Pangene：李恒开发泛基因图谱构建工具——探索群体基因组时代研究新方向

导读：七月份，李恒开发的基因内容图谱构建软件——Pangene，以标题为：Exploring gene content with pangene graphs 的论文论文形式一并发表，发表期刊为Bioinformatics杂志。该软件迎合了群体基因组学时代数据井喷的现状，而一定程度上分析工具和软件算法匮乏做出了有益地探索和补充。Pangene主要功能是基于（单倍型）群体基因组学数据，分析并探索基因结构变异，并将所有待分析的基因结构变异整合到一张图中，更好地代表整个类群或群体的遗传变异和多样性信息。

近日，发表于_Nature_ 杂志上，一篇利用公开数据（包括94份人群单倍型基因组数据，来自人类泛参考基因组——HPRC），分析了淀粉酶基因拷贝数目与高淀粉饮食习惯转变之间的关联。研究结果发现：在农业社会起源后，当以往采集，渔猎，畜牧人群转向农业生产后，其饮食中，淀粉来源的食物比例也随之上升；然而这种改变也深刻地影响着人类基因组的变化，94份人群单倍型基因组数据揭示，农业人口基因组中，淀粉酶基因的平均拷贝数目要多于采集，渔猎，畜牧人群。（点击下图跳转阅读推文）

Availability and implementation

Source code at 
https://github.com/lh3/pangene; 

prebuilt pangene graphs can be downloaded from 
https://zenodo.org/records/8118576 

visualized at 
https://pangene.bioinweb.org

摘要

基因组的基因成分控制着生物的功能。基因成分在物种之间以及同一物种的个体之间存在差异。尽管已经开发了用于识别细菌基因组中基因成分变化的工具，但这些工具都无法适用于大型真核生物基因组集合（如人类泛基因组）。我们开发了Pangene，这是一种计算工具，用于识别一组基因组中的基因方向、基因顺序以及基因拷贝数的变化。Pangene将输入的蛋白质序列与基因组进行比对，解决蛋白质序列之间的冗余问题，并构建基因图，每个基因组在图中表现为一条路径。此外，Pangene还能够识别捕捉基因含量变化的子图，我们称之为bibubbles。应用于人类泛基因组时，Pangene识别出已知的基因水平变异，并揭示了之前未得到充分研究的复杂单倍型。Pangene同样适用于高质量的细菌泛基因组，在核心基因和附属基因数量的报告上与现有工具相当。

背景介绍

人类基因组包含大约20,000个编码蛋白质的基因。其中有少数基因在人群中经常发生拷贝数或基因顺序的变化。这些基因处于快速进化中，可能与免疫反应相关，影响大脑功能和药物代谢，或者与已知疾病相关。它们可能具有深远的生物学和生物医学意义。

得益于最近在测序技术和组装算法方面的进展，我们可以常规实现拷贝数或顺序变化基因的单倍型基因组组装。我们还开发了构建泛基因组序列图的算法，这些图代表了基因组之间的变异。然而，识别这些基因层面的变异并非易事。在人类泛基因组参考联盟（HPRC）使用的三种泛基因组图构建工具中，minigraph（Li等，2020）和minigraph-cactus（Hickey等，2023）无法跨越复杂的基因组区域进行比对，可能会错过长段重复中的基因；PGGB（泛基因组图构建器；Garrison等，2023）则会合并同源基因，导致难以研究单个同源基因。此外，这三种工具都未能直接揭示基因组变异如何影响基因。为了研究基因层面的变异，HPRC不得不手动注释每个单倍型基因组上的基因，这是一项耗时的过程。PGR-TK（泛基因组研究工具包；Chin等，2023）能够从基因组序列重构局部单倍型结构，但它并未直接建模基因，也并非设计用于全基因组数据。目前的人类泛基因组工具并不适用于研究基因层面的变异。

相比之下，细菌泛基因组的研究重点在于蛋白质编码基因，而非基因组序列。甚至在文献中，细菌“泛基因组”通常指的是蛋白质编码基因的集合。已有多种高质量的工具被开发用于构建细菌基因组的基因内容（Page等，2015；Ding等，2018；Gautreau等，2020；Tonkin-Hill等，2020；Zhou等，2020）。简而言之，这些工具从每个基因组的基因注释开始，聚类得到的蛋白质序列，然后对聚类结果进行后处理，以识别同源基因并解决由组装、注释或聚类不完善引起的问题。然而，这些细菌泛基因组工具并未考虑剪接、多个异构体、频繁的片段重复以及人类基因组的巨大规模。目前尚未证明它们能够处理人类泛基因组数据。

在此，我们开发了Pangene，一种用于探索泛基因组基因成分的新型计算工具。与细菌泛基因组流程不同，Pangene通过使用miniprot（Li，2023）将蛋白质序列比对到每个基因组上，有效地注释蛋白质编码基因。由于miniprot可以跨越移码终止密码子和移码突变进行比对，这一过程简化了基因注释，并对输入基因组中的插入/缺失错误具有鲁棒性。此外，Pangene构建了一个双向基因图，能够捕捉细菌泛基因组工具无法检测到的倒位。它还提供了一个算法，用于识别基因拷贝数或基因顺序的变化。Pangene针对人类基因组进行了优化，也适用于细菌基因组。

图1 a, c代表了不同的基因单倍型结构，b和d是通过一张图代表所有基因单倍型结构

图2 Pangene图的构建示例，b为图对应的GFA格式

图3 对Pangene图的注释和调整

图4 携带有倒位Pangene图的示例

图5 使基于bubble查找的网络图复杂化的Pangene图的示例

图6 人类 _LRRC37A*_基因示例

Pangene 浏览器页面

Cite

Heng Li, Maximillian Marin, Maha R Farhat, Exploring gene content with pangene graphs, Bioinformatics, Volume 40, Issue 7, July 2024, btae456, https://doi.org/10.1093/bioinformatics/btae456

来源：进化随想