生信分析：基因组survey中的K-mer分析是什么？

前一篇推送解读了2022年发表在MP上的同源四倍体马铃薯的基因组。

在基因组组装的过程中，首先要做的是基因组的survey，其中一项很重要的分析是K-mer分析，今天的推送就是K-mer分析的基础知识。

什么是基因组survey

对于没有参考基因组的物种，我们不知道它基因组的大小。通过基因组survey对没有参考基因组的物种进行正式组装前的调查非常重要。

基因组survey常用的方法：

图1

1、流式细胞术：用以估计单倍体细胞核DNA总量（图1）

图2

2、Kmer分析：通过对预计基因组大小的20-50×全基因组测序数据（二代）估计基因组大小、重复序列比例、杂合度、CG含量等（图2）。

图3

3、核型分析：确定染色体条数核确定倍性（图2）

什么是K-mer分析？

图4

从一段连续序列中迭代地选取长度为K个碱基的序列（K-mer），若每条序列的长度为L，那么可以得到L-K+1个K-mer（图4）。

在过去的基因组survey中通常取K=17来进行分析。选择K=17，可以产生的K-mer 种类数为 4¹⁷，由此可保证产生足够多的K-mer种类数去覆盖整个基因组（4¹⁷远大于一般的基因组大小）。K取过大会导致计算资源消耗过大。

图5

在理想状态下，K-mer曲线服从泊松分布，即只会出现一个明显的主峰（图5）。但对于一个杂合二倍体，主峰前1/2出会出现一个杂合峰，在杂合度较高的时候可能出现高过主峰的情况（c/2处）。

Error-peak代表由于测序错误率造成的峰，超过2c的拖尾面积代表的重复序列含量，重复序列越多阴影面积越大。

图6

与图5类似，图6把各部分做一个分割（参考自https://zhuanlan.zhihu.com/p/366933242）

蓝色柱子是kmer的观测值； 

橙红色拟合线部分对应着深度过低的kmer，这些kmer被认为是测序错误引入的； 

黑色拟合线是除去被认为是错误的部分（橙红色拟合线部分）之后剩下的所有k-mer，这些被认为是可靠的kmer数据； 

黄色拟合线被认为来自基因组非重复区域的K-mer分布； 

垂直的黑色虚线为预测最低深度峰的整数倍覆盖度；

图7

图7是模拟数据，由于未指定错误率，所以没有一开始的测序错误造成的很高的峰。紫色死杂合度为0，只在20处形成了明显的单峰，随着杂合度提高，在10处逐渐形成明显的小峰，绿色时（杂合度为2%）小峰已经超过主峰。

图8

图8是同源四倍体苜蓿K-mer分析，19处的峰是由于高杂合导致，38处是主峰，70处是高倍性导致。

图9

图9是二倍体常绿蓝莓K-mer分析，杂合度为1.27%

本文使用 文章同步助手 同步