基因組測序數(shù)據(jù)的從頭組裝過程：測序讀段（reads) > contig > scaffold > chromosome
1.核心算法
基因組測序數(shù)據(jù)的從頭組裝的的核心算法主要可以分為以下幾大類：
基于貪婪算法（greedy-extention）(基本淘汰）廓鞠；
基于Overlap-Layout-Consensus（OLC）（適用于一代測序**）；
基于de Bruijn Graph；
以上兩種或多種算法的組合浪感；
其他類型莱革。
結(jié)果比較：contig N50, scaffold N50, BUSCO
2. 一般步驟
第一步是數(shù)據(jù)質(zhì)控控制 - fastp
第二步茧妒，確定起始參數(shù)，如K-mer和覆蓋率
第三步狰腌，使用不同軟件進(jìn)行組裝；
第四步，評估組裝結(jié)果甥材，如contig N50, scaffold N50, 判斷是否需要修改參數(shù)重新組裝。(QUAST和BUSCO)
3. 序列拼接 - velvet
1. Velvet - Current version: 1.2.10
一般工作過程簡化為：輸入short reads序列 > 排除錯誤 > 產(chǎn)生高質(zhì)量的contigs > 用paired-end reads和long reads信息檢索contigs之間的重復(fù)區(qū)域。
2. Velvet下載安裝
- 下載velvet的安裝包，直接使用make命令來編譯抄腔，即可獲得可執(zhí)行主程序velveth和velvetg绵患。安裝如下：
wget \
-O velvet.tgz
http://www.ebi.ac.uk/~zerbino/velvet/velvet_....tgz
tar zxf velvet.tgz
cd velvet.tgz
make 'CATEGORIES=10' 'MAXKMERLENGTH=57'\ 'LONGSEQUENCES=1' 'OPENMP=1' 'BUNDLEDZLIB=1'
參數(shù)詳解
CATEGORIES=10： 輸入 10 groups of short reads。根據(jù)原始數(shù)據(jù)相應(yīng)增減該值的大幸破取荡陷；值越大徽龟，耗內(nèi)存越大。
MAXKMERLENGTH=31： 最大的Kmer長度31（默認(rèn)為 31）。(k-mers一般選擇17即可讼昆，對于高度重復(fù)基因組或者基因組過大赃绊，可以選擇19甚至31也行。但不是越大越好传惠，kmer越大泰佳，越耗內(nèi)存,而且如果一條reads里有一個錯誤位點，越大的k-mers就會導(dǎo)致包含這個錯誤位點的k-mers個數(shù)增多)
BIGASSEMBLY=1： 超過 2.2G 的reads用于組裝基因組的時候，需要設(shè)置該值。
LONGSEQUENCES=1： 當(dāng)contigs長度超過 32kb 長的時候蜕猫，需要設(shè)置該值。
OPENMP=1：多線程運(yùn)行。需要設(shè)置環(huán)境變量 OMP_NUM_THREADS 和 OMP_THREAD_LIMIT蹬屹。最多為 OMP_NUM_THREADS+1 或 OMP_THREAD_LIMIT 個線程.
BUNDLEDZLIB=1： velvet默認(rèn)使用系統(tǒng)自帶的zlib，如果系統(tǒng)沒有zlib，則需要加入該參數(shù)來使用velvet源碼包中的zlib.
3. 功能介紹
- velveth - 準(zhǔn)備數(shù)據(jù)
利用velvet自帶的兩個腳本程序?qū)γ恳粋€pair-end數(shù)據(jù)進(jìn)行合并
#fasta 格式
?shuffleSequences_fasta.pl s1_1.fasta s1_2.fasta s1.fasta
?
#fastq 格式
shuffleSequences_fastq.pl s1_1.fq s1_2.fq s1.fq
-
格式化
代碼：./velveth directory/ hash_length
[-file_format] [-read_type] [filename] [options]
當(dāng)有多個文庫的時候，按照粗體部分的格式重復(fù)寫。
directory：輸出文件所在路徑的名字（即創(chuàng)建一個文件夾存放結(jié)果文件）
hash_length：也叫k-mer length(起始設(shè)定塘慕，值越大蛤织，內(nèi)存需求越大)
filename：標(biāo)準(zhǔn)輸入文件名
Options:
-strand_specific：轉(zhuǎn)錄組序列數(shù)據(jù)，默認(rèn)為off
支持的文件格式：fasta（默認(rèn)），fastq，fasta.gz，fastq.gz，eland肯夏，gerald徊都。
讀類別：short槽奕，shortPaired夯接，short2问欠，shortPaired2注整，long驼唱，longPaired。默認(rèn)為short
例子：
./velveth output_directory/ 21 –fasta –short solexa1.fa solexa2.fa solexa3.fa –long capillary.fa </pre>
- Velvetg - 序列組裝
代碼：./velvetg directory [options]
directory：工作路徑名
Standard options：
-cov_cutoff <floating-point|auto>：移除低覆蓋率的node惭婿，默認(rèn)不移除
#參數(shù)名 + 數(shù)字，如：
./velvetg output_directory/ -cov_cutoff 5.2
-ins_length <integer>：two paired end reads之間的期望距離漓滔，默認(rèn)no read pairing
-read_trkg <yes|no>：在集合中對short read位置進(jìn)行跟蹤秽誊，默認(rèn)不跟蹤
-min_contig_lgth <int>：導(dǎo)出到contig.fa文件中的最小contig長度，默認(rèn)為hash長度的2倍
-amos_file <yes|no>：導(dǎo)出到AMOS文件中，默認(rèn)不導(dǎo)出（no）
-exp_cov <floating point|auto>：唯一區(qū)域的期望覆蓋率
Advanced options:
-ins_length2 <int>：兩個paired-end reads在第二個short-read數(shù)據(jù)集中的期望距離鄙早，默認(rèn)否
-ins_length_long <integer>：兩個long paired-end reads的期望距離，默認(rèn)否
-ins_length_sd <int>：數(shù)據(jù)集的標(biāo)準(zhǔn)差躯舔，默認(rèn)corresponding length的10%（代表：nothing布讹，2，_long）
-scaffolding <yes|no>：scaffolding of contigs used paired end information (default: on)-->
-max_pergence <floating-point>：在一個bubble中的兩個分支的最大分歧率画恰，默認(rèn)0.2-->
-min_pair_count <integer>：構(gòu)成兩個長contigs的paired end的最小值甩鳄，默認(rèn)10
-max_coverage <floating point>：在tour bus后移除高覆蓋率的node
-long_mult_cutoff <int>：合并contig的long reads的最小值抑胎，默認(rèn)2
-unused_reads <yes|no>：將不用的reads導(dǎo)出到UnusedReads.fa文件中，默認(rèn)否
-alignments <yes|no>：導(dǎo)出一個主要的contig并和參照序列對其肪跋，默認(rèn)否
- velvetg - 輸出結(jié)果
- directory/contigs.fa 長度2倍長于kmer的contigs； -scaffolding決定生成的fasta文件是否包含scaffold序列造寝；
- directory/stats.txt - 決定覆蓋度cutoff的統(tǒng)計表
- directory/PreGraph - 初始的de vruijin圖
- directory/Graph2 - 最終de bruijin圖签赃。
- directory/velvet_asm.afg - MOS兼容的文件锦聊，能用于AMOS基因組組裝軟件包
- directory/Log velvet的運(yùn)行記錄
