文献阅读 | RPAN: rice pan-genome browser for ∼3000 rice genomes

Chen Sun, Zhiqiang Hu, Tianqing Zheng, Kuangchen Lu, Yue Zhao, Wensheng Wang, Jianxin Shi, Chunchao Wang, Jinyuan Lu, Dabing Zhang, Zhikang Li, Chaochun Wei, RPAN: rice pan-genome browser for ∼3000 rice genomes, Nucleic Acids Research, Volume 45, Issue 2, January 2017, Pages 597–605, https://doi.org/10.1093/nar/gkw958

“Pan-genome”是指一个clade或品种中的所有个体都包含的一组基因集，其提供一个新的维度来进行研究，即通过基因在基因组上的存在或缺失来评价。在该研究前不久，the 3000 Rice Genome Project (3K RGP)以平均深度14.3x测序了超过3000个水稻基因组。本研究作者筛选出了水稻的pan-genome，并开发了基因组浏览器Rice Pan-genome Browser (RPAN)来研究从3K RGP得到的pan-genome。

RPAN可以查询3010个水稻accession的基本信息包括基因组序列、基因注释、PAV（基因出现/缺失变异）信息和基因表达信息，在参考基因组中缺失的至少12000个novel基因被包含在内。RPAN还提供了多种搜索与可视化功能。

为了构建pan-genome，作者将每个accession的原始测序数据先用SOAPdenovo version r240进行组装，随后通过Mummer package version 3.23将长度超过500bp的contig比对到IRGSP基因组上。对于未比对的contig，采用CD-HIT删除了冗余的序列（识别阈值为90%），随后各种污染物（various contaminants）被使用NCBI-blast通过NT数据库去除，接着通过NCBI-blast执行all-vs-all比对来确保没有冗余序列。剩余的contig组成了非冗余的novel序列数据集。所有的经过筛选、非冗余的未比对的序列被归入12个组，这些组是根据SNP分析事先定义出的population structure。所有分在一个组的contig用100个连续的“N”相连接。最后，IRGSP基因组（373Mbps）与这些novel序列（268Mbps）合并到了一起，作为水稻的参考pan-genome。

pan-genome中，未比对上的部分序列的蛋白编码基因采用MARKER-P和IRGSP-1.0基因组进行预测。

为了进行基因存在/缺失判断，作者首先将水稻accession所有的原始读段被使用BWA version 0.7.10的“bwa mem”来map到pan-genome序列上。通过samtools version 0.1.19，拥有编码区覆盖率大于0.95、整个基因覆盖大于0.85的基因被认为在该accession上存在。

基因被按照其在所有accession上的存在/缺失情况归档。作者对于基因的存在/缺失检测中仅采用了453个高质量（深度大于20x，比对深度大于15x）accession的数据。作者对在所有453个水稻accession中存在的基因（核心基因）和其他基因做了分布图。为了减少错误发现率，作者仅保留了缺失样本大于1%的，而其他的（被作者称为核心基因的候选基因）则被从distributed gene set中移除。Distributed gene被进一步按照subspecies进行分组。并在进一步区分中提出了“random gene”的概念。Random基因在亚种间或亚种内部的亚组间不呈现出频率上的显著差异。

接着，作者还准备了RNA-seq数据作为表达数据。

在数据库的构建上，作者同时采用了基于JBrowse的框架和基于HTML5、SVG和JavaScript。后者被用于绘制进化树。