metagenomic Assembly

metagenomic Assembly:

de novo定义：from the beginning（从头拼接）, no reference genome guided（无参考基因组）

1.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。

2.种类:
a. Overlap-Layout-Consensus

        适用范围: reads读长较大的测序数据，如一代和三代的reads.

        主要步骤:
                Overlap：对所有reads进行两两比对，找到片段间的重叠信息
                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；
                Consensus: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.
        缺点:
                算法过于复杂

        代表软件:
                Velvet，SPAdes、IDBA-UD

b.de Bruijn Graph

        适用范围: 适用于reads比较短的测序数据，二代数据

        主要步骤:
                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找一个结点没有重复的回路就能构成DB序列,从而得到基因组序列。
        缺点:
                难以对重复序列区域进行分析，更依赖于建库。

        代表软件:
                SOAPdenovo


   #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。

c. String Graph ( Greedy algorithm 贪婪算法??)

        适用范围:有利于组装散列重复序列

        '步骤':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

    两篇论文:doi: 10.1093/bfgp/elr035. (overlap-layout-consensus and de-bruijn-graph)
            https: // doi.org / 10.1093 / bioinformatics / bti1114. (string graph)