SALSA2 — Hi-C数据辅助基因组scaffolding工具¶

一句话说明¶

SALSA2 利用 Hi-C 数据中染色体空间接近性信息，把零散的 contig 拼接成染色体级别的 scaffold——就像用"染色体地图"把拼图碎片按正确顺序排列。

安装与配置¶

# 方法1：conda安装（推荐，依赖自动处理）
conda create -n salsa_env python=3.9   # 创建独立环境
conda activate salsa_env

conda install -c bioconda salsa2       # 安装SALSA2
conda install -c bioconda bwa samtools bedtools  # 安装比对所需工具

# 方法2：源码安装
git clone https://github.com/marbl/SALSA  # 克隆仓库
cd SALSA
pip install -r requirements.txt            # 安装Python依赖

# 验证安装
run_pipeline.py --help   # 查看帮助信息

核心用法¶

第一步：Hi-C reads 比对到组装¶

# 使用BWA将Hi-C reads比对到组装
bwa index assembly.fasta                           # 建立比对索引

# 比对Hi-C双端reads（注意：Hi-C要用-5SP参数，处理Hi-C连接产物）
bwa mem -5SP -T0 assembly.fasta hic_R1.fastq.gz hic_R2.fastq.gz \
    | samtools sort -n -T tmp_sort -o hic_sorted.bam  # 按read name排序

第二步：转换BAM为BED格式¶

# 过滤低质量比对（-F 2316过滤未比对、非主要比对等）
samtools view -F 2316 hic_sorted.bam \
    | bamToBed -i stdin > hic.bed   # 转换为BED格式，SALSA需要BED输入

第三步：生成genome索引¶

samtools faidx assembly.fasta       # 生成.fai索引文件

第四步：运行SALSA2 scaffolding¶

python run_pipeline.py \
    -a assembly.fasta \             # 输入组装文件
    -l assembly.fasta.fai \         # 基因组索引文件
    -b hic.bed \                    # Hi-C比对BED文件
    -e GATC \                       # Hi-C酶切位点（MboI用GATC；HindIII用AAGCTT）
    -o salsa_output \               # 输出目录
    -m yes \                        # 启用错误连接检测
    -p yes                          # 输出SALSA图文件

参数详解¶

参数	说明	示例值
`-a`	输入contig FASTA文件	`assembly.fasta`
`-l`	FAI索引文件	`assembly.fasta.fai`
`-b`	Hi-C比对BED文件	`hic.bed`
`-e`	限制性内切酶位点	`GATC`（MboI/DpnII）、`AAGCTT`（HindIII）、`DNASE`（无酶Omni-C）
`-o`	输出目录	`salsa_output/`
`-m`	错误连接检测	`yes`（推荐开启）
`-i`	最大迭代轮数	`10`（默认）
`-q`	最低比对质量过滤	`10`
`-p`	输出scaffolding图	`yes`

实战案例¶

# 完整流程：从Hi-C reads到染色体级scaffold

# 1. 准备输入
BWA_THREADS=16    # 比对线程数

# 2. BWA比对（Hi-C专用参数-5SP）
bwa index assembly.fasta
bwa mem -5SP -T0 -t $BWA_THREADS assembly.fasta \
    hic_R1.fastq.gz hic_R2.fastq.gz \
    | samtools sort -n -@ 8 -T tmp -o hic_namesorted.bam

# 3. 过滤并转BED（-F 2316排除非主要比对和未比对读段）
samtools view -F 2316 hic_namesorted.bam \
    | bamToBed -i stdin > hic_filtered.bed

# 4. 统计BED行数确认数据量
wc -l hic_filtered.bed

# 5. 运行SALSA2（以MboI酶为例）
python run_pipeline.py \
    -a assembly.fasta \
    -l assembly.fasta.fai \
    -b hic_filtered.bed \
    -e GATC \
    -o salsa2_scaffolds \
    -m yes \
    -i 10 \
    -p yes

# 6. 输出文件
ls salsa2_scaffolds/
# scaffolds_FINAL.fasta  - 最终scaffold序列
# scaffolds_FINAL.agp    - AGP格式的组装描述
# iteration*/            - 各迭代步骤中间结果

常见报错与解决¶

报错1：KeyError: contig not found in fai - 原因：BAM/BED中的contig名称与FASTA中不匹配 - 解决：检查grep ">"assembly.fasta | head和cut -f1 hic.bed | sort -u | head是否一致

报错2：No pairs found after filtering - 原因：Hi-C reads比对率过低，或过滤条件太严 - 解决：检查比对率samtools flagstat hic_namesorted.bam，或降低质量过滤阈值-q 0

报错3：SALSA迭代后scaffold数量反而增加 - 原因：Hi-C数据质量差，存在大量错误连接被检测并切断 - 解决：检查Hi-C library质量，确认cis/trans比例，理想情况>80% cis连接

速查表¶

常用命令	说明
`bwa mem -5SP -T0 assembly.fasta R1.fq R2.fq`	Hi-C专用BWA比对参数
`samtools view -F 2316 \\| bamToBed`	过滤并转BED
`python run_pipeline.py -e GATC`	MboI/DpnII酶切
`python run_pipeline.py -e AAGCTT`	HindIII酶切
`python run_pipeline.py -e DNASE`	Omni-C无酶方案
`python run_pipeline.py -m yes`	开启错误连接检测（推荐）
`scaffolds_FINAL.fasta`	最终输出的scaffold序列