panHiTE:基于深度学习的群体基因组转座元件检测新方法及其在植物基因组进化与调控变异发现中的应用

《Plant Communications》:panHiTE: a comprehensive and accurate pipeline for TE detection in large-scale population genomes

【字体: 大 中 小 】 时间:2025年12月11日 来源:Plant Communications 11.6

编辑推荐:

  为解决大规模复杂植物基因组中转座元件(TE)检测存在的高假阳性、高碎片化及低拷贝TE漏检等问题,研究人员开发了panHiTE流程。该工具通过动态更新全局TE库、深度学习辅助LTR-RT(长末端重复反转录转座子)识别和低拷贝TE跨基因组校正等创新,在拟南芥、玉米和水稻群体基因组中实现TE注释精度提升2.7-8.9倍,并成功应用于15Gb小麦基因组注释,首次系统鉴定出85个TE诱导差异表达位点(TIDEL),为物种进化研究和作物育种提供了新视角。

  
在基因组这片浩瀚的星海中,转座元件(Transposable Elements, TEs)如同活跃的彗星,既是驱动基因组进化的强大引擎,也是引发遗传变异的双刃剑。早在1948年,Barbara McClintock就在玉米中首次揭示了TE与表型变异的神秘联系,从玉米籽粒的颜色斑驳到苹果果皮的红色形成,TE的身影无处不在。然而,尽管高通量测序技术飞速发展,科学家们在全面解析TE的道路上仍面临三重难关:植物基因组通常庞大而复杂(如小麦基因组高达15Gb),现有工具难以高效处理;低拷贝TE因缺乏足够重复序列而难以准确识别;传统方法对长末端重复反转录转座子(LTR-RTs)的检测存在大量假阳性。这些问题严重制约了我们对TE在物种进化、基因调控和作物育种中作用的深入理解。
为突破这些瓶颈,中南大学王建新教授团队在《Plant Communications》上发表了题为"panHiTE: a comprehensive and accurate pipeline for TE detection in large-scale population genomes"的研究成果。该研究开发了一套革命性的群体规模TE检测流程,通过多项技术创新实现了TE注释的精度与效率的跨越式提升。
研究团队采用的核心技术方法包括:(1)基于Nextflow的多节点并行计算框架,支持超大规模基因组分析;(2)动态更新的全局TE库管理策略,通过分块处理(默认400Mb/块)和序列屏蔽避免重复计算;(3)深度学习辅助的LTR-RT检测工具FiLTR,利用侧翼矩阵模式和边界检测算法精准识别真实LTR-RT;(4)低拷贝TE的跨基因组重比对验证方法,通过多序列比对(MSA)和结构特征分析确认TE真实性;(5)故障容忍的冗余去除算法,有效合并含有大片段插入缺失的TE家族变异体。研究数据涵盖32个拟南芥生态型、26个玉米品种和16个水稻品种的基因组及RNA-seq数据,并对15Gb六倍体小麦基因组进行了验证。
panHiTE改进完整TE检测能力
通过创新的LTR-RT检测算法和低拷贝TE恢复策略,panHiTE显著提升了完整TE的检测能力。与当前最先进的panEDTA相比,panHiTE在拟南芥、玉米和水稻群体基因组中的F1值分别提高2.75倍、8.93倍和2.70倍。特别值得注意的是,panHiTE产生的TE库中"完美TE"(Perfect TEs)数量是panEDTA的2.32-2.83倍,而序列总数却减少50%以上,表明其有效降低了冗余和碎片化。在32个拟南芥基因组中,panHiTE共鉴定出2,075个TE家族,其中1,939个具有至少一个完整拷贝。按分布频率分类,541个(27.9%)为核心TE家族(存在于所有32个基因组),423个(21.8%)为软核心家族(存在于25-31个基因组),857个(44.2%)为可有可无家族(存在于2-24个基因组),118个(6%)为私有家族(仅存在于单个基因组)。
panHiTE揭示群体尺度pan-TE景观
研究团队通过饱和曲线分析发现,随着基因组数量的增加,pan-TE家族数量逐渐上升,最终达到1,939个,外推估计值为2,267±3个;而核心TE家族数量则随基因组增加而下降,稳定在564个,预测最终值为590±7个。DNA转座子和LTR反转录转座子构成TE的主体,其中LTR/Copia数量最为丰富。不同基因组中核心、软核心、可有可无和私有TE家族的比例存在显著变异,基因组大小差异主要归因于LTR/Gypsy和LTR/Copia元件的覆盖度变化。
panHiTE实现大型复杂基因组TE检测
panHiTE在15Gb六倍体小麦基因组上的成功应用证明了其处理超大规模基因组的能力。通过将基因组划分为三个亚基因组并行处理,panHiTE仅用三个计算节点在93小时内完成了全基因组注释,而panEDTA处理26个玉米基因组需要1,242小时,panHiTE仅需83小时,效率提升约15倍。对小麦亚基因组LTR-RT插入时间分析显示,A和B亚基因组在0.25和1.25百万年前有两个明显峰值,而D亚基因组仅在1.25百万年前有单一峰值,这与四倍体小麦(BBAA)形成于约0.8百万年前,随后与粗山羊草(DD)杂交形成现代六倍体面包小麦的进化历史一致。
群体特异性TE插入导致基因差异表达
通过整合RNA-seq数据,panHiTE量化了群体中TE和基因的表达水平,发现不同生态型间TE活性存在显著差异。例如拟南芥中的"Tibet-0"、"Bor-1"等品系显示出较高的TE表达水平。特别值得注意的是,同一TE家族在不同生态型中的表达也存在明显变异,如"38-LTR_193_int"在"Tibet-0"中高表达,而在其他生态型中表达量极低。TE-基因位置关联分析显示,基因内部插入TE的拟南芥Col-0品系中,基因表达水平显著低于无TE插入的基因,表明TE插入确实会干扰基因正常表达。通过比较有TE插入(上游、内部或下游)和无插入(对照组)的基因表达差异,研究团队在32个拟南芥生态型中鉴定出85个TE诱导差异表达位点(TIDEL),这些位点与多种生物过程和关键酶合成途径相关。
panHiTE精准检测LTR-RTs
FiLTR作为panHiTE的核心组件,通过深度学习与边界检测算法的结合,显著提升了LTR-RT检测的准确性。与LTR_retriever和Inpactor2等现有工具相比,FiLTR在多个物种中均表现出更高的F1值和完美密度(Perfect Density)。例如在水稻中,FiLTR将LtrDetector的F1值从0.0803提升至0.757(BM_HiTE评估),完美密度达到0.8以上,远高于其他工具。FiLTR通过构建LTR末端侧翼矩阵,发现了真实LTR-RT侧翼区域存在的"半同源半随机"模式,并基于此开发了深度学习分类器,有效过滤了由其他TE(如TIR、Helitron和非LTR)形成的假阳性LTR-RT。
本研究通过panHiTE这一创新工具,实现了群体基因组尺度下TE检测的精度和效率的显著提升,不仅为植物基因组学研究提供了强大技术支撑,更通过TIDEL的发现为理解TE在物种进化和表型变异中的作用提供了新视角。尽管panHiTE在LTR-RT检测和低拷贝TE恢复方面已取得重要突破,但面对LINE和SINE等易截短的元件,其检测能力仍有提升空间。未来随着高质量TE参考库的不断扩充和算法模型的持续优化,自动化TE注释有望在作物育种、人类疾病研究等更广泛领域发挥关键作用。该研究的成功实施标志着植物基因组学研究进入了群体尺度、高精度TE注释的新时代,为深入解析基因组暗物质的功能意义奠定了坚实基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号