「干活」基因组组装 学习笔记 - 入门知识点和Genome Survey

基因组组装学习笔记（一）

基因组组装的前期工作：需要掌握什么知识点？

1）基因组大小 / genome size：

一般有两种办法，使用流式细胞来估计，或者使用Illumina short reads，也就是基于Kmer的方法，对基因组大小进行估计，

但由于流式细胞需要考虑到用什么物种（e.g. 所选用的参考物种基因组大小是多少，也就对应相应的DNA C-value）等，就需要进行先攻的查询，

流式细胞相关资源：
- 真菌DNA C-value查询网站：http://www.zbi.ee/fungal-genomesize
- 植物DNA C-value查询网站：http://data.kew.org/cvalues
- 动物DNA C-value查询网站：http:// www.genomesize.com

用一句话来总结的话，越大的genome，在相同的测序深度情况下，需要更多的测序量，才能达到对应的覆盖度（coverage，e.g. 99%）。

2）重复序列

当genome中的重复序列占比过高的话，又没有使用CLR测序，无法得到跨越重复序列的位置信息，

那就会出现片段化的组装结果（fragmented assembly），即出现多个contig不能够搭建到scaffold级别

所以，这就是为什么现在大家都在用PacBio、Nanopore的原（但是现在是2022年了，基因组时代已经过去了）

3）杂合度 / Heterozygosity

在不要求组装到subgenome、allele-aware级别的genome时，组装软件都是自动将“collapsed”的基因组草图给输出，即只输出一套，

但是在很多需要深究的科学问题上，比如Y染色体的拼接等，就需要使用一些特殊方法。

• 杂合度特别高，是一件好事，因为hifiasm直接组装出来两套，

• 杂合度特别低，也是一件好事，因为hifiasm直接组装出来一套

• 杂合度不高不低，是件坏事，因为组装结果不三不四

4）倍性

如果有可能的话，选择单倍体进行测序会比较好一些，比如基因组大小为26.3G的火炬松就是直接测的花粉，

微生物也就不用说了，都是haploid。

基因组组装的前期工作：Genome Survey

一些非常常规的东西，我不太想提，准备三两句话带过，

• adapter removement

• QC accessment

而在二代测序拼接的时候，虽然NovoSeq的量级很高，能够达到10millions~20 billions，乘数也特别高，

但是一些基于de Brujin graph的组装软件较为理想的参数还是在60-80×（“Identification of optimum sequencing depth especially for de novo genome assembly of small genomes using next generation sequencing data” (Dominguez Del Angel 等。, 2018, p. 17) (pdf) ）

基因组大小评估怎么做？

• fastp/Trimmomatic/trim_galore

• Jellyfish/KMC

• GCE/GenomeScope2