Annotation et assemblage du génome

Le génome entier d’un organisme ne peut pas être séquencé en séquences continues - même la dernière génération de technologies de séquençage produit des données fragmentées à partir de milliers de fragments d’ADN courts d’une longueur de 50 à 1000 pb.

Ces courtes séquences d’ADN - appelées lectures - doivent être assemblées pour reconstruire la séquence complète d’un génome dans un processus appelé assemblage du génome.

Tout assemblage de génome de nouvelle génération comporte quatre étapes principales : l’analyse des données brutes, l’assemblage des contigs, l’échafaudage et, enfin, la fermeture des lacunes.

La première étape consiste à analyser les données brutes acquises pour en vérifier la qualité, puis à éliminer toute contamination, données biaisées ou lectures de mauvaise qualité avec un grand nombre de nucléotides inconnus.

Ensuite, les lectures propres sont tronquées pour supprimer les séquences d’adaptateur de leurs extrémités. Toutes les bases aux extrémités du fragment qui ne dépassent pas le seuil de qualité sont également tronquées.

Ensuite, un outil d’assemblage bien adapté est utilisé pour assembler les lectures en séquences contiguës - appelées contigs - basées sur les segments d’ADN qui se chevauchent.

L’assemblage comparatif du génome peut être utilisé lorsqu’un génome de référence d’un organisme étroitement apparenté est disponible pour diriger la reconstruction du nouveau génome. Ici, les lectures sont alignées sur le génome de référence, ce qui fournit une disposition pour les étapes ultérieures de l’assemblage du génome.

Alternativement, l’assemblage du génome de novo doit être effectué en l’absence d’un génome de référence. Ici, les lectures qui se chevauchent sont utilisées pour orienter les séquences en contigs plus longs.

Dans l’étape suivante, les lectures courtes appariées - qui sont des lectures en surplomb à la fin des contigs - sont utilisées pour échafauder le génome.

Les espaces entre les contigs adjacents sont remplis de Ns en cas de séquences inconnues. Cependant, si des lectures longues de plus de 1 Ko sont utilisées pour assembler des contigs, les lacunes peuvent être comblées avec des séquences réelles.

Le résultat est un génome assemblé qui doit ensuite être annoté à l’aide d’outils automatisés - un processus appelé annotation du génome.

Les deux principaux objectifs de l’annotation du génome sont la prédiction de la structure des gènes et de la fonction des gènes, communément appelées respectivement annotation structurelle et annotation fonctionnelle.

Alors que l’annotation structurale conduit à l’identification des éléments génomiques tels que les régions codantes, les motifs régulateurs, etc., l’annotation fonctionnelle aide à identifier correctement la fonction biologique de ces éléments structurels, en particulier les gènes codant pour les protéines.

Les outils d’annotation du génome utilisent les données disponibles, y compris les transcrits connus, les séquences de protéines ou de signaux, les gènes prédits à partir d’autres génomes séquencés ou les signatures de domaines conservés, comme références pour toute nouvelle annotation.

Une fois que le logiciel aligne ces données disponibles sur le génome provisoire, elles doivent être filtrées et peaufinées, soit manuellement, soit à l’aide d’outils d’annotation pour obtenir un ensemble final d’annotations génétiques.