Purge_Dups — 基因组组装去冗余工具¶

# 方法1：conda 安装（推荐）
conda install -c bioconda purge_dups  # 从 bioconda 安装

# 方法2：源码编译
git clone https://github.com/dfguan/purge_dups.git  # 克隆源码
cd purge_dups/src && make                              # 编译

# 验证安装
purge_dups --version 2>&1 || echo "purge_dups installed"
pd_config.py --help  # 检查配置脚本

# 还需要 minimap2（用于比对）
conda install -c bioconda minimap2

# 第1步：将读段比对到组装，计算覆盖度
minimap2 -x map-hifi -t 16 assembly.fasta hifi_reads.fq.gz \
  | gzip -c > reads_vs_asm.paf.gz      # 读段 vs 组装的 PAF 比对

# 第2步：计算覆盖度分布，确定阈值
pbcstat reads_vs_asm.paf.gz             # 统计覆盖度
# 生成 PB.base.cov（碱基覆盖度）和 PB.stat（统计信息）

calcuts PB.stat > cutoffs 2> calcults.log  # 自动计算覆盖度阈值

# 第3步：组装自身比对（找冗余区域）
split_fa assembly.fasta > assembly.split.fa  # 切分 contig
minimap2 -x asm5 -t 16 -DP assembly.split.fa assembly.split.fa \
  | gzip -c > asm_self.paf.gz           # 自身比对

# 第4步：执行 purge
purge_dups \
  -2 \                                   # 输出双倍单倍型
  -T cutoffs \                           # 覆盖度阈值文件
  -c PB.base.cov \                       # 碱基覆盖度
  asm_self.paf.gz > dups.bed             # 冗余区域 BED 文件

# 第5步：生成 purge 后的序列
get_seqs -e dups.bed assembly.fasta      # 输出 purged.fa 和 hap.fa
# purged.fa — 去冗余后的主要组装（使用这个）
# hap.fa — 被移除的 haplotig（可作为备选单倍型）

# 创建配置文件
pd_config.py \
  -l reads_vs_asm.paf.gz \              # 读段比对结果
  -s asm_self.paf.gz \                   # 自身比对结果
  assembly.fasta \                       # 输入组装
  config.json                            # 输出配置文件

# 运行完整流程
run_purge_dups.py config.json \
  /path/to/purge_dups/bin \              # purge_dups 的 bin 目录
  purge_output                           # 输出目录

# 用 BUSCO 对比 purge 前后
busco -i assembly.fasta -o busco_before -m genome -l eukaryota_odb10 -c 16
busco -i purged.fa -o busco_after -m genome -l eukaryota_odb10 -c 16

# 对比结果：
# Duplicated 应该明显下降
# Complete + Single-copy 应该保持或略有提升
# Missing 不应该明显增加

# 检查组装大小变化
seqkit stats assembly.fasta purged.fa hap.fa