六步教会你基因组组装！

基因组组装一般有基于OLC（先重叠后扩展）和基于De Brujin图（DBG）两种组装算法，基于OLC的组装方法适合长序列组装，运行依赖的数据结构需要消耗大量的内存，且运行速度比较慢，错误率高，而DBG组装方法内存消耗相对较低，运算速度快，且准确率高，本期我们主要介绍基于DBG基因组组装算法的基本原理。

基于DBG的基因组组装方法一般分为以下六个步骤：

A.    序列k-mer化：对插入片段进行建库测序，下机reads经质控后，对clean reads进行k-mer化，即将reads 逐个碱基开始切分为长度为K的子串；

B.    构建de Brujin图：将上一步得到的所有长度为k的子串即k-mer作为de Brujin图的节点，根据相邻两个K-mer重叠k-1个碱基的原则将该两个顶点（k-mer）有方向的连接起来，构建de Brujin图，如下图所示:

C.    DBG简化：去掉无法继续连接和低覆盖度的分支，通常有如下几种情况：

1） 直接删除由于测序错误形成的低频K-mer；

2） 通过短序列将一些很短的重复解开；

3） 如果Kmer1和Kmer2有很高的相似性，将形成的泡状结构合并；

D.   解图获得一致性序列：在简化图的基础上，仍然会因有很多分叉位点无法确定真正的连接关系，因此接下来的每个分叉位点将序列截断，得到contigs；

E.    构建scaffold: 将质控后的reads比对回上一步得到的congtigs，利用reads之间的连接关系和插入片段大小信息，将contigs连接成scaffolds；

F.     Gap Close: 通过PE reads来填补scaffolds内部的Gap，经过Gap填补后，如果还有含N的Gap，则将该条scaffold在Gap处打断，并去掉N，形成最后的scaftigs；