用k-mer分析进行基因组调查：（一）基本原理

（全文5058字）

【推荐】用Smudgeplot评估物种倍性后，用组合jellyfish+GenomeScope1.0做二倍体物种的基因组调查，用组合KMC+GenomeScope2.0做多倍体物种的基因组调查。

基因组调查(genome survey)指基因组特征评估，一般指通过k-mer分析二代测序数据，获得基因组大小(genome size)，杂合度(heterozygosity)，重复序列比例，GC含量等基因组信息的手段。

基因组复杂程序的判断标准包括：基因组大小，倍性，杂合度，重复序列比例，GC含量等。

一般而言，基因组越大，重复序列比例越高; GC含量异常低或异常高，重复序列比例也会很高；多倍体基因组的杂合度高于二倍体。

判断基因组复杂程度可以参考以下经验性标准：

k-mer分析可以用在生物信息学许多方面，这篇博客的k-mer分析特指用于基因组调查的k-mer分析方法。

Figure 1. k-mer示例。图片来源: https://cloud.tencent.com/developer/article/1613847

k-mer分析应用的前提假设是测序的reads是随机分布在基因组上的。

首先定义几个变量，方便解释原理：

在不考虑测序错误、序列重复性和杂合序列的条件下，k-mer的深度分布遵循泊松分布。但实际情况是三者都存在，所以需要计算错误率，重复序列占比和杂合度，并根据计算结果修正对基因组大小的估计。

在实际应用过程中，估计了基因组的错误率、杂合度和重复序列比例后，重新修正基因组大小的估计，从而得到基因组调查的结果。

Figure 2. k-mer分析(软件GenomeScope)结果示例

许多分析都会用到k-mer的处理方法，把测序得到的reads通过截取k-mer后用于分析。

比如评估基因组特征，组装基因组，物种样品污染评估等。评估基因组特征(genome survey)包括评估基因组大小(size)，杂合度，重复序列比例等。

k-mer分析分为 k-mer频数统计 和 基因组特征评估 两步。此外，Smudgeplot还可以用k-mer分析评估物种的倍性。

~

GenomeScope 2.0 评估基因组大小、杂合度和重复序列
答：het 表示杂合度，为1.65%； len 表示基因组大小，为376M左右。输出目录output_p3文件列表如下 通常关注summary.txt, transformed_linear_plot.png这2个文件。内容如下：在该文件中，会给出杂合度，基因组大小，重复片段长度等详细信息。结果分为三列：有疑问，可以对照模型进行检验。K-mer覆盖度-...

【豆科基因组】小豆(红豆)adzuki bean, Vigna angularis基因组2015
答：此外,红豆可以用作模型物种,特别是对于非油籽豆类,由于其生长期短且基因组小的特点。 流式分析基因组大小估计为 612 Mb,高于先前估计的 538 Mb 。22 k-mer 估计基因组大小为 591 Mb。 测序材料是 Gyeongwon,在韩国广泛种植的品种。 多种大小片段文库,ALLPATHS-LG + Newbler组装,3883个scaffold,N50=703kb,...

序列组装算法是什么意思?
答：一般来说，生成良好的组装结果需要结合不同策略，以提高组装效率和准确性。序列组装算法可以被分为两种类型，即重叠图算法和 de Bruijn 图算法。重叠图算法利用碎片化和序列重叠来确定序列之间的关联性，而 de Bruijn 图算法则采用了滑动窗口和 K-mer 分解技术将原始序列进行拆分，再进行组装。在实践中，...

RNA-seq 数据量化
答：在进行量化之前，首先需要对原始测序读段进行质量控制。这通常涉及去除低质量的读段、去除接头序列以及过滤掉污染的读段。2.读段比对（Alignment）或直接量化：传统方法是将读段比对（align）到参考基因组或转录组。这一步骤的目的是确定每个读段在基因组中的确切位置。另一种方法是直接量化，如使用k-me...

请问生物测序中的de novo genome assembly是什么意思?还有coverage?_百 ...
答：楼下回答了一些，我尽自己知道的补充一点。denovo字面意思是全新，专业一点就是从头测序。详细点就是对未知基因组序列进行测序，利用生物信息学分析手段，对序列进行拼接、组装，从而获得其基因组的图谱。另外，你追问的问题，其实有些人会混淆两个概念：测序的覆盖度（coverage）和测序的深度（depth）。对...

RNA-seq从入门到自闭(Kallisto和Salmon)
答：这是RNA-seq上游分析的最后一站，seq数据定量。这一篇文章会介绍基于k-mer定量两软件：kallisto和salmon。其中关于kallisto的部分我会附上TBtools插件的用法。 抱歉又更新晚了，之前一直想尝试selected alignment method来定量RNA-seq数据。电脑不给力，试了好几次都失败了，只好放弃……如果你有兴趣，可...

生信小白学习系列:如何进行基因组组装?(1)
答：简单来说这种算法就是将所有的reads拿出来，相互比对，找到重叠的reads，然后构建长的连续的contigs，最后再将contigs组在一起形成scaffolds。这个过程可以基于下图来进行总结：De Bruijn 图 或者 k-mer 方法 主要的步骤包括：大概的过程如下图：我该选用哪个组装的工具？目前已经开发了很多不同的组装工具，...

每周文献 2021-08-02
答：接着，作者通过ChIP–seq确定检测到小鼠ES细胞中1302个可重复的峰（图1d），对前500个峰的独立k-mer富集分析确定CGCG元件为主要序列（图1e），称之为BANP基序。这些基序主要存在于启动子中，尤其是CGI启动子（图1d，f）。同时作者发现几乎90%的启动子与基序是结合的，有12%的基序位于远端（图1g）。

比对算法总结(一)——基于哈希表结构的比对算法
答：查找短序列在参考基因组中可能的匹配候选位点。基于哈希表索引数据结构的比对算法也可细分为 连续种子序列（contiguous seed）策略和间隔种子序列（spaced sedd）策略 。如下图所示，连续种子序列策略是将短序列分成k-mer长的子序列，通过查询基因组k-mer长的子序列构成的哈希表数据结构进行匹配，如果短...

基因克隆
答：基因克隆(gene cloning)或分子克隆,又称为重组DNA技术,是应用酶学方法,在体外将不同来源的DNA分子通过酶切、连接等操作重新组装成杂合分子,并使之在适当的宿主细胞中进行扩增,形成大量的子代DNA分子的过程。例如,要获得人类基因组中的某个基因,我们就需要借助基因克隆技术,进行目的基因的分离、克隆和扩增。因此,接下...