Meta组装小课题2:GapCloser

宏基因组复杂样品基因组的组装（无参考基因组）

什么是Gap以及它是怎样产生的

Gap ： 序列中未确定的区域，通常用N或n表示。

• 读长限制产生gap：如，测序中的gap指的是测序极限读长以外的那段序列，比如我测序只能有双端150bp的读长，一个片段有350bp，那剩余的50bp就无从得知了。

• 组装技术限制产生gap：如，将测序得到的reads比对回得到的contigs，利用reads之间的连接关系和插入片段大小信息(Mate-Pair,)，将contigs组装成scaffolds。scaffold序列中的未确定区域。
  

  

  Contig2scaffold

为什么要GapCloser？

为了使组装的序列更完整

怎样进行GapCloser？

补洞:

得到的scaffold中间会有较多的gap，为了使组装的序列更完整，需再次利用测序的双末端数据之间的配对关系连接contigs，并利用测序数据与已经组装的contig之间的覆盖关系对contig之间空隙进行补洞，延长contigs，补洞后的contigs长度相比补洞之前一般增加2-7倍。

GapCloser

• 一个参数 ： F

SOAPdenovo-63mer all -d 1 -M 3 -R -u -F -s KB1.soapdenovo.cfg -K 55 -o 55 1>ass.55.log 2>ass.55.err

-d           去除kmers频数不大于该值（kmerFreqCutoff）的k-mer，默认值[0] ##最小化错误测序带来的影响
-M           在contiging操作时，合并相似序列的强度，默认值为[1]，最小值0，最大值3。#deal with heterozygosis
-R  (optional)    移除repeats，使用pregraph步骤中产生的结果，如果参数-R在pregraph步骤中被设置的话，默认[NO]
-u  (optional)    构建scaffolding前不屏蔽高/低覆盖度的contigs，这里高频率覆盖度指平均contig覆盖深度的2倍。默认[mask]屏蔽
-F  (optional)    对scaffold内部的gap进行填充，这个参数现在似乎没什么用，因为SOAPdenovo附带了一个Gapcloser工具，就是用于scaffold内部填充的。
-s        solexa reads 的配置文件
-K           输入的K-mer值大小，默认值[23]，取值范围 13-127 #K-mer值必须是奇数；组装杂合子基因组的K-mer值应该小一点；组装含有高repeats基因组且要求其有高的测序深度和长的reads,的K-mer应该大一点。
-o        图形输出的文件名前缀

• 一个软件GapCloser

SOAPdenovo补scaffold内部N的脚本

Command Line Options
A typical command line:

    GapCloser –b config_file –a scaffold_file –o output_file

参数说明：

-a 输入scaffold文件名
-b 输入library文件名，同SOAPdenovo library文件
-o 输出文件名
其他参数详见Gapcloser Manual

GapCloser-bin-v1.12-r6.tgz for SOAPdenovo

还有很多软件相继被发布，以应对人们对组装质量的不同要求：

A Scaffold Analysis Tool Using Mate-Pair Information in Genome Sequencing
MyBioSoftware
不同长度mate-pair在组装上之差异

对GapCloser依然去除不了的N（即不确定性）从N连续处打断，得到不含N的scaftigs.过滤掉小于长度500bp的scaftigs，进行统计分析和后续基因预测。