學位論文整得七七八八了循捺。回首過去三四年雄人，感覺“在技術(shù)上”落后的“大體同時”接觸生信的朋友們从橘。或者這就是人生，或許得到了什么恰力，或許失去了什么叉谜。懷念過去，不是我的風格踩萎。
學業(yè)的事情多少要告一段落停局，也是時候做點自己想做的事情了。早上起來香府，翻了下幾年前就注意到的 Alignment-Free 的轉(zhuǎn)錄組表達量估計軟件董栽，一直沒啥時間看看。索性就都掃一眼回还，起碼....搞清楚了就知道具體優(yōu)劣裆泳，這樣吹起牛來，就還是有點底氣（換句話說柠硕，過去兩三年跟朋友聊到這個工禾，我都是基于猜測，認為就是kmer counts蝗柔，然后就一頓胡扯闻葵，也沒人拆穿我.....）
整體看了下，似乎主流就是 三個軟件癣丧，兩個門派槽畔。

門派一：Sailfish --> Rapman --> Salmon
門派二：...... Kallisto --> ...

當然，我最關(guān)心的還是 “Alignment-Free” 軟件的 “Alignment” 問題胁编。

Sailfish

應是三者中厢钧，最早發(fā)表的，nbt嬉橙。直接從 Fig 1 就可以知道早直，把 參考序列 和 Reads 都打散 成 Kmers ，最后直接通過 Kmers 在轉(zhuǎn)錄本上的 Coverage 估算表達量（不用說方法市框，說了也白說霞扬，反正就是 EM，目前幾乎所有轉(zhuǎn)錄表達量估計的枫振，都是EM...就是大家寫的模型有差別）

很明顯喻圃，這個速度超快， Hash 計數(shù).... 只能說神來之筆粪滤。

Kallisto

在 門派一 的 Sailfish nbt 文稿發(fā)表之后斧拍，門派二 的 Kallisto 的 nbt 文稿也發(fā)表了... 大家都是 NBT ，自然不會太差

這里只看 Figure杖小，注意 紅藍綠 是三個轉(zhuǎn)錄本饮焦，黑棒棒是一個reads怕吴。空心圈圈是Kmer县踢，實心圈圈是 reads 的Kmers。
從 Figure 可以看到伟件，相比于前述的 Sailfish, Kallisto 考慮了 Kmers 的具體來源（也就是保留了 Reads 的概念）硼啤。
當然，Kallisto 仍然簡單粗暴斧账，如圖谴返，對于絕大部分 Reads（無錯配），只看首位兩個 Kmers 就可以確定 read 來源的轉(zhuǎn)錄本（雖然圖示寫的是三個）咧织。
也因此嗓袱，存在 Reads 概念，但只用了 Kmers counts 卻沒有mapping习绢，最后表達量的話....所以就存在 Reads 長度參數(shù)需求渠抹。于是可以知道，為啥 Kallisto 相比于 Sailfish 在 SE 數(shù)據(jù)上需要多兩個參數(shù)闪萄，即片段長度和標準差梧却。自然，從邏輯上來說败去，納入更多信息放航，Kaillisto 表現(xiàn)必然不會比 Sailfish 差。

Salmon

Emmm圆裕，坐以待斃不是大佬的日常广鳍。門派一 自然不會省油。很快吓妆，在 Bioinformatics 上發(fā)表了 Rapman, 提出了 quasi-mapping赊时。

直接看 Fig 就知道，重點還是在于 Kmer耿战。你不是說我不考慮 Reads嗎蛋叼？我現(xiàn)在就考慮，而且還做某種程度上的 Alignments （Mapping）的概念剂陡。這個 Mapping 怎么說呢... 我覺得和 bowtie2 的有點像狈涮。只是 b2 粗暴，而 rapman 精細了許多鸭栖，幾乎只用 hashing歌馍，直接省去大量不必要的比對（關(guān)鍵依舊在于，Rapman不需要精細位置晕鹊，重點只在于確定來源）松却”┢郑看看文稿，多少也可以看到晓锻，rapman 中對 Kmer 搜索的邏輯參考了 kallisto （如跳過Kmers進行下一步搜索歌焦，在Kallisto中，則優(yōu)先搜索首尾Kmers）砚哆。
基于 Rapman独撇，門派一大佬這下不發(fā) nbt 了，發(fā) nmed躁锁，放出 Salmon纷铣。

寫在最后

沒啥好說的撵儿。
Sailish 看來是不行了，畢竟是大佬自己又更新了（這個跟 Tophat2 的命運是一樣的）狐血。
Kaillisto 必然是可以的淀歇，看看別人的 gayhub 就知道了（看看 Bowtie1 的現(xiàn)狀就清楚了）。
Salmon 沒話說匈织，必然也是優(yōu)選浪默，更不用說.... 引入了三種index模式（Emmm，自己說了更準嘛）
最后缀匕，Kaillisto 和 Salmon 都支持單細胞測序數(shù)據(jù)纳决，所以啊。乡小。阔加。