بازسازی توالی

بازسازی توالی (به انگلیسی Sequence Assembly) در بیوانفورماتیک، به ادغام و هم‌تراز کردن قسمت‌های مختلف توالی DNA برای بازسازی توالی اصلی گفته می‌شود. اهمیت بازسازی توالی در آن است که فناوری‌های موجود برای تعیین توالی DNA قادر به خواندن تمام ژنوم در یک مرحله نیستند و توالی به صورت قطعه‌های ۲۰ تا ۳۰۰۰۰ حرفی (هر حرف نشانهٔ یک باز است) خوانده می‌شود، این قطعه‌ها معمولاً نتیجهٔ رونویسی ژن (ESTها) یا تعیین توالی ژنوم با روش شاتگان‌اند.

پیچیدگی‌های این مسئله

می‌توان مسئلهٔ بازسازی توالی DNA را به این تشبیه کرد که؛ از یک کتاب نسخه‌های مختلفی ایجاد کنیم، هر نسخه را با دستگاهی متفاوت قطعه قطعه کنیم، تغییراتی در قطعه‌های ایجاد شده بدهیم، قطعاتی از کتاب‌های دیگر به آن‌ها اضافه کنیم و برخی قطعه‌ها را نابود کنیم و در نهایت بخواهیم با دیدن قطعه‌های نهایی، کتاب اصلی را بازسازی کنیم. مسئله حتی پیچیده‌تر می‌شود وقتی این کتاب شامل نوشته‌ها و قطعات تکراری بوده باشد.

نمونه‌ای از بازسازی یک رشته از قطعات مختلف آن با توجه به همپوشانی‌های این قطعات. در این نمونه، مشکل بالقوه‌ای که قسمت‌های تکراری در بازسازی ایجاد می‌کنند، مشاهده می‌شود.

تاریخچهٔ بازسازی ژنوم

اولین روش‌ها

در اواخر دههٔ ۱۹۸۰ و اوایل دههٔ ۱۹۹۰ میلادی، اولین برنامه‌های بازسازی توالی به عنوان نسخه‌های پیشرفته‌تر از برنامه‌های سادهٔ هم‌ترازسازی معرفی شدند تا توالی‌هایی که دستگاه‌های تعیین توالی قطعاتی از آن‌ها را یافته بودند، بازسازی کنند.

با پیشرفت علم و فناوری، در ابتدا ژنوم ویروسهای ساده، سپس باکتریها و در نهایت یوکاریوتها مورد بررسی قرار گرفتند، و پیچیدگی مسئلهٔ بازسازی ژنوم با افزایش طول و پیچیدگی توالی‌های یافته شده بیشتر شد، پیچیدگی‌هایی از قبیل;

• پردازش حجم عظیمی از داده‌ها (از مرتبهٔ ترابایت) که نیاز به رایانش خوشه‌ای دارد،
• قسمت‌های تکراری ژنوم که می‌توانند پیچیدگی زمانی و مصرف حافظهٔ الگوریتم‌ها را، در بدترین حالت، به صورت نمایی افزایش دهند،
• خطا در خواندن توالی‌ها که می‌تواند موجب پیچیدگی و خطا در بازسازی شود.

دانشمندان برای بازسازی توالی‌های پیچیدهٔ ژنوم یوکاریوتهایی چون مگس سرکه (در سال ۲۰۰۰ میلادی) و انسان (در سال ۲۰۰۱ میلادی) ابزارهای بازسازی توالی‌ای همچون Celera Assembler و Arachne را ارائه کردند که قادر به بازسازی توالی‌هایی به طول ۱۰۰ تا ۳۰۰ میلیون حرف‌اند. پیروی این ابداعات، در مراکز بازسازی توالی‌های ژنوم، گروه‌هایی به ساخت ابرابزارهای بازسازی پرداختند که نمونهٔ متن بازی از آن AMOS است که تلاشی برای گردآوری دست‌یافته‌های مختلف در این زمینه بود.

تأثیرات تغییر فناوری

پیچیدگی مسئلهٔ بازسازی توالی تحت تأثیر تعداد توالی و طول هرکدام است. تعداد زیادی توالی طولانی به یافتن بهتر همپوشانی‌ها کمک می‌کند، ولی زمان اجرای الگوریتم‌ها به صورت نمایی با تعداد و طول توالی‌ها افزایش می‌یابد. از طرفی، توالی‌های کوتاه‌تر به راحتی هم‌تراز می‌شوند، اما موجب پیچیدگی بازسازی می‌شوند، چراکه یافتن و استفاده از قسمت‌های تکراری در قطعات کوتاه‌تر، سخت‌تر است.

در ابتدا، تعداد کمی توالی کوتاه از ژنوم به سختی و پس از چند هفته تلاش در آزمایشگاه بدست می‌آمد که به راحتی و به صورت دستی (!) هم‌تراز می‌شدند.

با ابداع روش سنگر در سال ۱۹۷۵ میلادی و تا سال ۲۰۰۰ میلادی، فناوری به جایی رسید که ابزارهای پیشرفته و خودکار به صورت شبانه‌روزی توالی‌های ژنوم را بدست آورند و در نتیجهٔ آن نیاز به روش‌هایی برای پردازش توالی‌هایی ایجاد شده که;

• حدود ۸۰۰–۹۰۰ حرف (باز) طول دارند،
• شامل قسمت‌های ابداعی مانند توالی‌یابی یا ارگانیسم‌های تولید مثل‌کننده (Cloning Vectors) اند،
• مرتبهٔ خطای ۰/۵ تا ۱۰٪ دارند.

فناوری سنگر این امکان را ایجاد کرد که با تنها یک رایانه بتوان توالی‌های باکتری با ۲۰۰۰۰ تا ۲۰۰۰۰۰ قطعه را بازسازی کرد، اما بازسازی توالی‌های بزرگتر مانند ژنوم انسان (با حدود ۳۵ میلیون قطعه) همچنان نیاز به استفاده از پردازش موازی با چندین رایانه دارند.

شرکت بیوانفورماتیک 454Life Sciences در سال‌های ۲۰۰۴/۲۰۰۵ میلادی روش Pyroscequencing را معرفی کرد که قطعه‌های کوتاه‌تری نسبت به روش سنگر ایجاد می‌کرد (در ابتدا قطعاتی به طول حدود ۱۰۰ حرف و در حال حاضر ۴۰۰–۵۰۰ حرف)، و توان عملیاتی و سرعت بالای آن موجب شد مورد استفادهٔ مراکز بازسازی توالی قرار گیرد.

حجم داده‌ها و خطاهای ابزارهای توالی یابی در خواندن قطعات موجب تأخیر در ساخت ابزارهای بازسازی توالی شد و در ابتدا (سال ۲۰۰۴ میلادی) فقط ابزار Newbler از شرکت ۴۵۴ در دسترس بود. اولین ابزار در دسترس که می‌توانست علاوه بر قطعات ۴۵۴، ترکیب قطعات ۴۵۴ و سنگر را برای بازسازی ادغام کند، نسخهٔ ترکیبی ابزار MIRA بود که Chevreux و همکارانش در اواسط سال ۲۰۰۷ میلادی ارائه کردند و پس از آن به بازسازی توالی از توالی‌های یافته شده با فناوری های‌مختلف، بازسازی ترکیبی (Hybrid Assembly) گفته شد.

فناوری ایلومینا از سال ۲۰۰۶ میلادی در دسترس است که می‌تواند در هر اجرا حدود ۱۰۰ میلیون قطعه را، در یک دستگاه، بخواند (ژنوم انسان نیاز به خواندن حدود ۳۵ میلیون قطعه دارد) که در ابتدا طول این قطعات به ۳۶ حرف (باز) محدود بود که برای روش De-Novo مناسب نبود، اما هم‌اکنون طول این قطعات به بالای ۱۰۰ حرف می‌رسد.

ابزار بازسازی SHARCGS که اواخر سال ۲۰۰۷ میلادی معرفی شد، اولین ابزار بازسازی توالی بود که از قطعات توالی بدست آمده با Solexa (نام قبلی ایلومینا) استفاده می‌کرد که پس از آن چندین ابزار دیگر نیز ارائه شدند.

از ابزارها و فناوری‌های جدیدتر در این زمینه می‌توان به SOLiD, Ion Torrent, SMRT و توالی‌یابی Nanopore اشاره کرد.

تفاوت با بازسازی EST

بازسازی برچسب توالی بیان شده (Expressed Sequence Tag) از جهات مختلفی با بازسازی توالی ژنوم متفاوت است;

• توالی‌هایی که در EST بازسازی می‌شوند، قطعات مختلف mRNA هستند که بیانگر بخشی از ژنوم (قسمت‌هایی از اگزونها) اند ولی در بازسازی ژنوم تمام توالی DNA بدست می‌آید.
• توالی‌های mRNA نسبت به ژنوم قسمت‌های تکراری کمتری دارند (قسمت‌های تکراری معمولاً در اینترونها دیده می‌شوند).
• برخی ژنها بیشتر از بقیه بیان می‌شوند (ژن‌های خانه‌بان) که موجب وجود توالی‌های تکراری در داده‌ها می‌شود.
• گاهی ژنها همپوشانی دارند اما باید جداگانه بازسازی شوند.

اگزون‌ها و اینترون‌ها در DNA

در رونویسی و ساختن mRNA، قسمت‌های تکراری حذف می‌شوند.

بازسازی EST خود پیچیدگی‌هایی نظیر پیرایش‌های دگرسان (alternative splicing)، تراپیرایش، چندریختی تک-نوکلئوتید و تغییرات پس از رونویسی (Post-transcription modification) دارد.

انواع بازسازی توالی

بازسازی توالی ژنوم به دو صورت مختلف انجام می‌گیرد:

۱. De-Novo: بازسازی تمام توالی از قسمت‌های کوچکتر آن.

این روش بسیار کندتر است و حافظهٔ بیشتری مصرف می‌کند، چراکه تمامی قطعات باید با هم مقایسه شوند (که در حالت عادی از مرتبهٔ زمانی $O(n^{2})$ است و البته با استفاده از جدول درهم‌سازی بهبود می‌یابد).

۲. استفاده از یک توالی اولیه و تطبیق قطعه‌های بدست آمده با قسمت‌های مختلف آن (mapping) برای ایجاد توالی‌ای جدید که مشابه توالی اولیه، ولی نه الزاماً یکسان با آن، است.

اگر از نوع توالی پیش زمینه‌ای داشته باشیم، لازم نیست از ابتدا تمام توالی را بازسازی کنیم و با داشتن یک توالی به عنوان قالب می‌توانیم تفاوت‌های جزئی آن با توالی مورد نظر را با استفاده از قطعات بدست آمده اصلاح کنیم.

الگوریتم حریصانه

این مسئله مشابه یافتن کوتاه‌ترین ابردنبالهٔ مشترک (Shortest Common Supersequence) برای رشته‌های داده شده‌است که راه حل حریصانهی آن بدین صورت است:

1. هم‌ترازی دوبه‌دوی تمامی قطعات (رشته‌های داده شده) را بیآب.
2. دو قطعه که بیشترین همپوشانی را دارند انتخاب کن.
3. قطعات انتخاب شده را ادغام کن.
4. مراحل ۲ و ۳ را تکرار کن تا تنها یک قطعه باقی بماند.
5. قطعهٔ باقی‌مانده را به عنوان جواب مسئله گزارش کن.

البته این جواب الزاماً بهینه نیست.

ابزارهای در دسترس

ابزارهای بازسازی توالی که توانایی بازسازی De-Novo را در حداقل یکی از فناوری‌های پشتیبانی شده دارند در جدول زیر معرفی شده‌اند:

نام	نوع استفاده	فناوری‌ها	گردآورنده	تاریخ ارائه / تاریخ آخرین تغییر	مجوز*	صفحهٔ خانگی
ABySS	large (genomes)	Solexa, SOLiD	Simpson, J. et al.	۲۰۰۸ / ۲۰۱۴	NC-A	link
ALLPATHS-LG	(large) genomes	Solexa, SOLiD	Gnerre, S. et al.	۲۰۱۱	OS	link
AMOS	genomes	Sanger, 454	Salzberg, S. et al.	۲۰۰۲? / ۲۰۱۱	OS	link
Arapan-M	Medium Genomes (e.g. E.coli)	All	Sahli, M. & Shibuya, T.	۲۰۱۱ / ۲۰۱۲	OS	link
Arapan-S	Small Genomes (Viruses and Bacteria)	All	Sahli, M. & Shibuya, T.	۲۰۱۱ / ۲۰۱۲	OS	link
Celera WGA Assembler / CABOG	(large) genomes	Sanger, 454, Solexa	Myers, G. et al. ; Miller G. et al.	۲۰۰۴ / ۲۰۱۵	OS	link
CLC Genomics Workbench & CLC Assembly Cell	genomes	Sanger, 454, Solexa, SOLiD	CLC bio	۲۰۰۸ / ۲۰۱۰ / ۲۰۱۴	C	link
Cortex	genomes	Solexa, SOLiD	Iqbal, Z. et al.	۲۰۱۱	OS	link
DBG2OLC	(large) genomes	Illumina, PacBio, Oxford Nanopore	Ye, C. et al	۲۰۱۴/۲۰۱۶	OS	link
DNA Baser Assembler	(small) genomes	Sanger, 454	Heracle BioSoft SRL	۰۴٫۲۰۱۶	C	www.DnaBaser.com
DNA Dragon	genomes	Illumina, SOLiD, Complete Genomics, 454, Sanger	SequentiX	۲۰۱۱	C	link
DNAnexus	genomes	Illumina, SOLiD, Complete Genomics	DNAnexus	۲۰۱۱	C	link
DNASTAR Lasergene Genomics Suite	(large) genomes, exomes, transcriptomes, metagenomes, ESTs	Illumina, ABI SOLiD, Roche 454, Ion Torrent, Solexa, Sanger	DNASTAR	۲۰۰۷ / ۲۰۱۶	C	link
Edena	genomes	Illumina	D. Hernandez, P. François, L. Farinelli, M. Osteras, and J. Schrenzel.	۲۰۰۸/۲۰۱۳	OS	link
Euler	genomes	Sanger, 454 (,Solexa ?)	Pevzner, P. et al.	۲۰۰۱ / ۲۰۰۶?	(C / NC-A?)	link
Euler-sr	genomes	454, Solexa	Chaisson, MJ. et al.	۲۰۰۸	NC-A	link
Fermi	(large) genomes	Illumina	Li, H.	۲۰۱۲	OS	link
Forge	(large) genomes, EST, metagenomes	454, Solexa, SOLID, Sanger	Platt, DM, Evers, D.	۲۰۱۰	OS	link
Geneious	genomes	Sanger, 454, Solexa, Ion Torrent, Complete Genomics, PacBio, Oxford Nanopore, Illumina	Biomatters Ltd	۲۰۰۹ / ۲۰۱۳	C	link
Graph Constructor	(large) genomes	Sanger, 454, Solexa, SOLiD	Convey Computer Corporation	۲۰۱۱	C	link
HINGE	genomes	PacBio/Oxford Nanopore	Kamath, Shomorony, Xia et. al.	۲۰۱۶	OS	Software, Paper, Analyses
IDBA (Iterative De Bruijn graph short read Assembler)	(large) genomes	Sanger,454,Solexa	Yu Peng, Henry C. M. Leung, Siu-Ming Yiu, Francis Y. L. Chin	۲۰۱۰	(C / NC-A?)	link
LIGR Assembler (derived from TIGR Assembler)	genomic	Sanger	-	۲۰۰۹/ ۲۰۱۲	OS	link
MaSuRCA (Maryland Super Read - Celera Assembler)	(large) genomes	Sanger, Illumina, 454	Aleksey Zimin, Guillaume Marçais, Daniela Puiu, Michael Roberts, Steven L. Salzberg, James A. Yorke	۲۰۱۲ / ۲۰۱۳	OS	link
MIRA (Mimicking Intelligent Read Assembly)	genomes, ESTs	Sanger, 454, Solexa	Chevreux, B.	۱۹۹۸ / ۲۰۱۴	OS	link
NextGENe	(small genomes?)	454, Solexa, SOLiD	Softgenetics	۲۰۰۸	C	link
Newbler	genomes, ESTs	454, Sanger	454/Roche	۲۰۰۴/۲۰۱۲	C	link
PADENA	genomes	454, Sanger	454/Roche	۲۰۱۰	OS	link
PASHA	(large) genomes	Illumina	Liu, Schmidt, Maskell	۲۰۱۱	OS	link
Phrap	genomes	Sanger, 454, Solexa	Green, P.	۱۹۹۴ / ۲۰۰۸	C / NC-A	link
TIGR Assembler	genomic	Sanger	-	۱۹۹۵ / ۲۰۰۳	OS	link
Trinity	Transcriptomes	short reads (paired, oriented, mixed) Illumina, 454, Solid,...	Grabher, MG et al.	۲۰۱۱/۲۰۱۶	OS	https://github.com/trinityrnaseq/trinityrnaseq/wiki
Ray	genomes	Illumina, mix of Illumina and 454, paired or not	Sébastien Boisvert, François Laviolette & Jacques Corbeil.	۲۰۱۰	OS [GNU General Public License]	link
Sequencher	genomes	traditional and next generation sequence data	Gene Codes Corporation	۱۹۹۱ / ۲۰۰۹ / ۲۰۱۱	C	link
SGA	(large) genomes	Illumina, Sanger (Roche 454?, Ion Torrent?)	Simpson, J.T. et al.	۲۰۱۱ / ۲۰۱۲	OS	link
SHARCGS	(small) genomes	Solexa	Dohm et al.	۲۰۰۷ / ۲۰۰۷	OS	link
SOPRA	genomes	Illumina, SOLiD, Sanger, 454	Dayarian, A. et al.	۲۰۱۰ / ۲۰۱۱	OS	link
SparseAssembler	(large) genomes	Illumina, 454, Ion torrent	Ye, C. et al.	۲۰۱۲ / ۲۰۱۲	OS	link
SSAKE	(small) genomes	Solexa (SOLiD? Helicos?)	Warren, R. et al.	۲۰۰۷ / ۲۰۱۴	OS	link
SOAPdenovo	genomes	Solexa	Luo, R. et al.	۲۰۰۹ / ۲۰۱۳	OS	link
SPAdes	(small) genomes, single-cell	Illumina, Solexa, Sanger, 454, Ion Torrent, PacBio, Oxford Nanopore	Bankevich, A et al.	۲۰۱۲ / ۲۰۱۵	OS	link
Staden gap4 package	BACs (, small genomes?)	Sanger	Staden et al.	۱۹۹۱ / ۲۰۰۸	OS	link
Taipan	(small) genomes	Illumina	Schmidt, B. et al.	۲۰۰۹ / ۲۰۰۹	OS	link
VCAKE	(small) genomes	Solexa (SOLiD?, Helicos?)	Jeck, W. et al.	۲۰۰۷ / ۲۰۰۹	OS	link
Phusion assembler	(large) genomes	Sanger	Mullikin JC, et al.	۲۰۰۳ / ۲۰۰۶	OS	link
Quality Value Guided SRA (QSRA)	genomes	Sanger, Solexa	Bryant DW, et al.	۲۰۰۹ / ۲۰۰۹	OS	link
Velvet	(small) genomes	Sanger, 454, Solexa, SOLiD	Zerbino, D. et al.	۲۰۰۷ / ۲۰۱۱	OS	link
*مجوز: OS = متن باز؛ C = تجاری؛ C / NC-A = تجاری، اما رایگان برای استفادهٔ غیر تجاری و آکادمیک؛ براکت = غیر مشخص اما احتمالاً همان C / NC-A

جستارهای وابسته

• پوشش مجموعه
• هم‌ترازسازی توالی