SHARCGS, un algorithme d'assemblage rapide et très précis de lectures courtes pour le séquençage génomique de novo

La dernière révolution dans le domaine du séquençage de l'ADN a été provoquée par le développement de séquenceurs automatisés capables de générer rapidement et à faible coût des ensembles de données de giga paires de bases. Les applications de telles technologies semblent limitées au resequencement et à la découverte de transcrits, en raison de la brièveté des lectures générées. Afin d'étendre les champs d'application au séquençage de novo, nous avons développé l'algorithme SHARCGS pour assembler des données de lectures courtes (25-40-mer) avec une grande précision et rapidité. L'efficacité de SHARCGS a été testée sur des inserts BAC de trois espèces eucaryotes, sur deux chromosomes de levure, et sur deux génomes bactériens (Haemophilus influenzae, Escherichia coli). Nous montrons que les assemblages BAC basés sur des 30-mers ont des tailles N50 >20 kpb pour Drosophila et Arabidopsis et >4 kpb pour l'humain dans des simulations prenant en compte les lectures manquantes et les mauvaises identifications de bases. Nous avons assemblé 949 974 contigs de longueur >50 pb, et un seul contig n'a pas pu être aligné sans erreur par rapport aux séquences de référence. Nous avons généré des lectures 36-mer pour le génome de Helicobacter acinonychis sur l'instrument de séquençage Illumina 1G et assemblé 937 contigs couvrant 98 % du génome avec une taille N50 de 3,7 kpb. À l'exception de cinq contigs présentant de 1 à 4 différences par rapport à la séquence de référence, tous les contigs correspondaient au génome sans erreur. Ainsi, SHARCGS est un outil adapté pour exploiter pleinement les nouvelles technologies de séquençage en assemblant de novo des contigs de séquence avec une grande confiance et en surpassant les algorithmes d'assemblage existants en termes de rapidité et de précision.