基因组生物信息学实验（三）：基因组模拟测序（1）

基因组模拟测序（1）：主线的内容

step1：方法
通过 NCBI 的子库 Genome 获得 YJM1386 菌株的基因组测序数据。
使用 art 系列软件中的 art_illumina 程序,对下载基因组序列进行
测序平台为 Hiseq2000 的全基因组测序模拟 5 次,
参数设置见下表。统计模拟结果,计算理论覆盖度(m)、丢失率和覆盖率。

	-l	-f	-m	-s
第一次	100	2	150	10
第二次	100	4	150	10
第三次	100	6	150	10
第四次	100	8	150	10
第五次	100	10	150	10

step2：涉及的脚本

#其它参数保持一致,修改 f 值做 5 次测序模拟,f=2,4,6,8,10
art_illumina -ss HS20 -sam -i ./GCA_000977445.2_Sc_YJM1386_v1_genomic.fna -p -l 100
-f 2 -m 150 -s 10 -o ./result/Sc_paired_dat_a
art_illumina -ss HS20 -sam -i ./GCA_000977445.2_Sc_YJM1386_v1_genomic.fna -p -l 100
-f 4 -m 150 -s 10 -o ./result/Sc_paired_dat_b
art_illumina -ss HS20 -sam -i ./GCA_000977445.2_Sc_YJM1386_v1_genomic.fna -p -l 100
-f 6 -m 150 -s 10 -o ./result/Sc_paired_dat_c
art_illumina -ss HS20 -sam -i ./GCA_000977445.2_Sc_YJM1386_v1_genomic.fna -p -l 100
-f 8 -m 150 -s 10 -o ./result/Sc_paired_dat_d
art_illumina -ss HS20 -sam -i ./GCA_000977445.2_Sc_YJM1386_v1_genomic.fna -p -l 100
-f 10 -m 150 -s 10 -o ./result/Sc_paired_dat_e
#查看每个测序结果对应的 sam 文件的行数(在 sam 文件的文件夹下)
wc -l Sc_paired_dat_a.sam
wc -l Sc_paired_dat_b.sam
wc -l Sc_paired_dat_c.sam
wc -l Sc_paired_dat_d.sam
wc -l Sc_paired_dat_e.sam

step3：结果
假设，基因组大小为(total length): 12.1571 Mb，测序碱基总长度为1.7G。
由此可知：
覆盖度（m值）= 1.7G/ 12.1571 Mb = 1.71000/12.1571 ≈140
丢失率（e-m） = 1.5810-61 ≈ 0%
覆盖率(1-e-m)≈ 100%

n	碱基总长度（Mb）	理论覆盖度	基因组大小（Mb）	实际覆盖度	丢失率	覆盖率
2518312	25.1832	2	12.6155	1.996	1.36*e^-1	86.41%
503762	50.3762	4	12.6155	3.993	1.84*e^-2	98.16%
755600	75.5600	6	12.6155	5.989	2.51*e^-3	99.75%
1259364	100.7472	8	12.6155	7.986	3.40*e^-4	99.97%
第五次	125.9364	10	12.6155	9.983	4.54*e^-5	99.99%

注释:n 代表 sam 文件中去掉注释行的行数。理论覆盖度(m)=碱基总长度
/基因组大小;碱基总长度=双端数据大小(l)*(sam 文件行数-注释行数)

step4：结论
随着 f 值的增大,覆盖率也随之增大。