Lernzettel: Introduction aux méthodes d'assemblage génomique

📋 Plan du Cours

1. Assemblage de novo
2. Couverture du génome
3. Redondance dans lectures
4. Problème des répétitions
5. Graphes de chevauchement
6. Graphes de De Bruijn
7. Unitigs et chemins eulériens
8. Correction erreurs de séquençage
9. Sortie de l’assembleur (contigs, graphes)
10. Scaffolding et orientation
11. Qualité de l’assemblage (N50, couverture)
12. Évaluation de l’exactitude (gènes conservés)

📖 1. Assemblage de novo

🔑 Notions clés & Définitions

• Assemblage de novo : processus consistant à reconstruire une séquence génomique à partir de fragments (lectures) sans utiliser de génome de référence, selon Mary (2023).
• But de l’assemblage : retrouver la séquence d’origine uniquement à partir des lectures, en identifiant les chevauchements et en reconstruisant la séquence complète.
• Problématique principale : retrouver la séquence d’origine uniquement à partir des lectures, en gérant la redondance, les erreurs et les répétitions, comme indiqué par Mary (2023).
• Assemblage de novo (assemblage sans référence) : méthode où la séquence est reconstruite sans comparaison préalable avec un génome connu, en utilisant uniquement les fragments séquencés.
• Redondance dans les lectures : présence de chevauchements entre plusieurs fragments, permettant d’assembler la séquence complète, comme souligné par Mary (2023).

📝 Points essentiels

• L’assemblage de novo vise à retrouver la séquence d’origine à partir de fragments, en exploitant la redondance et les chevauchements entre lectures (Mary, 2023).
• La problématique centrale est de reconstituer la séquence sans référence, en utilisant uniquement les lectures séquencées, ce qui nécessite de gérer la redondance, les erreurs de séquençage et les répétitions (Mary, 2023).
• La reconstruction repose sur deux grands paradigmes : les graphes de chevauchement (Overlap-Layout-Consensus) et les graphes de De Bruijn, chacun ayant ses avantages et inconvénients en termes de vitesse, taille et sensibilité aux erreurs (Mary, 2023).
• La difficulté majeure réside dans la gestion des répétitions plus grandes que la taille des lectures, qui empêchent une reconstruction précise sans informations supplémentaires (Mary, 2023).
• La sortie d’un assemblage est généralement une liste de contigs, fragments contigus du génome, dont l’objectif est d’obtenir idéalement un contig par chromosome, ce qui est rarement atteint en pratique (Mary, 2023).

💡 À retenir

L’assemblage de novo consiste à reconstruire une séquence génomique complète uniquement à partir des lectures, en utilisant des méthodes basées sur les graphes, tout en gérant les répétitions et erreurs pour obtenir la meilleure approximation possible de la séquence d’origine.

📖 2. Couverture du génome

🔑 Notions clés & Définitions

• Couverture (C) : Nombre moyen de lectures qui couvrent une position du génome. Elle permet d’évaluer la densité de séquençage sur le génome.
• Formule de couverture : $C = \frac{n \times l}{L}$ où n = nombre de lectures, l = longueur d’une lecture, L = taille du génome.
• Impact d’une couverture insuffisante : Si la couverture est trop faible, certaines régions du génome ne seront pas couvertes, entraînant une perte d’informations essentielles pour l’assemblage.
• Couverture recommandée : Pour un assemblage de qualité, une couverture d’environ 10× est souvent conseillée, ce qui assure une couverture suffisante pour retrouver la majorité des régions du génome.

📝 Points essentiels

• La couverture d’un séquençage est une mesure de la densité de lectures sur le génome, calculée par la formule $C = \frac{n \times l}{L}$.
• Une couverture insuffisante (ex : $C < 10×$) peut entraîner des régions non couvertes, rendant impossible la reconstruction complète du génome.
• En pratique, une couverture de 10× permet d’assurer une couverture adéquate, en supposant une distribution uniforme des lectures. Par exemple, avec $C=10×$, une région non couverte apparaît tous les 1 000 000 de nucléotides.
• La couverture doit être suffisante pour permettre la détection de chevauchements entre lectures, indispensables à l’assemblage.

💡 À retenir

Une couverture d’au moins 10× est généralement recommandée pour garantir une couverture suffisante du génome, minimisant ainsi les régions non couvertes et facilitant un assemblage précis.

📖 3. Redondance dans lectures

🔑 Notions clés & Définitions

• Identification de la redondance dans les lectures : processus consistant à repérer des segments identiques ou similaires entre différentes lectures, permettant de déduire des chevauchements et de reconstituer la séquence d’origine (voir aussi "chevauchements").
• Rôle de la redondance pour retrouver la séquence d’origine : la redondance fournit les chevauchements nécessaires pour assembler les fragments en reconstituant la séquence initiale, en exploitant la répétition d’informations dans les lectures (voir aussi "assemblage").
• Lien entre redondance et chevauchements entre lectures : la redondance se manifeste par des chevauchements entre lectures, qui sont des portions communes permettant de relier ces fragments dans l’ordre correct pour reconstruire le génome (voir aussi "chevauchements").
• Redondance : présence de segments identiques ou très similaires dans plusieurs lectures, essentielle pour l’assemblage de novo, car elle permet d’établir des relations de chevauchement (voir aussi "assemblage").
• Chevauchements : portions communes entre deux lectures où la fin de l’une correspond au début de l’autre, identifiées grâce à la redondance, et qui servent à relier ces lectures dans la séquence finale (voir aussi "chevauchements").
• Suffisance de chevauchements : pour retrouver la séquence d’origine, il faut un nombre suffisant de chevauchements, c’est-à-dire une redondance suffisante dans les lectures, pour couvrir l’ensemble du génome sans lacunes (voir aussi "couverture").

📝 Points essentiels

• La redondance dans les lectures est essentielle pour l’assemblage de novo, car elle permet d’identifier des chevauchements entre fragments, ce qui est la base pour reconstituer la séquence d’origine (Mary, 15 mars 2023).
• La détection de la redondance consiste à repérer des segments identiques ou très proches dans plusieurs lectures, ce qui indique des chevauchements potentiels (Mary, 15 mars 2023).
• La redondance facilite la reconstruction en fournissant des chevauchements entre lectures, qui sont utilisés pour assembler les fragments dans le bon ordre (Mary, 15 mars 2023).
• La quantité de redondance doit être suffisante pour couvrir tout le génome, sinon certaines régions resteront non assemblées ou mal reconstituées (Mary, 15 mars 2023).
• La redondance est directement liée à la couverture du séquençage : une couverture insuffisante limite la détection de chevauchements, rendant l’assemblage difficile (voir aussi "couverture").
• La détection de chevauchements basée sur la redondance est la première étape pour construire un graphe d’assemblage, qu’il soit de chevauchement ou de De Bruijn (Mary, 15 mars 2023).

💡 À retenir

La redondance dans les lectures, en permettant d’identifier des chevauchements, est la clé pour assembler efficacement un génome de novo ; une couverture suffisante est indispensable pour garantir une reconstruction fidèle.

📖 4. Problème des répétitions

🔑 Notions clés & Définitions

• Problème des répétitions : Situations où des séquences d’ADN se répètent dans le génome avec une longueur supérieure à celle des lectures, rendant leur assemblage difficile ou impossible (voir "Définition du problème des répétitions").
• Répétitions plus grandes que la taille des lectures : Cas où la longueur d’une séquence répétée dépasse celle des fragments séquencés, empêchant la différenciation entre différentes occurrences de la répétition.
• Conséquence du problème : Difficulté à assembler correctement certaines régions du génome, pouvant entraîner des erreurs ou des lacunes dans l’assemblage (voir "Conséquence").
• Nécessité d’informations à plus grande distance : Pour résoudre les répétitions longues, il faut disposer d’informations provenant de régions situées à une distance supérieure à la taille des lectures, afin de faire la distinction entre différentes copies de la répétition (voir "Nécessité d’informations à plus grande distance").

📝 Points essentiels

• Le problème des répétitions survient lorsque la longueur des séquences répétées dépasse celle des lectures, ce qui limite la capacité à différencier ces régions lors de l’assemblage (voir "Définition du problème des répétitions").
• La présence de répétitions longues entraîne une impossibilité d’assembler certaines régions du génome avec précision, car les chevauchements ne permettent pas d’identifier leur position exacte.
• La résolution du problème nécessite des informations provenant de régions situées à une distance supérieure à la taille des lectures, ce qui peut impliquer des stratégies d’assemblage plus sophistiquées ou l’utilisation de données complémentaires.

💡 À retenir

Le problème des répétitions longues limite la capacité d’assemblage en exigeant des informations à une distance plus grande que la taille des lectures, ce qui complique la reconstruction précise du génome.

📖 5. Graphes de chevauchement

🔑 Notions clés & Définitions

• Graphe de chevauchement : Représentation où chaque nœud correspond à une lecture, et chaque arête indique un chevauchement entre le suffixe d’une lecture et le préfixe d’une autre. (source : Assemblage, Arnaud Mary, 15 mars 2023)
• Méthode naïve de calcul : Approche consistant à comparer toutes les paires de lectures pour déterminer leur chevauchement, avec une complexité de O(d²n), où d est le nombre de lectures et n leur taille.
• Optimisations possibles : Utilisation d’arbres de suffixes ou de tables de k-mers pour réduire la complexité à O(dn + p), p étant le nombre réel de chevauchements.
• Gestion des erreurs de séquençage : Prise en compte des gaps et mismatches dans le calcul des chevauchements, notamment via l’algorithme d’alignement Needleman-Wunsch pour chevauchements inexactes.
• Étapes du layout : Processus de simplification du graphe comprenant la suppression des inclusions, la suppression des arcs transitifs, et l’extraction des contigs.

📝 Points essentiels

• Le graphe de chevauchement est une étape clé dans l’assemblage, permettant de représenter graphiquement les chevauchements entre lectures. La méthode naïve, bien que simple, nécessite d’effectuer d² comparaisons, ce qui devient rapidement coûteux pour un grand nombre de lectures.
• Des méthodes plus efficaces, telles que l’utilisation d’arbres de suffixes ou de tables de k-mers, permettent de réduire la complexité à O(dn + p), en se concentrant uniquement sur les chevauchements réels.
• La gestion des erreurs de séquençage est essentielle : en autorisant gaps et mismatches, on peut détecter des chevauchements approximatifs, mais cela augmente la complexité de calcul. L’algorithme de Needleman-Wunsch est souvent utilisé pour cela, bien qu’il soit coûteux en opérations.
• La phase de layout vise à simplifier le graphe en supprimant les inclusions (lectures contenues dans d’autres) et les arcs transitifs (redondants), afin d’extraire des unités linéaires appelées contigs, qui représentent des portions du génome assemblé.

💡 À retenir

Le graphe de chevauchement, en combinant méthodes naïves ou optimisées, permet de modéliser efficacement les chevauchements entre lectures pour assembler le génome, tout en tenant compte des erreurs grâce à des alignements approximatifs.

📖 6. Graphes de De Bruijn

🔑 Notions clés & Définitions

• Paradigme des graphes de De Bruijn : méthode d’assemblage utilisant un graphe orienté dont les sommets représentent des k-mers extraits des lectures, permettant de reconstruire la séquence d’origine en identifiant des chemins eulériens (compris dans Compeau, Pevzner & Tesler, 2019).
• Construction du graphe à partir des k-mers : étape consistant à créer un graphe où chaque sommet est un k-mer, et deux sommets sont reliés si leurs (k-1)-suffixe et (k-1)-préfixe se chevauchent, facilitant la représentation compacte des chevauchements (voir Compeau, Pevzner & Tesler, 2019).
• Avantages par rapport aux graphes de chevauchement : principaux atouts des graphes de De Bruijn, qui sont plus rapides à construire et moins gourmands en mémoire, avec un nombre de sommets borné par 4^k, rendant leur traitement efficace pour de grandes quantités de données (voir Compeau, Pevzner & Tesler, 2019).

📝 Points essentiels

• Le paradigme des graphes de De Bruijn repose sur la décomposition des lectures en k-mers, puis la construction d’un graphe orienté où chaque sommet représente un k-mer unique. La relation entre deux sommets est établie si leurs (k-1)-sous-séquences se chevauchent, permettant de représenter toutes les chevauchements possibles dans un espace réduit.
• La construction du graphe inclut la correction des erreurs, l’identification et la compression des portions linéaires (unitigs), qui sont des chemins non branchés dans le graphe, facilitant la simplification de l’assemblage.
• La méthode permet de traiter efficacement de très grands ensembles de lectures grâce à la limitation du nombre de sommets par la taille de k, qui est généralement choisie pour équilibrer sensibilité et précision.
• La sensibilité aux erreurs de séquençage est un inconvénient majeur, car une erreur dans un k-mer crée une branche dans le graphe, rendant la correction préalable essentielle. La construction peut se faire en combinant différentes stratégies, telles que la correction d’erreurs, la compression en unitigs, ou le calcul de chemins eulériens pour la reconstruction.

💡 À retenir

Les graphes de De Bruijn offrent une approche efficace pour l’assemblage de génomes à grande échelle en raison de leur simplicité de construction et de leur faible consommation mémoire, mais nécessitent une correction rigoureuse des erreurs de séquençage pour éviter des assemblages erronés.

📖 7. Unitigs et chemins eulériens

🔑 Notions clés & Définitions

• Unitigs : segments linéaires maximaux dans un graphe simplifié, correspondant à des portions non branchantes du graphe, obtenues après suppression des inclusions et des arcs transitifs (voir section 13).
• Chemin eulérien : chemin dans un graphe où chaque arête est parcourue exactement une fois, utilisé pour assembler une séquence possible à partir du graphe de De Bruijn (voir section 36).
• Portion linéaire : segment du graphe où chaque sommet a un degré sortant et entrant égal à 1, permettant d’identifier une séquence continue, notamment dans la création des unitigs (voir section 27).

📝 Points essentiels

• Les unitigs représentent des portions "non branchantes" du graphe, correspondant à des chemins linéaires dans ce dernier, permettant de simplifier la structure complexe du graphe d’assemblage (voir section 27).
• La construction des unitigs se fait après suppression des inclusions (lecture contenue dans une autre) et des arcs transitifs (redondants), pour obtenir des segments "non branchants" du graphe (voir sections 24-25).
• La méthode des chemins eulériens dans le graphe de De Bruijn permet de retrouver une séquence reconstruite en parcourant chaque arc une seule fois, ce qui est crucial pour assembler les contigs ou séquences complètes (voir section 36).
• La distinction entre unitigs et chemins eulériens est que les premiers sont des segments linéaires maximaux, tandis que les chemins eulériens peuvent représenter plusieurs séquences possibles, notamment en cas de répétitions ou erreurs (voir sections 27 et 36).
• La simplification du graphe par identification des unitigs facilite l’assemblage en réduisant la complexité du graphe, notamment en évitant les branches et répétitions (voir section 27).

💡 À retenir

Les unitigs sont des segments linéaires maximaux issus du graphe d’assemblage, essentiels pour simplifier la structure du graphe et faciliter la reconstruction de séquences, tandis que les chemins eulériens permettent de parcourir ces segments pour assembler des séquences possibles.

📖 8. Correction erreurs de séquençage

🔑 Notions clés & Définitions

• Correction des erreurs de séquençage : processus visant à identifier et à rectifier les erreurs (mismatches, gaps) présentes dans les lectures avant ou pendant la construction des graphes d’assemblage, afin d’améliorer la précision de l’assemblage (voir aussi "Impact des erreurs" dans la critique).
• Impact des erreurs sur la construction des graphes : les erreurs de séquençage peuvent introduire des branches ou des incohérences dans les graphes (chevauchement ou De Bruijn), rendant l’assemblage final incorrect ou fragmenté (voir "Chevauchements inexactes" et "Graphes sensibles aux erreurs").
• Méthodes pour autoriser gaps et mismatches : techniques d’alignement qui permettent d’intégrer des différences entre lectures, notamment l’algorithme de Needleman et Wunsch (voir "Alignement de séquences" dans la critique), afin de traiter les erreurs de séquençage lors de la construction des graphes.

📝 Points essentiels

• La construction de graphes de chevauchement ou de De Bruijn en présence d’erreurs de séquençage nécessite d’autoriser des chevauchements inexactes, c’est-à-dire avec gaps ou mismatches, pour éviter des erreurs d’assemblage (voir "Chevauchements inexactes" et "Autorisation des gaps et mismatches").
• La méthode classique d’alignement (Needleman et Wunsch, 1970) permet de calculer le meilleur alignement entre un préfixe et un suffixe de lectures, en intégrant gaps et mismatches, mais elle est coûteuse en opérations (O(n²) par chevauchement).
• La construction du graphe de chevauchement exact est rapide (O(dn + p)), mais ne prend pas en compte les erreurs, ce qui limite sa réalisme. La correction préalable des erreurs ou l’autorisation de chevauchements inexactes est donc essentielle pour une assemblage précis.
• La sensibilité accrue des graphes de De Bruijn aux erreurs de séquençage, où une erreur crée une région branchante, impose souvent une étape de correction avant la construction du graphe (voir "Graphes de De Bruijn sensibles aux erreurs").
• La stratégie combinée consiste à corriger les erreurs, puis à autoriser des gaps et mismatches lors du calcul des chevauchements pour améliorer la robustesse de l’assemblage.

💡 À retenir

L’intégration de gaps et mismatches dans le calcul des chevauchements permet de traiter efficacement les erreurs de séquençage, mais nécessite des méthodes d’alignement coûteuses, rendant la correction préalable ou l’autorisation d’erreurs indispensables pour un assemblage précis et fiable.

📖 9. Sortie de l’assembleur (contigs, graphes)

🔑 Notions clés & Définitions

• Contig : fragment contigu du génome assemblé, correspondant à une séquence continue sans interruption, issue de la simplification du graphe d’assemblage. (source : Assemblage, Arnaud Mary, 15 mars 2023)
• Liste de contigs : ensemble des fragments contigus obtenus après traitement du graphe d’assemblage, représentant la sortie typique d’un assembleur. (source : Assemblage, Arnaud Mary, 15 mars 2023)
• Sortie traditionnelle : résultat sous forme d’une liste de contigs, qui sont des segments du génome assemblé, même si en pratique, il est rare d’obtenir un contig par chromosome entier. (source : Assemblage, Arnaud Mary, 15 mars 2023)

📝 Points essentiels

• La sortie d’un assembleur est généralement une liste de contigs, qui sont des fragments contigus du génome, obtenus par la simplification du graphe d’assemblage (suppression des inclusions et des arcs transitifs). (source : Assemblage, Arnaud Mary, 15 mars 2023)
• La notion de contig désigne un segment linéaire sans interruption, correspondant à une portion du génome que l’on a réussi à assembler de façon fiable. (source : Assemblage, Arnaud Mary, 15 mars 2023)
• La limite pratique est que l’on ne parvient rarement à assembler un contig par chromosome entier, en raison des répétitions, erreurs ou insuffisance de couverture. La sortie reste donc une liste de plusieurs contigs plutôt qu’un seul fragment complet. (source : Assemblage, Arnaud Mary, 15 mars 2023)
• La méthode consiste à construire un graphe d’assemblage à partir des lectures, puis à en extraire des unitigs (segments non branchés) via des étapes de suppression des inclusions et arcs transitifs, avant de générer la liste finale de contigs. (source : Assemblage, Arnaud Mary, 15 mars 2023)

💡 À retenir

La sortie d’un assembleur est une liste de contigs, représentant des fragments contigus du génome, résultat de la simplification du graphe d’assemblage, même si en pratique, il est rare d’obtenir un contig par chromosome entier.

📖 10. Scaffolding et orientation

🔑 Notions clés & Définitions

• Scaffolding : Assemblage des contigs en scaffolds, permettant de reconstituer une séquence plus longue en reliant plusieurs fragments contigus, souvent à l’aide d’informations complémentaires (voir aussi "Utilisation d’informations complémentaires pour le scaffolding").
• Orientation des contigs : Détermination de la direction dans laquelle chaque contig doit être placé dans le scaffold, essentielle pour assurer une reconstruction cohérente du génome.
• Utilisation d’informations complémentaires pour le scaffolding : Recours à des données additionnelles, telles que des séquences de liaison ou des lectures longues, pour guider l’assemblage et l’orientation des contigs dans les scaffolds, afin de surmonter les ambiguïtés liées aux répétitions ou aux régions difficiles.
• Assemblage des contigs en scaffolds : Processus d’organisation et de liaison des fragments contigus (contigs) pour former une séquence plus longue, en utilisant des méthodes basées sur des données de liaison ou de proximité.
• Orientation dans les scaffolds : La phase de détermination de la direction précise de chaque contig dans le scaffold, condition sine qua non pour une reconstruction fidèle du génome.

📝 Points essentiels

• Le scaffolding consiste à assembler des contigs en scaffolds, en utilisant des informations complémentaires pour relier et orienter ces fragments (voir aussi "Utilisation d’informations complémentaires pour le scaffolding").
• La détermination de l’orientation des contigs est cruciale pour éviter des erreurs de reconstruction, notamment dans des régions répétées ou complexes.
• Les méthodes de scaffolding exploitent des données comme des séquences de liaison, des lectures longues ou des technologies de proximité (ex : Hi-C) pour améliorer la précision de l’assemblage.
• La qualité du scaffolding dépend de la fiabilité des informations complémentaires et de la capacité à résoudre les ambiguïtés d’orientation et de positionnement.
• La finalité est d’obtenir des scaffolds qui reflètent au mieux la structure réelle du génome, tout en minimisant les erreurs d’assemblage.

💡 À retenir

Le scaffolding, en reliant et orientant les contigs à l’aide d’informations complémentaires, permet d’améliorer la continuité et la précision de l’assemblage génomique, en dépassant les limites des simples contigs isolés.

📖 11. Qualité de l’assemblage (N50, couverture)

🔑 Notions clés & Définitions

• N50 : métrique de qualité d’un assemblage, représentant la taille pour laquelle la moitié du génome assemblé est contenue dans des contigs ou unitigs de cette taille ou plus. Plus N50 est élevé, meilleure est la qualité de l’assemblage.
• Utilisation de la couverture : méthode d’évaluation de la qualité en mesurant le nombre moyen de lectures couvrant une position du génome, selon la formule C = (n × l) / L (avec n = nombre de lectures, l = longueur d’une lecture, L = taille du génome) (voir section 3).
• Autres métriques de qualité d’assemblage : incluent la longueur moyenne des contigs, le nombre total de contigs, la proportion du génome couvert, et la présence de gènes conservés (voir section 12).

📝 Points essentiels

• La métrique N50 permet d’évaluer la continuité et la robustesse de l’assemblage. Un N50 élevé indique que le génome est assemblé en peu de contigs ou unitigs de grande taille, ce qui est souhaitable.
• La couverture est un indicateur clé pour juger si l’assemblage est complet : une couverture insuffisante (par exemple, C<10×) entraîne des régions non couvertes et une perte d’informations essentielles pour une bonne reconstruction.
• La formule C = (n × l) / L suppose une distribution uniforme des lectures. En pratique, une couverture de 10× est souvent recommandée pour un assemblage fiable, mais cela dépend aussi de la complexité du génome.
• La couverture permet aussi d’identifier des régions problématiques, comme celles non couvertes ou avec une couverture très faible, qui peuvent indiquer des erreurs ou des zones difficiles à assembler.
• La qualité globale de l’assemblage ne se limite pas à N50 ou couverture : il faut aussi considérer la présence de gènes conservés et la proportion du génome représentée dans les contigs.

💡 À retenir

La qualité d’un assemblage se mesure principalement par le N50, qui reflète la continuité, et par la couverture, qui garantit la complétude. Une couverture suffisante (en général ≥10×) est essentielle pour obtenir un assemblage précis et complet.

📖 12. Évaluation de l’exactitude (gènes conservés)

🔑 Notions clés & Définitions

• Présence de gènes conservés : Vérification que les gènes attendus ou connus sont présents dans l’assemblage final, permettant d’évaluer sa fidélité.
• Méthodes pour détecter les erreurs d’assemblage : Techniques visant à identifier les incohérences ou erreurs dans l’assemblage, notamment par la comparaison avec des gènes conservés ou des séquences de référence.
• Importance de l’évaluation : Validation de la qualité de l’assemblage final en s’assurant que les gènes conservés sont bien représentés, ce qui garantit la fiabilité des résultats biologiques.
• Assemblage basé sur la présence de gènes : Approche qui consiste à vérifier la conservation des gènes clés pour juger de la qualité de l’assemblage (voir aussi la section 3).
• Critère de validation : La présence et l’intégrité des gènes conservés constituent un point à retenir pour confirmer la fidélité de l’assemblage (voir aussi la section 3).

📝 Points essentiels

• L’évaluation de l’exactitude de l’assemblage repose principalement sur la vérification de la présence de gènes conservés, qui sont des éléments biologiques stables et bien caractérisés.
• La détection d’erreurs d’assemblage peut s’appuyer sur des méthodes comparatives, notamment en utilisant des séquences de référence ou des gènes conservés comme points de contrôle.
• La validation par la présence de gènes conservés est cruciale pour garantir que l’assemblage reflète fidèlement le génome d’origine, surtout dans le contexte de génomes complexes ou en absence de génome de référence.
• La méthode d’évaluation doit être systématique, en vérifiant la présence, la couverture, et l’intégrité des gènes conservés, pour détecter d’éventuelles erreurs ou régions mal assemblées.
• La légitimité de l’assemblage (voir section 3) repose en partie sur cette validation par la conservation des gènes, qui constitue un point à retenir pour l’interprétation des résultats.

💡 À retenir

L’évaluation de l’exactitude par la présence de gènes conservés est essentielle pour valider la fiabilité de l’assemblage, en permettant de détecter et corriger d’éventuelles erreurs, et ainsi garantir la fidélité du résultat final.

📊 Tableaux de Synthèse

Critère	Assemblage de novo (Mary, 2023)	Assemblage avec référence (exemple hypothétique)
Méthodes principales	Graphes de chevauchement (Overlap-Layout-Consensus) et graphes de De Bruijn	Assemblage basé sur la comparaison avec un génome de référence
Objectif	Reconstituer la séquence sans référence	Reconstituer en utilisant une séquence de référence
Gestion des erreurs	Détection et correction via consensus ou filtres	Correction basée sur la référence
Difficultés principales	Répétitions longues, erreurs de séquençage	Variations par rapport à la référence
Résultat attendu	Contigs, éventuellement un seul contig par chromosome	Séquence alignée avec le génome de référence

⚠️ Pièges & Confusions Fréquentes

1. Confondre assemblage de novo et assemblage avec référence : le premier ne nécessite pas de génome de référence, contrairement au second.
2. Sous-estimer l’impact des répétitions longues qui dépassent la taille des lectures, rendant l’assemblage difficile ou impossible.
3. Négliger la nécessité d’une couverture suffisante (au moins 10×) pour assurer la détection fiable des chevauchements.
4. Confondre redondance et chevauchements : la redondance est la présence de segments identiques, tandis que les chevauchements sont leur manifestation entre lectures.
5. Omettre que la gestion des erreurs de séquençage est essentielle pour éviter des assemblages incorrects.
6. Confondre graphes de chevauchement et graphes de De Bruijn : ils ont des structures et des usages différents.
7. Ignorer que la qualité de l’assemblage se mesure aussi par des indicateurs comme le N50 et la couverture.

✅ Checklist Examen

1. Connaître la définition de l’assemblage de novo selon Mary (2023).
2. Expliquer la différence entre graphes de chevauchement et graphes de De Bruijn.
3. Décrire comment la redondance dans les lectures permet d’assembler un génome.
4. Identifier les principaux défis liés aux répétitions longues dans l’assemblage.
5. Calculer la couverture du génome avec la formule $C = \frac{n \times l}{L}$.
6. Expliquer l’impact d’une couverture insuffisante sur l’assemblage.
7. Définir ce qu’est un contig et leur rôle dans la sortie de l’assembleur.
8. Connaître la formule pour le calcul de la couverture moyenne.
9. Identifier les méthodes pour gérer les erreurs de séquençage lors de l’assemblage.
10. Comprendre l’importance des métriques comme le N50 pour évaluer la qualité de l’assemblage.
11. Connaître la définition de la couverture recommandée pour un bon assemblage.
12. Savoir que la sortie d’un assemblage comprend principalement des contigs, et parfois des scaffolds.