基因組文獻閱讀旨在了解更多物種基因組特征，研究進展，以及了解更多新的分析方法分析思路。這是該系列第一篇文章，閱讀更加詳細一些，了解框架以后后面文章就只讀個大概了。
T?rresen et al. BMC Genomics (2017) 18:95
DOI 10.1186/s12864-016-3448-x
第一版的大西洋鱈魚基因組（gadMor1）于2011年發(fā)表。該基因組組裝基于454測序數(shù)據(jù)，并使用Ensemble Project注釋。其基因組大小為832Mbp，其中27%的堿基是gaps，contig N50為2.3kbp，包含17.8%的TEs和5.9%的TRs。
第二版的基因組（gadMor2）組裝基于pacbio,illumina,454，Sanger BAC-end測序數(shù)據(jù)。相較于gadMor1，基因組contigN50長度增加到50倍，gap堿基減少至1/15，顯著提升了基因組的組裝質量。與其他脊椎動物相比，該組裝版本中串聯(lián)重復（tandem repeats ,TRs）密度更高，TRs在基因組中占比21%，其中19%在啟動子區(qū)域，12%在編碼序列區(qū)域。
重復序列分為散在重復序列(interspersed)和串聯(lián)重復序列(tandem repeats, TRs)。散在重復序列包括轉座子原件（transposable elements ,TEs）,在基因組中占比555%。TRs是重復單元串聯(lián)兩次以上的序列，在真核基因組中占比0.53%。TRs可分為微隨體（簡單重復或短串聯(lián)重復，microsatellites，STRs，串聯(lián)重復單元為1-9bp），微衛(wèi)星（小衛(wèi)星，minisatellites，10-100 bp）及衛(wèi)星重復（satellite repeats，>100 bp）。TRs通過添加或去除重復單位的方式發(fā)生突變，其突變率比基因組的其余部分高10-10,000倍。
原始數(shù)據(jù)：
～40x Roche/454
～0.1x Sanger BAC-ends
～480x Illumina
～19x PacBio
轉錄組組裝：
對不同組織及生長階段的樣本分別進行多個平臺測序，得到3個版本的轉錄本。
| 組裝數(shù)據(jù) | 組裝軟件 | 轉錄本（條） |
|---|---|---|
| Illumina | Trinity | 59,379 |
| 454 | Newbler | 79,025 |
| PacBio | SMRT-Analysis | 62,392 |
基因組組裝：
1. 組裝策略：
| 組裝版本 | 組裝軟件 | 組裝數(shù)據(jù) |
|---|---|---|
| NEWB454 | Newbler | 454；Sanger BAC-end |
| ALPILM | ALLPATHS-LG | Illumina |
| CA454ILM | Celera Assembler | 454；Illumina |
| CA454PB | Celera Assembler | 454 paired reads；Illumina；raw, uncorrected PacBio reads |
2. 補洞及提升組裝質量：
補洞：PBJelly將PacBio reads 比對到組裝版本進行補洞（close gaps）
提升組裝質量：Pilon用454 reads，300bp 和5 kbp插入片段文庫的Illumina reads糾錯
每個組裝版本得到4個處理版本：1）未經(jīng)任何處理的初始組裝版本；2）僅PBJelly處理的版本；3）僅Pilon處理的版本；4）PBJelly，Pilon處理的版本。
3. 組裝版本的驗證及選擇：
使用多種方法為4個組裝版本選擇最佳的處理版本：1）使用REAPR 和FRCbam通過糾錯后paired Illumina reads來評估各個處理版本的錯誤率；2）使用Isoblat檢測轉錄本與各個處理版本的比對情況；3）使用CEGMA，BUSCO評估各個處理版本組裝完整度；4）使用blat_parse.py通過linkage map（包含9355個SNP）與不同處理版本的比較，來評估完整度及長距離的正確性。
ALPILM, NEWB454 and CA454PB選擇由PBJelly，Pilon都處理的組裝版本，CA454ILM選擇僅Pilon處理的組裝版本。
4. 組裝版本合并：
首先在各組裝版本中存在分歧的linkage map位置斷開序列，并去除小于1000bp的序列；使用Mugsy進行多個版本的比對，得到的“alignment graph structure”橫跨CA454ILM（CA454ILM為經(jīng)BUSCO評估含最多基因的原始版本）的組裝路徑作為skeleton(骨架)；使用ALPILM和NEWB454原始組裝版本的比對結果得到含最少gap的CA454PB組裝版本作為補充（sequencing contribution assembly）；bwa將所有paired reads（Illumina，454和BAC）比對到基因組，使用SGA 的scaffold module合并組裝版本，使得scaffold N50從850Kbp增加到了1.15Mbp；最后Pilon提升組裝堿基準確性及補洞。Scaffold定位及排序：
基于linkage data，Scaffold被定位到linkage groups，之間用100Ns連接。
基因組大小評估：
SGA PreQC基于Illumina reads（150x）評估基因組大?。╧mer1731），評估基因組大小約613 Mbp±11 Mbp；ALLPATHSLG評估基因組大小為651 Mbp。盡管gadMor1有832 Mbp，但是其中有26.9% gaps (224 Mbp in gaps)，contigs序列為608 Mbp。
注釋：
使用MAKER2進行基因注釋，丟掉低質量的注釋結果后，還剩23,243個基因。
雜合度：
BWA-MEM將100，300bp 的Illumina paired-end reads比對到gadMor2，并用FreeBayes call snp，得到2,621,997個SNP，計算得出雜合度為4.07 × 10-3；indel rate為0.98 ×10-3；基于PacBio reads，使用blasr和PBHoney call indels，得到70,278 indels（size ≥20 bp）, indel rate為0.1 × 10-3 。
重復序列注釋：
結合RepeatModeler，LTRharvest，LTRdigest，TransposonPSI以及來自RepBase已知的真核TE序列創(chuàng)建重復序列庫，該庫masked了31.3%的基因組序列，其中22.9% 是interspersed repeats，8.0%是TRs。
TR：
研究不同測序技術及不同組裝軟件對注釋TR的影響。結果顯示，Celera組裝得出的TRs更多。該組裝版本中dinucleotide TRs是TRs的主要組成部分，占比48.7%；mononucleotide, trinucleotide和Tetranucleotide分別占7.6%, 6.3% ,6.3%。gadMor2與其他基因組（包括gadMor1，California sea hare等）比較，顯示gadMor2的TRs密度大約高出其他脊椎動物的3倍。
雜合TRs：
lobSTR可檢測雜合TRs（同源染色體相同位置的重復長度不同）。lobSTR注釋到980,400 STRs（過濾前1,182,796個），其中47,718個是雜合的。Phobos注釋到640,938個TRs（1-6 bp），lobSTR注釋到的TRs數(shù)目是Phobos結果的2倍。從注釋結果TRs的長度分布上看，兩者差異較大，即lobSTR鑒定相對較短的STRs，而Phobos注釋相對較長的STRs。采用另一種注釋方法，使用lobSTR和FreeBayes（使用Illumina reads）或PBHoney（使用PacBio reads）的交集，最終640,938 STRs (1-6 bp unit size)中檢測到145,435 indels；使用Phobos和FreeBayes（使用Illumina reads）或PBHoney（使用PacBio reads）的交集，最終876,691 TRs（1-50 bp unit size）中檢測到183,898 indels。表明五分之一的TRs是雜合的。
