多個体ハプロタイプ解析による超高ヘテロ接合性生物圏の実態解明

本年度は前年度に引き続き、DNA分子の空間的な近接関係を捉えるHi-C法のデータを活用したハプロタイプ構築手法の開発も行った。ロングリード用ゲノムアセンブラの出力配列 (contig) を入力とし、染色体レベルのハプロタイプ配列 (scaffold) の構築に多くのケースで成功したが、一部のケースでは、入力のアセンブリ済み配列 (contig) の処理の問題で最終的な配列が断片化する問題が発生した。前年度までに開発したde Bruijnグラフ構造を操作するツールを応用し、入力配列の相同領域を効率よく対応づけることで、最終的な配列を安定して染色体スケールにすることができた。また、公開データを用いたヘテロ接合度の推定パイプラインを開発し、さらに他の大型ゲノム決定プロジェクトのデータに関しても調査を実施した。解析パイプラインの最初のステップはメタデータの抽出であり、ショートリードDNAシークエンサーデータの情報を抽出し、データサイズ、対象生物の系統、シークエンサーの種類などでフィルタリングを行う。対象データベースはSequence Read Archive (SRA) である。次のステップでは、シークエンサーのリードデータのダウンロード、トリミング、コンタミネーションの除去、k-mer頻度解析を行い、最終的にヘテロ接合度などの統計量を推定する。さらに、多数の生物種のゲノムを対象とした計画：Darwin Tree of Lifeの解析結果も参照し、ヘテロ接合度の集計を行った。結果としては、高ヘテロ接合性 (>1%) のサンプルが、予想通り多く観察された。

本年度は前年度に引き続き、DNA分子の空間的な近接関係を捉えるHi-C法のデータを活用したハプロタイプ構築手法の開発も行った。ロングリード用ゲノムアセンブラの出力配列 (contig) を入力とし、染色体レベルのハプロタイプ配列 (scaffold) の構築に多くのケースで成功したが、一部のケースでは、入力のアセンブリ済み配列 (contig) の処理の問題で最終的な配列が断片化する問題が発生した。前年度までに開発したde Bruijnグラフ構造を操作するツールを応用し、入力配列の相同領域を効率よく対応づけることで、最終的な配列を安定して染色体スケールにすることができた。また、公開データを用いたヘテロ接合度の推定パイプラインを開発し、さらに他の大型ゲノム決定プロジェクトのデータに関しても調査を実施した。解析パイプラインの最初のステップはメタデータの抽出であり、ショートリードDNAシークエンサーデータの情報を抽出し、データサイズ、対象生物の系統、シークエンサーの種類などでフィルタリングを行う。対象データベースはSequence Read Archive (SRA) である。次のステップでは、シークエンサーのリードデータのダウンロード、トリミング、コンタミネーションの除去、k-mer頻度解析を行い、最終的にヘテロ接合度などの統計量を推定する。さらに、多数の生物種のゲノムを対象とした計画：Darwin Tree of Lifeの解析結果も参照し、ヘテロ接合度の集計を行った。結果としては、高ヘテロ接合性 (>1%) のサンプルが、予想通り多く観察された。