CHM13

端粒到端粒联盟 CHM13 项目

我们利用多种技术对 CHM13hTERT 人类细胞系进行了测序。从培养的细胞系中提取人类基因组DNA。由于 DNA 是天然的，修饰过的碱基将被保留。数据包括 30x PacBio HiFi、120x Oxford Nanopore 覆盖范围、70x PacBio CLR、50x 10X Genomics，以及 BioNano DLS 和 Arima Genomics HiC。大多数原始数据均可从该网站获得，但 PacBio 数据除外，该数据由华盛顿大学/PacBio 生成并可从 NCBI SRA 获得。

UCSC 浏览器中心可用于 CHM13 和 T2T-Primates。在集成到 hs1 的 UCSC 基因组浏览器之前，将对此中心进行跟踪更新。旧版 UCSC 浏览器适用于 v2.0、v1.0 和 v1.1 版本。

resgen.io 还提供所有基因组重复的交互式点图可视化。程序集中发现的已知问题在 CHM13 问题中进行跟踪。

最新的程序集发布

T2T-CHM13v2.0 (T2T-CHM13+Y)

使用 Y 对人类基因组进行完整的 T2T 重建。v1.1 的变化是添加了来自 GIAB HG002/NA24385 样本的成品 Y 染色体，并由 GIAB 和 HPRC 测序。该基因组也可在 NCBI (GCA_009914755.4) 和 UCSC 获取。请注意，即使 UCSC 浏览器在浏览器本身上将 Genbank 种质显示为序列名称，它也可以加载 BED/bigBed/BAM/CRAM/bigWig 和其他格式的注释或使用“chr1/2/etc”名称进行搜索。

以前的组件版本如下：

• T2T-CHM13：v0.7-v1.1
• T2T-HG002XY：v0.7-2.7

下载

测序数据

为 CHM13 生成的测序数据集可在此页面上找到。

分析集

使用 T2T-CHM13v2.0 (T2T-CHM13+Y) 作为基于映射的研究参考的分析集可通过 aws 的自述文件获取。

• chm13v2.0.fa.gz：T2T-CHM13v2.0 组装，其中使用 T2T 团队发现的重复模型进行软掩蔽序列。原始序列登录号显示在 FASTA 标头中。
• chm13v2.0_noY.fa.gz：排除Y染色体。该文件仅包含源自 CHM13 细胞系的序列，与 T2T-CHM13v1.1 相同。使用此文件对 CHM13 程序集进行基准测试。
• chm13v2.0_PAR.bed：伪常染色体区域（PAR）
• chm13v2.0_maskedY.fa.gz：chrY 上的 PAR 硬屏蔽为“N”
• chm13v2.0_maskedY.rCRS.fa.gz：chrY 上的 PAR 硬屏蔽为“N”，线粒体替换为 rCRS (AC:NC_012920.1)

2022 年 9 月 28 日更新：所有分析集 fa.gz 文件均已使用 bgzip 重新压缩。索引文件可在 aws 上获取，并在自述文件中更新 md5。

基因注释

• JHU RefSeqv110 + Liftoff v5.2：包含 Y 染色体上扩增基因的精选注释，纠正 GENCODEv35 CAT/Liftoff 和 RefSeqv110 注释中的注释错误。 T2T-Y 中发现的其他拷贝被注释到 RefSeq 中最接近的可用基因，从而允许多个基因具有相同的通用名称。该文件已被修改以纠正原始文件中的特殊字符问题。更多描述请参见此处。从 v5 到 v5.1 的更新日志可在此处查看。
• UCSC GENCODEv35 CAT/Liftoff v2
  • 排序 GFF 和 TABIX 索引中 VEP 的 CAT/Liftoff v1 注释
  • 蛋白质编码来自 CAT/Liftoff v1 注释的翻译转录本。请注意，这些是转录本而不是基因，只能通过转录本 ID（如 LOFF_T 而不是 LOFF_G 等 ID）进行搜索。
• 来自 FTP 的 NCBI RefSeqv110
• 来自 HPRC 项目的 EBI GENCODEv38 r2

重复注释

• 细胞带
• 分段复制，v2022-03-11，简单和全床格式
• Cen/Sat v2.1：更全面的着丝粒/卫星重复注释。 （重新着色以与灵长类动物 Cen/Sat 轨迹一致）
• RepeatMasker v4.1.2p1.2022Apr14 在床上或自然外出。这是一个很好的资源，用于使用来自 T2T 基因组的新重复模型构建自定义 RepeatMasker 库，并逐步介绍运行 RepeatMasker。
• 复合重复，2022 年 12 月
• 新卫星，2022 年 12 月
• chrXY 序列类，v1
• 端粒
• Y具体注释
  • 回文和反向重复，v1
  • 扩增子 v1
  • AZFa、AZFb、AZFc 和 DYZ v1

表观遗传谱

• ENCODE，在 T2T-CHM13v2.0 上召回
• HG002 和 CHM13 5mC CpG 以及来自 ONT 和 HiFi 的其他甲基化

变体调用

• 千人基因组计划，在 T2T-CHM13v2.0 上回顾。现在可用于所有染色体、整个 3,202 个样本或不相关的 2504 个样本。 AnVIL_T2T_CHRY 上还提供了参考集、bam 和 vcf 文件。
• 1000 基因组计划 - 不相关样本的人群等位基因频率，进一步排除了被发现为一级和二级亲属的 14 个人（更多详细信息请参见此处）。
• 1000 基因组计划 - 使用 SHAPEIT5 进行分阶段，使用上述变体调用。
• 西蒙斯基因组多样性计划，在 T2T-CHM13v2.0 上召回。 AnVIL_T2T_CHRY 上还提供了参考集、bam 和 vcf 文件。
• 来自 FTP 的 gnomAD v3.1.2：这是 GRCh38 的升级版本，使用 Ensembl 变异效应预测器，使用 PolyPhen-2 和 SIFT 的预测分子结果和转录本特异性变异有害性评分进行注释。
• 此处提供了短读可访问性掩码以及用于制作组合掩码的三个掩码。参见说明
• ClinVar 20220313，从 GRCh38 提升而来。参见说明
• GWAS v1.0，从 GRCh38 升级而来。参见说明
• dbSNP build 155，从 GRCh38 升级而来。参见说明
• 使用 T2T-Y 作为参考时，GRCh38-Y 坐标 v0.005 中的变体消失，更多详细信息请参见此处。

提升资源

• 1:1 举升 GRCh38 <-> T2T-CHM13v2.0，参见说明
  • GRCh38/hg38 -> T2T-CHM13v2.0: grch38-chm13v2.chain
  • GRCh38/hg38 <- T2T-CHM13v2.0: chm13v2-grch38.chain
  • 比对 grch38-chm13v2.paf
• 1:1 举升 hg19 <-> T2T-CHM13v2.0
  • GRCh37/hg19 -> T2T-CHM13v2.0: hg19-chm13v2.chain
  • GRCh37/hg19 <- T2T-CHM13v2.0: chm13v2-hg19.chain
  • 比对 hg19-chm13v2.paf

非同线区

• 与上述链中的 GRCh38 和 GRCh37 相比，非同线性（独特）区域
  • GRCh38/hg38：chm13v2-unique_to_hg38.bed
  • GRCh37/hg19：chm13v2-unique_to_hg19.bed
• 来自 Aganezov 等人的 T2T-CHM13v1.0 和 T2T-CHM13v1.1 加 hg38Y 的非同线区域。科学，2022
  • T2T-CHM13v1.0：chm13.draft_v1.0_plus38Y.no_snyteny_1Mbp.bed
  • T2T-CHM13v1.1：chm13_v1.1_plus38Y.no_snyteny_1Mbp.bed

下载文件注意事项

文件由 Amazon Web Services 在 s3:// human-pangenomics/T2T/CHM13 下并通过此 Web 界面慷慨托管。

尽管可以作为直接的 HTTP 链接使用，但使用 Amazon Web Services 命令行界面可以提高下载性能。应修改参考文献以使用s3://寻址方案，即将https://s3-us-west-2.amazonaws.com/human-pangenomics/T2T/ -pangenomics/T2T/ 替换为s3://human-pangenomics/T2T进行下载。例如，要将CHM13_prep5_S13_L002_I1_001.fastq.gz下载到当前工作目录，请使用以下命令。

 aws s3 --no-sign-request cp s3://human-pangenomics/T2T/CHM13/10x/CHM13_prep5_S13_L002_I1_001.fastq.gz .

或使用以下命令下载完整数据集。

 aws s3 --no-sign-request sync s3://human-pangenomics/T2T/CHM13/ .

s3 命令还可用于获取有关数据集的信息，例如以人类可读的格式报告每个文件的大小。

 aws s3 --no-sign-request ls --recursive --human-readable --summarize s3://human-pangenomics/T2T/CHM13/ 

或获得特定于技术的尺寸。

 aws s3 --no-sign-request ls --recursive --human-readable --summarize s3://human-pangenomics/T2T/CHM13/nanopore/fast5
aws s3 --no-sign-request ls --recursive --human-readable --summarize s3://human-pangenomics/T2T/CHM13/nanopore/rel2
aws s3 --no-sign-request ls --recursive --human-readable --summarize s3://human-pangenomics/T2T/CHM13/assemblies

根据本指南修改max_concurrent_requests等设置将进一步提高下载性能。

接触

请在此 Github 存储库上提出有关此数据集的问题。

数据重用和许可

所有数据均发布到公共领域 (CC0)，我们鼓励其重复使用。如果您认可并引用“端粒到端粒”(T2T) 联盟创建此数据，我们将不胜感激。有关我们联盟的更多信息，请访问 T2T 主页，相关引用列表如下：

T2T-CHM13v2.0，沿v2.0和T2T-Y染色体发布的数据集

• Rhie A、Nurk S、Cechova M、Hoyt SJ、Taylor DJ 等。人类 Y 染色体的完整序列。生物Rxiv，2022。

人类基因组的完整序列和配套论文（T2T-CHM13v0.9-v1.1）：

1. Nurk S、Koren S、Rhie A、Rautiainen M 等。人类基因组的完整序列。科学，2022。
2. 沃尔格先生，等人。完整人类基因组中的片段重复及其变异。科学，2022。
3. 格什曼 A 等人。完整人类基因组中的表观遗传模式。科学，2022。
4. Aganezov S、Yan SM、Soto DC、Kirsche M、Zarate S 等。完整的参考基因组改进了人类遗传变异的分析。科学，2022。
5. 霍伊特 SJ 等人。从端粒到端粒：人类重复元件的转录和表观遗传状态。科学，2022。
6. Altemose N 等人。人类着丝粒的完整基因组和表观遗传图谱。科学，2022。
7. 瓦格纳 J 等人。精心策划的变异基准，用于挑战医学相关的常染色体基因。国家生物技术，2022。
8. 麦卡特尼 AM、沙芬 K、阿隆 M 等。追求完美：端粒到端粒基因组组装的验证和完善策略。纳特方法，2022。
9. Formenti G、Rhie A 等人。 Merfin：通过 k-mer 验证改进变体过滤、组装评估和完善。纳特方法，2022。
10. 杰恩·C，等人。使用 Winnowmap2 将长读映射到重复参考序列。纳特方法，2022。
11. Altemose N、Maslan A、Smith OK 等人。 DiMeLo-seq：一种长读长、单分子方法，用于绘制全基因组蛋白质-DNA 相互作用图谱。纳特方法，2022。

早期引用：

1. 沃尔格先生，等人。使用单分子、高保真长读取改进单倍体人类基因组的组装和变异检测。人类遗传学年鉴，2019。
2. 米加·KH、科伦·S 等人。完整人类 X 染色体的端粒到端粒组装。自然，2020。
3. 努尔克 S、瓦伦茨 BP 等人。 HiCanu：从高保真长读段中准确组装片段重复、卫星和等位基因变体。基因组研究，2020。
4. 佐治亚州洛格斯登等人。完整人类染色体 8 的结构、功能和进化。《自然》，2021 年。

历史

 * rel1 and 2: 2nd March 2019. Initial release.
* asm v0.6 and canu rel2 assembly: 28th May 2019. Assembly update.
* Hi-C data added: 25th July 2019. Data update.
* asm v0.6 alignments of rel2 added: 30th Aug 2019. Data Update
* rel3: 16th Sept 2019. Data update.
* chrX v0.7, canu 1.9 and flye 2.5 rel3 assembly: 24th Oct 2019. Assembly update.
* shasta rel3 assembly: 20th Dec 2019. Assembly update.
* chr8 v3, rel4 data: 21 Feb 2020. Data and assembly update.
* update rel3 partition names since some tars included more than a single partition. 16 Apr 2020.
* add CLR/HiFi mappings to chrX v0.7. 8 May 2020.
* update partitions 23,28,30,53,55 and add 227-231 (data was missing from upload). 13 May 2020. Data update.
* add rel5 guppy 3.6.0 data: 4 Jun 2020. Data update.
* add chr8 v9. Aug 26 2020. Assembly update.
* add v0.9/v1.0 genome releases. Sept 22 2020. Assembly update.
* add v0.9/v1.0 alignment files. Sept 29 2020. Assembly update.
* add new UW data. Oct 6 2020. Data update.
* add rna-seq data. Dec 4 2020. Data update.
* add repeat and telomere annotations for v1.0. Dec 17 2020. Assembly annotation update.
* v1.1 assembly and related files. May 7 2021. Assembly update.
* v2.0 assembly and related files. Dec 2 2022. Assembly and annotation update.
* 1KGP variant calls for all chromosomes. Jan. 3 2023. Annotation update.
* 1KGP and SGDP bam / vcf released publicly on [AnVIL_T2T_CHRY](https://anvil.terra.bio/#workspaces/anvil-datastorage/AnVIL_T2T_CHRY). May 23, 2023. Data Update.
* 1KGP AF release. Jul 6 2023. Annotation update.
* Curated RefSeq/Liftoff v5.1 release. Jul 6 2023. Annotation update.
* Curated RefSeq/Liftoff v5.2 release. Aug 23 2024. Protein coding gene annotation update.
* Link page for custom RepeatMasker library with T2T repeats. Nov 19 2024.