Meta小课题：K-mer

什么是K-mer?

• mer : 分子生物学领域中意义为：monomeric unit ( mer) ：单体单元，相当于nt或者bp。通常用于双链核酸中的单位，100 mer DNA相当于每一条链有100nt，那么整条链就是100bp。

• k-mer 是指将reads分成包含k个碱基的字符串，一般长短为m的reads可以分成m-k+1个k-mers.

号外：

不同物种的k-mer是很不同的
长k-mer具有很强的物种特异性
不同的k-mer，组装的效果不同

以k=40为例，kmer很容易按属水平分开细菌

序列组装的算法k-mer

为什么要构建K-mer？

基因就像一本大书（比如《追忆似水年华》），里面的字都是有A,T,C,G组成的。我们测序出来的大于几百bp的小的序列，叫做reads。我们测序的结果中有上百万条的reads，而这些reads的位置我们又不知道（随机打断），我们只能根据他们的重叠部分来尽量还原他的原型。

目前测序的过程就像把好上千大书（又是同一本书）随机的撕成一个个的片段，在没有页码的情况下，把这些纸片搅拌混匀。组装就是再把这些片段组合成不同的章节。

K-mer

一种组装的办法就是拿这些片段直接组装，有重叠的就组在一起：

• （1）Overlap：找到片段间的重叠信息；
• （2）Layout：根据得到的重叠信息将存在的重叠片段建立一种组合关系，形成重叠群，即Contig；
• （3）根据构成Contig的片段的原始质量数据，在重叠群中寻找一条质量最重的序列路径，并获得与路径对应的序列，即Consensus。

OLC算法最初成功的用于Sange测序数据的组装，比如Celera Assembler，Phrap，Newbler等均采用该算法进行拼接组装。

按照这个思想，我们很快就发现了问题，下一个点可能有很多的选择，或者没有选择：

图片1.png

我们需要找到Hamiltonian path，我们需要找到包含每个点的，但是只包含一次。下图像不像我们小学之前做过的游戏，遍历每个点，但是每个点只能经过一次。这是俄国一个一个科学家William Hamilton的一个发明。

哈密顿通路寻找的问题

但是又提出了一个假设，如果有两条或多条的Hamiltonian path呢（reads越短产生的Hamiltonian path越多）？如何才能知道其中的一条是DNA的序列呢？

读长要长，测序深度高

由于二代测序得到的reads长度较短，包含的信息量较少，因此完成基因组拼接需要较高的覆盖度。OLC算法适用于读长较长的序列组装，通过构成的OLC图寻找Consensus sequence的过程，实际上是哈密顿通路寻找的问题。
若采用OLC算法，会增加组装的复杂性以及运算量。而采用DBG算法，通过K-1的overlap关系，构建DBG图，通过寻找欧拉路径得到Contig序列，从算法的角度极大的简化了组装的难度。

为什么采用k-mers而不是全长序列组装？简而言之，计算机喜欢k-mer，因为匹配准确快速。

为什么要构建K-mer↓↓↓↓↓↓↓

     提高reads的利用率
     组装的效果（效率）
     发现基因组的大小
     长k-mers存在物种特异性

How can K-mer estimation help to find genome sizes?
K-mer analysis and genome size estimate

基于de Bruijn图进行组装上一讲已经讲过宏基因组组装：从what 到how

怎样构建K-mer

K-mer大小的确定

• 文献调研
• 用组装效果来测试

↓↓↓↓↓两款辅助确定K-mer大小的软件
jellyfish

KmerGenie

  KmerGenie预测可应用于单k-mer基因组组装（例如Velvet，SOAPdenovo 2，ABySS，Minia）。 然而，使用多个k值基因组组装（例如SPAdes，IDBA）通常表现更好，而不是由KmerGenie预测的单个最佳k值。

K-mer Distribution
诺娃讲堂 | 基因组学策略（二）揭开组装的神秘面纱上篇
STEP3——基因组组装：Platanus
宏基因组实战5. sourmash基于Kmer比较数据集