快速识别和清除基因组和宏基因组数据集中的序列污染

高通量测序技术对微生物学产生了深远的影响，提供了一种快速且具有成本效益的方法来生成草图基因组并探索微生物多样性。然而，从不纯的核酸准备中获得的序列可能包含来自样本以外来源的DNA。这些序列污染对下游分析所用数据的质量构成了严重的担忧，导致序列拼接错误和错误结论。因此，去除序列污染物是所有测序项目中必要且必需的步骤。我们开发了DeconSeq，这是一个强大的框架，用于快速、自动地识别和去除较长读长数据集（150 bp平均读长）中的序列污染。DeconSeq以独立版本和基于Web的版本公开提供。结果可以导出以进行后续分析，基于Web的版本所用的数据库会定期自动更新。DeconSeq对可能的污染序列进行分类，消除与非污染基因组相似度较高的冗余命中，并提供比对结果和分类的图形可视化。使用DeconSeq，我们对202个先前发表的微生物和病毒宏基因组进行了可能的人类DNA污染的分析，并发现145个（72%）宏基因组存在可能的污染，污染序列高达64%。这个新框架使科学家能够自动检测并高效去除数据集中的不必要序列污染，同时消除了当前方法的关键限制。DeconSeq的Web界面简单易用。独立版本允许离线分析并集成到现有的数据处理管道中。DeconSeq的结果揭示了测序实验是否成功、是否测序了正确的样本，以及样本中是否包含来自DNA制备或宿主的任何序列污染。此外，202个宏基因组的分析表明，非人类关联宏基因组的污染显著，表明该方法适用于筛查所有宏基因组。DeconSeq可在http://deconseq.sourceforge.net/获取。