基因组-genome survey（2）

在实际基因组概貌调查中，流式细胞术、染色体基数观察和基因组调查测序往往是同时进行的。
在此，我们主要介绍下基因组调查测序与K-mer分析

1、基因组调查测序

Survey一般测序量为预估基因组大小的30-50X（二代测序）。
通过survey我们可以知道如下信息：
（1）基因组大小
（2）基因组杂合度
（3）重复序列比例
（4）GC含量分布

2、K-mer分析

（1）什么是K-mer
从一段连续序列中迭代地选取长度为K个碱基的序列，若每条序列的长度为L，那么可以得到（L-K+1）个K-mer。

K-mer滑动示意图

（2）K-mer估计基因组大小（K-mer有效深度大于20且K-mer种类数要大于基因组）
在数据量一定的情况下，K-mer出现的频数是服从泊松分布（偏态分布，可以理解为最优解，想想卖馒头的例子）的，K-mer频率分布曲线的峰值作为其期望测序深度。
基因组大小计算：G=Knum/Kdepth

17-mer测序深度分布图
Kdepth=1的情况认为是错误情况，计算错误率，可以用于修正基因组大小。
Revised Gsize= Genome size X (1-Error Rate)
以17-mer为例，假如一个碱基测错的话，其实就是放大17倍，因此二代数据做Kmer分析更加准确些。

3、基因复杂度估计

（1）基因组的杂合区段的K-mer深度较纯合区段降低50%
例如，来自基因组的一个17-mer片段，如果没有杂合性，其覆盖度为2；如果有一个杂合位点，则这个片段将会产生2条序列，构成不同的17-mer。

5-mer杂合示意图
（2）杂合峰的意义
如果目标基因组有一定的杂合性，会在K-mer深度分布曲线主峰位置（c）的1/2处（c/2）出现一个小峰。同时杂合率越高，该峰越明显。
如果目标基因组是多倍体物种，特别是同源多倍体或相近物种杂交形成的多倍体，两个或多个两个或者多个亚基因族序列高度同源，这样就导致相应区域的K-mer数量成倍地增加，K-mer深度分布曲线就会在主峰深度位置1倍（4倍体）或者1倍和2倍（六倍体）出现峰值。
同样地，如果重复序列偏高呢？答：会出现拖尾现象
如果测序质量不高，低深度地K-mer数量大量增加
理想的K-mer分析
不理想的K-mer分析
多倍化Kmer分析
杂合率模拟
Ref:
植物基因组学-樊龙江著
A host plant genome (Zizania latifolia) after a century-long endophyte infection
Echinochloa crus-galli genome analysis provides insight into its adaptation and invasiveness as a weed
基因课-张旭东