(组装方面):SOAPdenovo ,因为采用de Bruijn graph algorithm算法和stepwise strategy ,所以排错能力高,所以我们获得高质量数据。
de Bruijn graph algorithm算法????
reads到contig :多个reads比对,比对后reads之间有重叠(overlap)区,拼接获得的序列称为Contig。
contig到scaffold:把mate-pair得到的用于确立位置的短reads和insert组合,将原本孤立的contig按序前后连接,其中会调整contig方向以及contig可能会存在开口,得到一个完整的scafflod。
(组装1).assembled the short reads:得到pair-end短reads,overlap(比对效果好,没有模糊repeat)后获得contig;因为没有使用long insert-size paired-end libraries(因为long insert-size paired-end libraries会积累错误序列的overlap),所以我们得到很好contig(由n50长度可知)
因为长序列会积累错误序列的overlap,所以短序列排出来准确性高
测序深度(x):指测序得到的总碱基数(并不是连成序列)与待测基因组大小的比值
39-fold coverage short-reads:测试深度为39x:总数据量/基因长度
初次判定的总数据量可能估计基因组大小的100倍,因为物理上的因素(部分序列被酶降解等)最后得到73X
覆盖度(%):指测序获得的序列占整个基因组的比例,测序depth和coverage成倒数关系
(组装2)join the contigs into scaffolds:在可能为gap的区域添N,将insert一端mapping独立的contig;一端定位gap区域并且mapping unmapping end(mate-pair)。这样就得到了scaffold1(40kb);因为在close了所有能close的gap之后,仍有2.4%的gap(因为这些gap中约90%含有食肉类特异性转座元件和串联重复序列(原因一:因为短串联重复序列很难用现有的匹配算法拼接策略克服,)。 具有较高的单元标识和大于序列读取长度的长度,无法与当前数据进行组装。)(原因二:assembly丢失,因为狗与人序列的相似性,狗的串联重复序列占比少)
estimated intra-scaffold gaps:就是未测得的添N
什么是串联重复 tandem repeats?:短序列重复同时串联起来。
食肉类特异性转座元件为什么测不出来?转座子是存在于染色体DNA上可自主复制和位移的基本单位,因为它能够自主复制和位移,所以同串联重复序列难以测得的理由一致。