rerun_results

short_summary.specific.*.out.txt，BUSCO基因组评估的结果。C值为99.6%，S值为98.9%，即该基因组包含核心基因集中99.6%的基因，且98.9%的基因为单拷贝，基因组完整性较高。

# BUSCO version is: 5.4.3 
        ***** Results: *****
        C:99.6%[S:98.9%,D:0.7%],F:0.1%,M:0.3%,n:1367       
        1361    Complete BUSCOs (C)                 
        1352    Complete and single-copy BUSCOs (S)       
        9       Complete and duplicated BUSCOs (D)     
        2       Fragmented BUSCOs (F)               
        4       Missing BUSCOs (M)                 
        1367    Total BUSCO groups searched                

Assembly Statistics:
        1870    Number of scaffolds
        2442    Number of contigs
        143726002       Total length
        0.802%  Percent gaps
        25 MB   Scaffold N50
        21 MB   Contigs N50

线程：30，总耗时：6 min

2. compleasm

输入

dmel.fa

运行

1.下载 compleasm 核心基因库

compleasm download insecta -L compleasm

compleasm所用的核心基因库与BUSCO的文件结构不同，无法直接调用，需通过compleasm download命令下载。
服务器必须联网，或者通过联网虚拟机进行下载后，再上传至服务器。

compleasm 核心基因库目录结构

compleasm
├── eukaryota_odb10
├── eukaryota_odb10.2024-01-08.tar.gz
├── eukaryota_odb10.done
├── file_versions.tsv
├── file_versions.tsv.done
├── file_versions.tsv.hash
├── insecta_odb10
├── insecta_odb10.2024-01-08.tar.gz
├── insecta_odb10.done
├── placement_files
└── placement_files.done

2.运行 compleasm

compleasm run  -t30 -a dmel.fa -o out -l insecta  -L /home/meiyang/project/09_annotation/02_compleasm/compleasm

输出

out/
├── insecta_odb10
└── summary.txt

insecta_odb10，与BUSCO软件结构类似。

summary.txt，compleasm 基因组评估的结果。C值（S+D）为99.78%，S值为99.34%，与 BUSCO 结果较为一致，略高一些。

## lineage: insecta_odb10
S:99.34%, 1358
D:0.44%, 6
F:0.07%, 1
I:0.00%, 0
M:0.15%, 2
N:1367

线程：30，总耗时：3 min

3. 总结

BUSCO 完整性是基因组组装质量评估的主要参数，是基因组项目的第一个重要指标。一般而言，C值在95%以上的基因组，可认为具有较高的完整性，质量较高。

目前,HiFi、HiC等技术的使用，也使得基因组完整性不断提升，近期的昆虫基因组BUSCO完整性多在97%~98%以上。因此，如若该指标较低，很可能在投稿过程中，该基因组从数据层面被审稿人所质疑，导致文章被拒。

在评估完基因组质量后，需要进行重复序列的注释和屏蔽，这部分内容将在下一篇文章中进行更新，敬请期待！