基因组组装算法
目前，构建Graph的主流方法有3种，Overlap-Layout-Consensus（Celera Assembler、PBcR），de Bruijn Graph（SOAPdenovo ） 和 String Graph（Falcon）。
相关文献
- 基于De Bruijn图的宏基因组序列组装算法研究（CNKI）
- 对基因组组装算法的分析和研究（CNKI）
- 基于De Bruijn图的De Novo序列组装软件性能分析（CNKI）
- DNA序列拼接中de Bruijn图结构的研究（CNKI）
- 基因组学策略（二）揭开组装的神秘面纱上篇（诺禾致源）
- String graph – Wikipedia
- De Bruijn graph – Wikipedia
前言
基因组组装的基本思路：无论是一代sanger、二代短reads、三代长Pacbio，我们得到的测序数据相较于整个基因组而言仍然是极小的；我们的任务就是将这些小片段连接起来；序列之间的联系因为重复序列的存在变得非常复杂，通过overlap我们最终都会构建Graph，所有的算法都会从Graph中得到最优路径，从而得到最初的contig。
1 OLC算法
适用于reads读长较大的测序数据，如一代和三代的reads。
主要分为三步：（1）Overlap：，对所有reads进行两两比对，找到片段间的重叠信息；（2）Layout：根据得到的重叠信息将存在的重叠片段建立一种组合关系，形成重叠群，即Contig；（3）根据构成Contig的片段的原始质量数据，在重叠群中寻找一条质量最重的序列路径，并获得与路径对应的序列，即Consensus。
OLC算法最初成功的用于Sange测序数据的组装，比如Celera Assembler，Phrap，Newbler等均采用该算法进行拼接组装。
2 DBG算法
适用于reads比较短的测序数据，二代数据。缺点：难以对重复序列区域进行分析，更依赖于建库。
首先将reads打断成长度为K的核酸片段，即Kmer，在利用Kmer间的overlap关系构建DBG，再通过DBG得到基因组序列。
DBG算法最早应用于如细菌类小的基因组的组装上，直到李瑞强等(2010)开发SOAPdenovo 算法，成功的组装了采用二代测序的黄瓜及熊猫的基因组，DBG算法开始普遍运用。
假设我们获得的reads是20bp，图1a中，生成6个片段，每个片段长度（L）是10bp，至少重叠长度（O）为5bp，然后各个片段建立OLC图。图1b的Kmer为5，建立DBG图。
DBG算法相比于OLC的优势是什么？
由于二代测序得到的reads长度较短，包含的信息量较少，因此完成基因组拼接需要较高的覆盖度。OLC算法适用于读长较长的序列组装，通过构成的OLC图寻找Consensus sequence的过程，实际上是哈密顿通路寻找的问题，算法非常复杂。
若采用OLC算法，会大大增加拼接的复杂性以及运算量。而采用DBG算法，通过K-1的overlap关系，构建DBG图，通过寻找欧拉路径得到Contig序列，从算法的角度极大的简化了组装的难度。
讲完算法，我们以目前应用广泛的 SOAPdenovo 软件为例来介绍组装过程。
SOAPdenovo软件的组装过程
（1）通过Kmer之间K-1的overlap关系构建contig（重叠群），如图2：
（2）利用pair-end信息，将无overlap关系的contigs搭建成scaffold(脚手架），如图3：
1数据纠错
要得到一个有较高准确性的基因组图谱，首先对测序得到的数据进行处理：
将reads逐bp打断成长度为K的连续核酸序列，如上图a所示，若这条reads中间由于测序错误有一个错误的碱基，那么在得到的Kmer中，也会有一些错误Kmer或者低频Kmer。
绘制Kmer频数分布图时，如上图b所示，Error free代表没有测序错误的Kmer频数分布，Error rate1%代表有1%错误率的Kmer频数分布。
错误Kmer对后续组装会产生很大的困扰，因此，在构建DBG图之前，需要先对数据进行纠错。纠错的两种方法：
（1）基于Read间的比对，通过多序列比对，通过概率模型区分测序错误引起的错误Kmer。这种方法纠错准确，但需要消耗较大的计算资源。如ALLPATH-LG，ECHO等纠错软件都基于这种方法。
（2）通过Kmer频数图谱进行区分，这类软件如SOAPdenovo，Euler等。
2构建Contig
根据Kmer之间的overlap关系进行连接，如下图所示：
reads（read1：AGATCTTGTTATT；read2：GTTATTGATCTCC）逐bp的打断成长度为5bp的Kmer，根据Kmer间的overlap关系进行连接。可以看到两条reads中 GATCT 和 GTTATT 是两个重复的片段，在构建De Bruijn图中，会形成如上图的泡状结构以及多个分支的情况，面对这种很复杂的图，如何才能找到那一条正确的路径呢？
（1）对De Bruijn图进行化简
简化De Bruijn图需要去掉无法继续连接的分支、低覆盖度的分支，并且利用序列信息化简重复序列在De Bruijn图的分叉通路，对于少量的杂合位点，采用随机选择策略，合并杂合位点。通常需要考虑如下几种情况：
（2）得到一个简化的De Bruijn图后，仍然会因有很多分叉位点无法确定真正的连接关系，因此接下来在每个分叉位点将序列截断，得到了最初contigs。
留给大家一个思考题：根据上述步骤，我们看下图4中复杂的De Bruijn示意图，可以得到什么样的contigs呢？（答案见文末）
3构建scaffold
将测序得到的reads比对回得到的contigs，利用reads之间的连接关系和插入片段大小信息，将contigs组装成scaffolds。
4补洞
得到的scaffold中间会有较多的gap，为了使组装的序列更完整，需再次利用测序的双末端数据之间的配对关系连接contigs，并利用测序数据与已经组装的contig之间的覆盖关系对contig之间空隙进行补洞，延长contigs，补洞后的contigs长度相比补洞之前一般增加2-7倍。
以上就是SOAPdenovo组装的基本过程，看明白了吗？
“揭开组装的神秘面纱下篇”敬请期待～
参考文献
-
Li RQ, Zhu HM, Ruan J, et al. Denovo assembly of human genomes with massively parallel short readsequencing. Genome Res. 2010, 20(2), 265-72.
-
Li ZY, Chen YX, Mu DS, et al. Comparison of the two majorclasses of assembly algorithms: overlap-layout-consensus andde-bruijn-graph. Brief Funct Genomics. 2012, 11(1), 25-37
3 string graph算法
有利于组装散列重复序列。
string graph中的节点是长度不一的序列，这些序列是由overlapping reads生成，需要设置一个最小overlap大小。
学习资源：
The fragment assembly string graph
基因组组装算法研究(已审核) - 百度文库
