首先，小编先给大家介绍一些关于组装的历史。大家肯定也知道，这个组装技术的发展是依赖于测序技术的。首先在一代测序的时候，测序数据量较少，成本较高，人们对于组装的结首先，小编先给大家介绍一些关于组装的历史。大家肯定也知道，这个组装技术的发展是依赖于测果预期也比较低，弄到contig水平就可以啦，还有就是这个组装的物种基因组都偏小。因此那个时候的组装软件都是基于overlap的。然后呢，二代测序技术来了，数据量超高，成本也便宜啦。科研工作者就想啊，现在都二代了，这个组装的预期得提高啊，得与时俱进啊。但是基于overlap的组装不了太长，而且超级慢，又加之，二代数据量太多，overlap扛不住啊。因此有人就开发出了基于图论的组装算法。然后呢，三代测序技术这两年出来了，科学家一看，我x，这么长的read，那还搞毛图论的算法，直接简单粗暴点，用overlap多简单，于是基于overlap的软件又火了，去年一个三代基于图论的软件发表，将基于图论的组装再次放在了风口浪尖。
大家好，我是生信人小编XIXI，与青壬同学遥相呼应地，坐标魔都西南……平时做项目总会遇到一些很有意思的文章或者算法，或者一些很有用的工具，会有拍案叫绝的冲动(当然更多时候有想摔桌子的冲动)，所以呢希望能通过这个平台和大家一起分享。
最近有在看一些关于从头拼接(de novo)相关的文章。De novo的方法大部分是当基因组、转录组或者蛋白组信息缺失严重或者想要研究修饰的时候使用，它可以不用借助任何参考组直接进行推测拼接，但相对来说准确度会比较低一些。
其实不难发现，大部分de novo的文章都是基于图论分析，比如大部分基因组和转录组de novo；蛋白组的质谱数据分析属于“看图说话”，以前的很多工具也是基于图论，最近有出来很多基于机器学习的工具，运行速度也有大幅提升，如果大家感兴趣后边也可以给大家讲讲。
最近想使用SOAPdenovo-Trans来进行RNA-seq的de novo分析
所以对它的原理及运行过程进行了一下简单摸索。在转录组方面，如果是测序比较完全的生物，大多数人是会选择将测序的read直接匹配到参考基因组上边的(还记得大明湖畔的Tophat和cufflinks么)；但是如果是一些参考基因组缺失的或者基因组非常庞大的物种，de novo的方法则可以很好地解决这个问题。
De Bruijn graph (DBG)可以说基本是大部分组装方法的核心所在，有很大一部分的转录组拼接软件(Oases，SOAPdenovo-Trans等)都是依赖于这个算法的。这里给大家做一个比较通俗的介绍。
比如我们手上有真实的RNA序列AUCGAAUCCCGAA，通过 RNA-seq可以得到的6条read：
那怎么从这6个小片段推导出它真实的序列信息呢？(如果你一眼看出来了，请原谅我宽容地排列整齐……)
首先，假如我们设定K-mers为3-mers，也就是说我们可以将所有的read都切割3个碱基长度的子序列，如下：
接着，我们可以将每个子序列都可以看成一个结点，每个read中的子序列结点可以依次用箭头连接，依次建立这样一张有向图：
最后一张即为最终的de Bruijn graph (DBG)。那么怎么通过这张图得到相应的序列呢？
学过图论的旁友们大概可以会心一笑，那就是解欧拉路径(Eulerian Tour)！也就是在最后这张图里使得每条路径被经过且仅经过一次。这个例子里可以很简单的可以看出来(真实的案例里大约看的出来算我输……)：
串起来就可以得到：AUCGAAUCCCGAA，也就是我们最开始的RNA序列了！具体解欧拉途径的算法图论中应该会有比较多的讨论，有兴趣的大神可以亲手实现一下。
在该算法中K的选择是有一定讲究的，一般来说K小于等于最短read的长度，如果太短拼接效果又会比较差。SOAPdenovo-Trans中一般会设定~35作为K值。
De Bruijn graph的组装方法相对时间复杂度比较低，为O(min(N,G))，G=genome length，N= total length of reads，与重叠方法的拼接过程相比可以大大节约时间成本；但它存在的问题是很可能你得到的路径和你输入的read是不匹配的，另外对于重复序列的处理也不是很棒。
更多套路，生信分析需求，请加微信：13895744602
欢迎关注生信人
TCGA | 小工具 | 数据库 |组装| 注释 | 基因家族 | Pvalue
基因预测 |bestorf | sci | NAR | 在线工具 | 生存分析 | 热图
生信不死 | 初学者 | circRNA | 一箭画心| 十二生肖 | circos
舞台|基因组 | 黄金测序 | 套路 | 杂谈组装 | 进化 | 测序简史
