【现学现卖】CHEER中的概念解释——k-mer

“ 概念理解”

CHEER: HierarCHical taxonomic classification for viral mEtagEnomic data via deep leaRning

对这篇文章中概念的理解：

【现学现卖】CHEER与病毒宏基因组数据分析（1）

【现学现卖】CHEER与病毒宏基因组数据分析（2）

k-mer

单独的k-mer很好理解，就是从一段序列中迭代分割提取长度为k的几个子序列（一般k为奇数，使用例如SPAdes软件进行基因组组装时使用多个k值效果较好，而不是使用经过预测的一个最佳的k值组装）。

理解应用才能更好记住它，所以再提一下基因组组装以及DBG算法（De Bruijn Graph assembly），这是一个适用于短reads测序结果的组装算法（还有Overlap-Layout-Consensus-OLC适用于一代、三代的长read测序组装和String Graph）。

这个基于DBG+k-mer基因组组装的简单流程如图：

（1）原始数据纠错

将read打断成k-mer，有些测序错误引起的错误k-mer或低频k-mer可以利用k-mer频数图谱或者read比对来对k-mer进行纠错（低频k-mer多为测序错误，高频可能是重复片段），为构建更准确的DBG图做准备。

（2）k-mers构建contigs，构建DBG图

将得到的k-mers利用overlap构建contigs，然后对contigs创建DBG图，对图进行简化，比如移除错误低频k-mer；删除low coverage link；解开短重复序列链接；合并相似位点等，最终输出contigs序列。

（3）构建Scaffold

双末端测序中，除了序列本身还有一些距离信息，这些距离信息可以帮助组装。read1和read2来自同一条序列（中间不一定有overlap），可以根据paired-end信息将不同的Contigs搭建成Scaffold。

（4）补gap

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。

总结

这个方法最核心的是De Bruijn图，这是一种欧拉图（或者说半欧拉图，图中包含一个路径，可以每边只有一次就走完所有边），我们最后拼接基因组就在找欧拉路径。