生物信息百Jia软件（28）：canu

上一次介绍了三代拼接工具falcon，但是falcon这款无论是从安装还是使用都比较麻烦，对于新手是一个很大的考验，这里次我们介绍一款更好用的三代拼接工具canu。canu这款软件来自于经典的 Celera Assembler。celera最早用于人类全基因组计划，后来随着二代测序数据的普及，这种基于overlap的方法逐渐被基于kmer的方法取代，但是虽则三代测序的流行，这些工具又焕发了新的生命。如果没听过Celera的大名，刚快bing一下“Celera Genomics”。

应用场景

1、手里有三代pacbio测序的数据，fastq格式或者fasta格式，需要连接成更长的基因组序列。
2、有nanopore测序数据，需要拼接成更长的基因组。

软件官网

https://github.com/marbl/canu

官方文档页

https://canu.readthedocs.io/en/latest/tutorial.html

下载安装

cano的安装特别容易，从github上下载软件源代码，直接make编译就能够使用。

git clone https://github.com/marbl/canu.git
cd canu/src
make -j 32

软件使用

传统的celera软件最开始利用于一代的sanger测序以及后面的454测序数据，这些数据的特点是准确性较高，所以，直接采用基于overlap的方法就可以拼接。但是当前的pacbio后者nanopore数据，具有较高的错误率，因此，canu软件需要进行一个很重要的数据校正的过程。
这是canu软件的原理的一个示意图：

• 第一步：数据纠错(correct)
  由于三代测序的测序错误是随机产生的，因此，可以通过多次测序进行数据纠错，纠错的原理并不难，将所有测序数据堆叠在一起，根据少数服从多数的原则，将测序错误位点进行纠正。这种原理其实与二代测序的“pileup”类似。

  read1:   ATGACGTGATCGTAGCTGATCGTCGTTGGGAA
  read2:       CGTGATCGTAGCTGATCGTCG TGGGAAACAG
  read3:           ATCGTAGCTGATCGTCG TGGGAAACAGATGA
  read4:               TAGCTGATCGTCG TGGGAAACAGATGAATG
                                    ^
                                    |
                                 差别位点

校正后的结果

  read1:   ATGACGTGATCGTAGCTGATCGTCGTGGGAA
  read2:       CGTGATCGTAGCTGATCGTCGTGGGAAACAG
  read3:           ATCGTAGCTGATCGTCGTGGGAAACAGATGA
  read4:               TAGCTGATCGTCGTGGGAAACAGATGAATG

• 第二步：修剪(trim)
  trim的作用是得到read之间高质量的overlap区域，便于后面通过overlap进行连接。

  read1:   ATGACGTGATCGTAGCTGATCGTCGTGGGAA
  read2:       CGTGATCGTAGCTGATCGTCGTGGGAAACAG
  read3:           ATCGTAGCTGATCGTCGTGGGAAACAGATGA
  read4:               TAGCTGATCGTCGTGGGAAACAGATGAATG
           |_________|     
             低质量区   

将低质量区域的碱基trim掉

  read1:   GTAGCTGATCGTCGTGGGAA
  read2:   GTAGCTGATCGTCGTGGGAAACAG
  read3:   GTAGCTGATCGTCGTGGGAAACAGATGA
  read4:    TAGCTGATCGTCGTGGGAAACAGATGAATG

• 第三步：组装(assemble)
  经过数据就锁和trim之后，这些高质量的reads，就可以直接通过reads之间的overlap区域，连接成更长的序列了，完成了序列拼接。

---------------
        ----------------
                     --------------
    |          |           |
    v          v           v
-----------------------------------

选项参数

canu的选项参数并不难理解，不像falcon在配置文件中设置。

-s 接一个配置文件
-p 指定输出前缀
-d 指定输出结果目录
-options 显示全部选项参数

genomeSize 设置一个预估的基因组大小，便于让Canu估计测序深度，单位是K，M，G
maxThreads 设置最大线程数
rawErrorRate 设置两个未纠错read之间最大期望差异碱基数
correctedErrorRate 设置纠错后read之间最大期望差异碱基数
minReadLength 设置最小使用的reads长度
minOverlapLength 设置Overlap的最小长度

另外非常重要一点就是，需要指定输入数据的类型，是原始测序的数据，还是经过处理的。

-pacbio-raw        直接测序得到的原始pacbio数据
-pacbio-corrected   经过纠正的pacbio数据
-nanopore-raw       原始的nanopore数据
-nanopore-corrected 结果纠正的nanopore数据

使用案例

直接下载软件官方的练习数据即可进行测试。这是一个大肠杆菌的基因组测序数据。
下载数据

curl -L -o pacbio.fastq http://gembox.cbcb.umd.edu/mhap/raw/ecoli_p6_25x.filtered.fastq
curl -L -o oxford.fasta http://nanopore.s3.climb.ac.uk/MAP006-PCR-1_2D_pass.fasta

pacbio数据拼接

canu  -p ecoli -d ecoli-pacbio  genomeSize=4.8m  -pacbio-raw pacbio.fastq

nanopore数据拼接

canu  -p ecoli -d ecoli-oxford  genomeSize=4.8m  -nanopore-raw oxford.fasta

更多详细内容可以查看官方文档。

---------- END ----------

（添加作者微信，请注明单位姓名）

您可能还会感兴趣的