Die Auswahl der richtigen T2T-Ergebnisse: Montageausgaben, Verfeinerung, Phasierung und Datenformate (RUO)

Einführung

"Das falsche Lieferformat kann Wochen der Umformatierung kosten – wähle von Anfang an weise." Für Projekte mit kleinen Genomen (<500 Mb), die verfolgen Telomer-zu-Telomer (T2T) AssemblierungenDer Liefervertrag, den Sie am ersten Tag festlegen, bestimmt, ob die nachgelagerte Analyse morgen oder erst in drei Wochen nach Ad-hoc-Konvertierungen beginnt. Dieser praktische Leitfaden erklärt, wie Sie die richtige Mischung aus Montageergebnissen, Politur, Phasierung und Datenformaten auswählen, damit Ihre Liefergegenstände sofort verwendbar, prüfbar und archivierungsbereit sind.

Wenn Sie eine prägnante Einführung in das Thema T2T (Telomere, Zentromere und knifflige Wiederholungen) benötigen und verstehen möchten, warum Vollständigkeit die nachgelagerte Biologie verändert, beginnen Sie mit dem Hintergrund der Serie: Telomer-zu-Telomer-Sequenzierung erklärt. Hier konzentrieren wir uns auf die Entscheidungen, die für die Phasierung von Datenformaten bei der Zusammenstellung von T2T-Lieferungen in RUO-Kontexten wichtig sind: Contigs versus Chromosomenebene (und T2T) Ausgaben; Basisniveau-Polierziele, die den Forschungs- und Veröffentlichungserwartungen entsprechen; Phasierungsstrategien (Trio, Hi-C, Strand-seq) für kleine Genome.

Was Sie aus diesem Artikel gewinnen werden:

• Klare, umsetzbare Akzeptanzkriterien für T2T-Lieferungen, die auf kleine Genome (<500 Mb) zugeschnitten sind, einschließlich Merqury QV-Schwellenwerte, BUSCO-Vollständigkeitsziele und QUAST-Prüfungen, mit Anleitungen zur Interpretation und häufigen Fallstricken.
• Praktische Pipeline-Anleitungen und Befehlsgerüste für hifiasm und Verkko in Trio-, Hi-C- und Strand-seq-Szenarien, sowie empfohlene Poliersequenzen und Merqury/BUSCO/QUAST-Bewertungsschritte.
• Ein empfohlenes Lieferpaket und Verzeichnis-/Manifestlayout, das nachgelagertes Umformatieren minimiert: per-Haplotyp FASTA (+.fai), komprimiertes GFA/GFA.gz, AGP, soft-masked FASTA/GFF3 wo relevant, Indizes, Prüfziffern und eine Herkunfts-README.
• Zwei konkrete Beispiel-Workflows (ein 50 Mb Mikroben und ein 400 Mb Modellorganismus) mit erwarteten Eingaben, Ausgaben und Qualitätskontrollergebnissen, um Ihnen bei der Festlegung von Rechenleistung, Abdeckung und Entscheidungsfindung zu helfen.
• Praktische Anleitung, wann grafische vs. lineare Ausgaben geliefert werden sollten, wie die Vollständigkeit der Phasen validiert werden kann und ein kurzes Mikrobeispiel eines Anbieters, das ein D-Stufen (vollständiges T2T) Übergabemuster zur Abgrenzung zeigt.

Abbildung 1 — Haplotype-resolute diploide Assemblierung (selbst erstellt). Legende: blau = Haplotyp A, orange = Haplotyp B; Telomer-Kappen an den Enden; Zentromer-Domänen; phasierte Blöcke. Dieses Bild veranschaulicht, warum ein T2T-Übergang oft per-Haplotyp-FASTA sowie einen GFA-Graphen umfasst, der alternative Pfade beibehält.

Kernlieferdefinitionen und Dateiformaterwartungen

In der Praxis fallen die Ergebnisse auf ein Kontinuitäts-Spektrum: Ein Contig ist eine ununterbrochene Sequenz, die aus überlappenden Reads erzeugt wird; ein Scaffold ordnet und orientiert Contigs mithilfe von Langstreckenverbindungen und kann Lückenläufe (Ns) enthalten; eine Chromosomenebene-Assemblierung hat Scaffolds, die an erwartete Chromosomen verankert sind, kann jedoch weiterhin Lücken enthalten; und eine Telomer-zu-Telomer (T2T) Assemblierung ist eine lückenfreie, durchgehende Chromosomenebene-Sequenz, die kanonische telomerische Wiederholungen umfasst und Zentromere sowie andere große Wiederholungen auflöst. Genome.gov T2T Übersicht und die Literatur zur lückenlosen Assemblierung (Koren et al., 2024) (siehe Beispiele in aktuellen T2T-Berichten über Mäuse und Pflanzen). Diese Unterscheidungen sind für die Ergebnisse wichtig, da einige nachgelagerte Analysen lineare, lückenlose Chromosomen erfordern (Veröffentlichung/Bewertung), während andere von den reichhaltigeren Verzweigungsinformationen profitieren, die in einem Assemblierungsgraphen erhalten bleiben.

Für T2T-Projekte mit kleinen Genomen empfehlen wir, sowohl lineare als auch graphische Darstellungen zu verpacken, damit die Nutzer die Ansicht wählen können, die zu ihrem Arbeitsablauf passt: Stellen Sie per Haplotyp FASTA-Dateien (hap1.fa, hap2.fa, gzipped und indiziert) als die kanonischen Sequenzen zur Verfügung; fügen Sie den Assemblierungsgraphen im GFA- oder GFA.gz-Format hinzu, um alternative Pfade und ungelöste Wiederholungen zu bewahren; fügen Sie eine AGP-Datei hinzu, um die Beziehungen zwischen Scaffold und Contig sowie die Lückenbreiten für Archivierungsübermittlungen zu dokumentieren; und liefern Sie Annotationsdateien im GFF3- (oder GTF-)Format, wenn strukturelle Annotationen enthalten sind. Diese Formate stimmen mit den Praktiken der Gemeinschaft und den Archivanforderungen überein (siehe die NCBI AGP-Spezifikation und die von der Community gepflegte GFA-Spezifikation).

Abbildung 2: End-to-End T2T-Pipeline für kleine Genome (<500 Mb). Die Eingaben links speisen die Module zur Konstruktion des Assemblierungsgraphen und zur Phasierung; Politur-, QC- und Verpackungsschritte erstellen das lieferbare Paket (per-Haplotyp-FASTA, GFA, AGP, QC-Berichte). Erwartete Abdeckungs- und Ziel-QV-Bereiche sind als Hinweise für jeden Datentyp dargestellt.

Behandeln Sie schließlich das Datei-Bundle als eine einzige Übergabe: Fügen Sie Indexdateien (.fai, .gzi, wo zutreffend), Prüfziffern, eine README-Datei, die die Tool-Versionen und Parameter beschreibt, sowie ein QC-Bundle (Merqury k-mer QV und Spektren-Diagramme, BUSCO-Zusammenfassung und einen QUAST-Bericht) bei. Der folgende Abschnitt beschreibt praktische Akzeptanzkriterien (Merqury QV-Schwellenwerte, BUSCO-Vollständigkeit und QUAST-Metriken) und wie man diese für kleine Genome interpretiert.

Merqury QV und wie man es für Akzeptanzgates verwendet

Merqury berichtet einen referenzfreien Konsensqualitätswert (QV), indem k-Mers, die aus Ihren Rohdaten abgeleitet sind, mit k-Mers verglichen werden, die in der Assemblierung beobachtet wurden, und die abgeleitete Fehlerquote in einen Phred-Skalenwert (QV = −10·log10(Fehlerquote)) umgewandelt wird. Für praktische Referenzen und Methodendetails siehe Formenti et al., Merfin/Merqury (2022), der den k-mer-Workflow (meryl → merqury) und die Ausgabeinterpretation beschreibt, einschließlich Spektrenplots, die Zusammenbrüche, Duplikationen und fehlende Inhalte aufzeigen.

Praktische Schwellenwerte für T2T-Projekte mit kleinen Genomen

• Verwenden QV ≥ 40 als konservatives Forschungs-Qualitätskriterium (≈1 Fehler pro 10.000 bp); Strebe nach QV ≥ 50 bei der Verpackung von Assemblies für die Veröffentlichung oder Methodentestung (≈1 Fehler pro 100.000 bp). Viele aktuelle HiFi-basierte T2T-Projekte berichten nach dem Polieren von QV50+, aber QV-Ziele sollten neben BUSCO- und strukturellen Metriken gewichtet werden, anstatt isoliert betrachtet zu werden. Praktische Verfahrenshinweise und Beispiel-Skelettbefehle für Merqury sind im Assembly QC-Tutorial des Galaxy-Projekts (2025) zusammengefasst – siehe Galaxy-Projekt, Montage-QC (2025).

QV im Kontext interpretieren und häufige Vorbehalte

QV ist am informativsten, wenn es mit der k-mer Vollständigkeit und den Spektren-cn/asm-Diagrammen kombiniert wird: Ein hoher QV mit niedriger k-mer Vollständigkeit weist auf fehlende Sequenzen hin; ein hoher QV mit abnormalen Spektren kann auf zusammengebrochene Wiederholungen oder falsche Duplikationen hindeuten. Für kleine, heterozygote Genome verbessert die Verwendung von elterlichen k-mers (Trio) oder einem hochgenauen k-mer Satz die Zuverlässigkeit des QV. Berichten Sie immer den Merqury QV zusammen mit den BUSCO-Zusammenfassungen (Hinweis zur Linienwahl) und QUAST/QUAST-LG; verlinken Sie den Leser zu den detaillierten QC-Akzeptanzkriterien im Abschnitt QC-Metriken für umsetzbare Schwellenwerte und Beispiel-Fehlerbehebungsschritte (siehe /t2t-assembly-qc-metrics.html).

Polierstrategie und praktische Werkzeugauswahl

Für ein T2T-Lieferprodukt mit kleinem Genom betrachten Sie das Polieren als eine datentypabhängige, evidenzbasierte Pipeline und nicht als einen universellen Schritt. Beginnen Sie bei PacBio HiFi-Assemblies mit dem vom Assembler empfohlenen Polieren (Arrow/ccs-Workflows oder hifiasms interne Konsensbildung) und wenden Sie dann einen wiederholungsbewussten Durchlauf an, wie zum Beispiel NextPolish2 um verbleibende Homopolymere und wiederholungsbezogene Fehler zu beheben; jede Runde mit k-mer-Prüfungen auswerten und nach jeder wichtigen Polierphase Merqury QV berichten.Formenti et al., Merfin/Merqury, 2022; NextPolish2, 2024). Ein gängiges HiFi-Skelett ist: HiFi-Lesungen ausrichten → Arrow/Konsens ausführen → NextPolish2 → optionale Kurzlesepolitur (Pilon oder Polypolish), falls hochauflösende Illumina-Daten vorhanden sind. Beispielbefehle (konzeptionell):

• Ausrichten: pbmm2 align --sort hifi.bam assembly.fa > aligned.bam
• NextPolish2: nextpolish2 --reads hifi.fq.gz --assembly assembly.fa --out polished.fa

Für ONT-Assemblierungen bleibt eine effektive Pipeline Racon (1–3 Iterationen) → Medaka (neuronales Netzwerkmodell, das auf den Basecaller abgestimmt ist) → Kurzlese-Politur; aktuelle ONT-Fortschritte (Dorado/APK) können hybride Verkko/Medaka-Assemblierungen in der Praxis in Richtung Q50 bringen, aber diese hängen von der Chemie/Basecaller-Parität und sorgfältiger Parametrierung ab.Oxford Nanopore-Ankündigung, 2024). Typisches ONT-Skelett:

• Racon: minimap2 -x map-ont reads.fq.gz assembly.fa | racon -m 8 -x -6 -g -8 -t 32 reads.fq.gz - assembly.fa > racon1.fa
• Medaka: medaka_consensus -i reads.fq.gz -d raconN.fa -o medaka_out -t 32 -m r941_min_high_g303

Bewertung und Vorsicht

Verwenden Sie Merqury/Merfin, um die QV- und k-mer-Vollständigkeit nach jeder Polierphase zu berichten und vermeiden Sie blindes iteratives Polieren: Überpolieren kann Referenzverzerrungen einführen oder echte Haplotypen in heterozygoten Regionen zusammenfallen lassen. Bei kleinen Genomen stoppen Sie, wenn die Merqury-QV-Gewinne ein Plateau erreichen und die BUSCO/QUAST-Metriken sich nicht mehr verbessern; dokumentieren Sie die Tool-Versionen, Parameter und das für Merqury verwendete k im README, damit nachgelagerte Benutzer die Berechnungen des Akzeptanzschwellenwerts reproduzieren können.

Empfehlungen nach Anwendungsfall (Behörde)

Für kleine Genome (<500 Mb), die vollständige T2T-Lieferungen anstreben (Trio + Hi-C + Strand-seq-Integration), die Ausgaben so verpacken, dass nachgelagerte Teams – Annotatoren, Gruppen der vergleichenden Genomik und Benchmarking-Teams – ohne Umformatierung arbeiten können. Im Folgenden finden Sie verbindliche Akzeptanzkriterien, eine Checkliste für die Übergabeverpackung und zwei konkrete Beispiel-Workflows.

Akzeptanzkriterien und QC-Schwellenwerte

Befolgen Sie eine Mehrmetrik-Akzeptanzpolitik anstelle einer Ein-Zahlen-Pass/Fail-Regel. Für T2T-Klein-Genom-Lieferungen übernehmen Sie diese Schwellenwerte als Mindestanforderungen, mit strengeren Grenzwerten für die Veröffentlichung oder Methodenkalibrierung:

• Basisgenauigkeit (Merqury QV): Ziel QV ≥ 55; Mindest-QV ≥ 50 für die Veröffentlichung; QV ≥ 40 akzeptabel für Forschung auf niedrigerer Ebene.. Bericht QV mit k-mer Vollständigkeit und Spektraldiagrammen, um fehlende oder duplizierte Inhalte anzuzeigen. Siehe die detaillierten QC-Kriterien in T2T-Montage-QC-Metriken: Vollständigkeit, Genauigkeit und wie man Ergebnisse bewertet.
• Genvollständigkeit (BUSCO): Vollständig (C) ≥ 98% bevorzugt; Einzelkopie (C:S) ≥ 95%; Dupliziert (D) < 2%Wählen Sie den spezifischsten Verwandtschaftsdatensatz für das Taxon (z. B. fungi_odb10, arthropoda_odb10) und berichten Sie die vollständige BUSCO-Tabelle.
• Strukturelle Korrektheit (QUAST/QUAST‑LG): Berichten Sie über NG50/NGA50, Fehlassemblierungen, Genomanteil und referenzbewusste Metriken, wenn eine nahe Referenz vorhanden ist. Fehlassemblierungen sollten für Contigs, die Zentromere oder Telomere überspannen, untersucht und behoben werden.
• Phasenkohärenz: Für trio-basiertes Phasing berichten Sie die Assemblierungsgrößen pro Haplotyp, den Prozentsatz der Sequenz, der den Haplotypen zugeordnet ist, und die Wechsel-Fehlerrate, wenn elterliche Wahrheiten verfügbar sind. Für Hi-C/Strand-seq Phasing sind Validierungen der Kontaktkarte und Zusammenfassungen der Strand-seq-Ausrichtung einzuschließen.
• Provenienz und Integrität: Jede Datei muss eine Prüfziffer (SHA256 bevorzugt), einen .fai-Index für FASTA und ein Manifest (JSON/YAML) enthalten, das die Toolversionen, Parameter und eine Zusammenfassung der Abdeckung aufzeichnet.

Beim Festhalten von Metadaten zu Proben und Extraktionsbeschränkungen, beziehen Sie sich auf die Anleitung zur Probenvorbereitung in Proben- und DNA-Anforderungen für T2T-Sequenzierung: Wie man Projektfehler vermeidet.

Eindeutige Benennungsrichtlinien und ein Prüfziffern-Manifest verringern die Mehrdeutigkeit im Nachgang; fügen Sie Beispiel-Manifestfragmente und ein minimales README hinzu, das die Akzeptanzkriterien dokumentiert, die für dieses Projekt verwendet wurden.

Beispiel-Workflow — 50 Mb Mikroben

Eingaben angenommen: PacBio HiFi 30–50× pro Haplotyp, 30× ONT ultra-lang (optional), Elterndaten nicht verfügbar, Hi-C optional für große Plasmid-Scaffolds.

• Assembly: hifiasm im Hi-C-Modus (wenn Hi-C bereitgestellt) oder hifiasm Standard für nur HiFi: hifiasm -o asm -t 48 reads.hifi.fq.gz.
• Polieren: internes HiFi-Konsens → NextPolish2 mit HiFi-Reads; k-mer-Verschiebungen nach jeder Runde mit Merqury bewerten.
• QC-Ziele: Erwarten Sie QV 50+ nach dem Polieren; BUSCO (Pilze/Archaeen/andere Linien) > 98%.
• Liefergegenstände: Einzeldatei haploider FASTA (wenn der Organismus effektiv haploid ist) oder duale Haplotyp-FASTA, wenn die Heterozygotie aufgelöst ist; assembly.gfa.gz; Merqury-Spektren und BUSCO-Berichte; Manifest und README.

Erwartete Ausgaben: hap1.fa.gz (50 MB), assembly.gfa.gz (kleine Grafik), merqury_summary.txt (QV ~50), busco short_summary (C >98%).

Beispiel-Workflow — 400 Mb Modell (Trio + Hi-C + Strand-seq)

Eingaben angenommen: PacBio HiFi 30–40× pro Haplotyp, ONT ultra-lang 20×, elterliches Illumina für Trio-Binning, Hi-C 100M Lese-Paare, Strand-seq Bibliotheken (10–20 Zellen).

• Vorverarbeitung: Aufbau von elterlichen k-mer-Datenbanken (yak) und Ausführung von Trio-Binning mit hifiasm zur Partitionierung der Reads.
• Versammlung: hifiasm -o asm -t 96 --trio maternal.yak paternal.yak hifi/*.fq.gz Dann integrieren Sie Hi-C für das Scaffolding; verwenden Sie Verkko für hybride Regionen, in denen ultra-lange ONT eine höhere Auflösung bietet.
• Phasierungsvalidierung: Berechnung der Schaltfehlerquote im Vergleich zur elterlichen Wahrheit; Verwendung von Strand-seq zur Auflösung der Orientierungen über Zentromeren und Validierung von Inversionen.
• Polieren: NextPolish2 auf Haplotype-Assemblies, gefolgt von gezielten Medaka-Durchläufen in ONT-aufgelösten Regionen; validieren mit Merqury, bis die QV-Gewinne ein Plateau erreichen (Ziel QV ≥ 55).
• Liefergegenstände: hap1.fa.gz, hap2.fa.gz, assembly.gfa.gz (Graph, der alternative Pfade bewahrt), scaffolds.agp, Merqury-Spektren, BUSCO-Berichte (C ≥ 98%), QUAST NGA50 und Fehlassemblierungsbericht, vollständiges Manifest und Herkunft.

Erwartete Ausgaben: zwei Haplotype-FASTA-Dateien (~200 Mb jeweils), assembly.gfa.gz (großes Diagramm mit Phasierungswegen), merqury_summary (QV 55+), BUSCO (C ≥98%).

Neutrales Anbieter-Mikrobeispiel (erlaubte Platzierung)

CD Genomics kann ein standardmäßiges D-Stufen-Eingabepaket akzeptieren (HiFi-Lesungen, elterliches Illumina für Trio-Binning, Hi-C FASTQs und Strand-seq-Bibliotheken). Für einen typischen kleinen Eukaryoten führen sie eine trio-binned hifiasm-Assemblierung durch, integrieren Hi-C für die Chromosomen-Scaffolding und verwenden Strand-seq, um die Orientierung und großflächige Phasierung zu bestätigen. Die Liefergegenstände werden gemäß der obigen Checkliste erstellt: per-Haplotyp FASTA (gzip + .fai), ein komprimierter Assemblierungsgraph (GFA/GFA.gz), AGP und ein QC-Bundle (Merqury-Spektren, BUSCO, QUAST), begleitet von einem Manifest und einer README. Bestätigen Sie spezifische Dateinamen und Metrik-Gates während des Scoping-Calls.

Mikrobeispielnotiz: sachliche Beschreibung nur; keine Leistungsübertreibungen.

Abbildung 3. Links: vereinfachtes GFA-Assemblierungsdiagramm, das Knoten und Verzweigungspfade zeigt, die Wiederholungen und alternative Haplotyprouten offenlegen (nützlich für strukturelle Diagnosen und manuelle Kuratierung). Rechts: aufgelöste lineare Haplotyp-FASTAs (hap1, hap2), dargestellt als Chromosomenbalken für Annotation und Archivübermittlung. Beides liefern: komprimiertes GFA/GFA.gz sowie per-Haplotyp-FASTA (+.fai).

Fazit – Treffen Sie Ihre Entscheidung einmal und verwenden Sie sie überall.

Eine robuste T2T-Lieferpolitik für kleine Genome spart Wochen an nachgelagerter Nacharbeit. Zusammenfassende Entscheidungscheckliste:

• Wählen Sie frühzeitig die Phasungsmethode (Trio bevorzugt für kleine Genome); verpflichten Sie sich zu Trio/Hi-C/Strand-seq, wenn Sie ein vollständiges T2T anstreben.
• Definieren Sie die QV- und BUSCO-Akzeptanzgrenzen vor der Assemblierung (Ziel QV ≥ 55; BUSCO C ≥ 98%).
• Benötigen Sie sowohl lineare FASTA pro Haplotyp als auch komprimierte GFA-Grafiken im endgültigen Bundle, sowie AGP und annotationsbereite soft-masked FASTA, wenn zutreffend.
• Liefern Sie ein maschinenlesbares Manifest mit SHA256-Prüfziffern, einer README und der Herkunft des Werkzeugs.

Wenn Sie ein D-Stufen T2T-Ergebnis für ein kleines Genom festlegen möchten, kontaktieren Sie uns, um Eingaben, Gates, Zeitpläne und Preise zu definieren.

Referenzen:

1. Formenti, G. et al., Merfin/Merqury k‑mer Methoden (2022). Merqury/Merfin Übersicht.
2. Cheng, H. et al., hifiasm-Algorithmus und -Modi (2022). hifiasm Hi‑C/trio-Papier.
3. Rautiainen, M. et al., Verkko Hybrid-Assembler (2023). Verkko Genomforschung.
4. Earth BioGenome Projekt, Versammlungsstandards und -richtlinien (2022). Zusammenfassung der EBP-Standards.
5. BUSCO-Benutzerhandbuch und Benchmarking-Empfehlungen. BUSCO-Dokumentation.
6. Verband / VerbandNG und GFA-Visualisierungsnotizen. Bandage GitHub.