使用LTR装配指数(LAI)评估基因组组装质量

基因组组装完成之后，就需要对最后的质量进行评估。我们希望得到的 contig 文件中，每个 contig 都能足够的长，能够有一个完整的基因结构，归纳一下就是3C原则:

连续性(Contiguity): 得到的contig要足够的长
正确性(Correctness): 组装的contig错误率要低
完整性(Completeness)：尽可能包含整个原始序列

但是这三条原则其实是相互矛盾的，连续性越高，就意味着要处理更多的模糊节点，会导致整体错误率上升，为了保证完全的正确，那么就会导致contig非常的零碎。此外，这三条原则也比较定性，我们需要更加定量的数值衡量，目前比较常用的标准是 N50 和 BUSCO/CEGMA。

那有没有其他方法可以用来评估基因组装的质量呢，文章 “Assessing genome assembly quality using the LTR Assembly Index (LAI)“ 提出了用长末端重复序列来评估基因组完整度，因为LTR比较难以组装，于是就用作评估结果的一个参数了。

LTR（long terminal repeat）即长末端重复序列，其长度从 100bp 到 5kb 不等。是存在于LTR反转录转座子（LTRs）两侧翼的长末端重复序列。LTR反转录转座子(LTR-RTs)和非LTR反转录转座子(non-LTR)都是真核生物中一类可移动因子，因其转座需经由RNA介导的反转录过程而得名。LTR反转录转座子一高拷贝在生物界广泛分布，可以通过纵向和横向分别在世代之间和不种间进行传递，同一家族的反转录转座子具有高度的异质性。

LAI 指数就是完整 LTR 反转座子序列占总 LTR 序列长度的比值。

计算 LAI 的软件主要是 LTR_retriever 软件, 该软件可用于识别长末端重复反转录转座子。LTR_retriever 不是一个独立的工具，他的主要作用就是整合 LTRharvest, LTR_FINDER 和/或 MGEScan_LTR 的结果，过滤其中的假阳性 LTR-RT，得到高质量的 LTR-RT 库。

1. 软件安装

1.1 快速安装

参考官方安装说明，可以使用 conde 快速安装相关依赖及软件。

conda create -n LTR_retriever
source activate LTR_retriever
conda install -c conda-forge perl perl-text-soundex
conda install -c bioconda cd-hit
conda install -c bioconda/label/cf201901 repeatmasker
git clone https://github.com/oushujun/LTR_retriever.git
./LTR_retriever/LTR_retriever -h

1.2 标准安装

LTR_retriever 依赖于其他软件：

1. makeblastdb, blastn, and blastx in the BLAST+ package (ftp://ftp.ncbi.nlm.nih.gov/blast/executables/blast+/LATEST/),
2. cd-hit-est in the CDHIT package (http://weizhongli-lab.org/cd-hit/) OR blastclust in the BLAST package (ftp://ftp.ncbi.nlm.nih.gov/blast/executables/legacy/2.2.25/),
3. hmmsearch in the HMMER package (http://hmmer.org/; v3.1b2 or higher), and
4. RepeatMasker (http://www.repeatmasker.org/).

下载安装 LTR_retriever 软件及依赖软件后，编辑 LTR_retriever/paths 文件，添加各依赖文件的路径：

BLAST+=/your_path_to/BLAST+2.2.30/bin/
RepeatMasker=/your_path_to/RepeatMasker4.0.0/
HMMER=/your_path_to/HMMER3.1b2/bin/
CDHIT=/your_path_to/CDHIT4.6.1/
BLAST=/your_path_to/BLAST2.2.26/bin/ #not required if CDHIT provided

2. LTR_retriever 的使用

2.1 找到基因组 LTR

第一步首先需要找到基因组总的 LTR，使用 LTR_FINDER 程序进行查找：

$ ltr_finder -D 20000 -d 1000 -L 700 -l 100 -p 20 -C -M 0.9 assembled.fa >out.finder.scn

-D:  5'和3'LTR之间的最大距离，
-d:  5'和3'LTR之间的最小距离，
-L:  5'和3'LTR序列的最大长度，
-l:  5'和3'LTR序列的最小长度，
-p:  完全匹配配对的最小长度，
-C:  检测中心粒(centriole)删除高度重复区域，
-M:  最小的LTR相似度