SHARCGS, un algoritmo de ensamblaje de lecturas cortas rápido y altamente preciso para el secuenciamiento genómico de novo

La última revolución en el campo de la secuenciación de ADN ha sido provocada por el desarrollo de secuenciadores automatizados capaces de generar conjuntos de datos de giga pares de bases rápida y económicamente. Las aplicaciones de tales tecnologías parecen limitarse a la re-secuenciación y al descubrimiento de transcriptos, debido a la brevedad de las lecturas generadas. Para ampliar los campos de aplicación al secuenciamiento de novo, desarrollamos el algoritmo SHARCGS para ensamblar datos de lecturas cortas (25-40-mers) con alta precisión y velocidad. La eficiencia de SHARCGS fue probada en inserciones BAC de tres especies eucariotas, en dos cromosomas de levadura y en dos genomas bacterianos (Haemophilus influenzae, Escherichia coli). Mostramos que los ensamblajes BAC basados en 30-mers tienen tamaños N50 >20 kbp para Drosophila y Arabidopsis y >4 kbp para humano en simulaciones que consideran lecturas faltantes y llamadas de bases erróneas. Ensamblamos 949,974 contigs con longitud >50 pb, y solo un único contig no pudo alinearse sin errores contra las secuencias de referencia. Generamos lecturas de 36-mers para el genoma de Helicobacter acinonychis en el secuenciador Illumina 1G y ensamblamos 937 contigs cubriendo el 98% del genoma con un tamaño N50 de 3.7 kbp. Excepto por cinco contigs que difieren en 1-4 posiciones respecto a la secuencia de referencia, todos los contigs coincidieron con el genoma sin errores. Por lo tanto, SHARCGS es una herramienta adecuada para explotar plenamente tecnologías de secuenciación novedosas ensamblando contigs de secuencia de novo con alta confianza y superando a los algoritmos de ensamblaje existentes en velocidad y precisión.