GenomeScope评估基因组大小和杂合度

在测序一个新物种时，首先需要对该物种的基因组结构有所了解，包括以下几个内容：

基因组大小
重复片段大小
杂合度大小

基因组越大，杂合度也大，重复片段越大，该物种的组装难度就越大。通常我们会通过genome survery分析，对以上几个指标进行简单评估，核心就是通过kme 分布来进行评估。

对于不同的基因组杂合度，kmer分布如下

当杂合度为0.001时，只有一个峰；当杂合度为0.01和0.02时，都有多个峰。通过探究杂合度和kmer分布图之间的关系，可以通过kmer分布来评估杂合度。
GenomeScope 软件可以根据kmer分布，评估基因组大小和杂合度，github地址如下

https://github.com/schatzlab/genomescope

安装过程也比较简单，直接下载就可以了

git clone https://github.com/schatzlab/genomescope

在软件的安装目录下，genomescopre.R文件是核心的运行脚本，用法如下

Rscript  genomescope.R kmer.hist 31 150 test

第一个参数 kmer.hist 是jellyfish软件产生的kmer频数分布数据，第二个参数31代表kmer的长度，第三个参数150代表序列读长，第四个参数test 代表输出目录的名称。

在运行过程中，会输出如下信息

GenomeScope analyzing kmer_hist k=31 readlen=150 outdir=test
Model converged het:0.0236 kcov:21.7 err:0.00575 model fit:2.21 len:67340147

het表示杂合度，为2.36%；len表示基因组大小，为67M左右。输出目录文件列表如下

├── model.txt
├── plot.log.png
├── plot.png
├── progress.txt
└── summary.txt

通常关注summary.txt,plot.png 这2个文件就可以了。

1. summary.txt

内容如下：

GenomeScope version 1.0
k = 31
property               min max Heterozygosity 2.3105% 2.40497% Genome Haploid Length 66,465,582 bp 67,340,147 bp Genome Repeat Length 49,595,265 bp 50,247,848 bp Genome Unique Length 16,870,317 bp 17,092,300 bp Model Fit 80.781% 94.5621% Read Error Rate 0.574733% 0.574733%

在该文件中，会给出杂合度，基因组大小。重复片段长度等详细信息。

2. plot.png

示意图如下：

蓝色区域是实际观测到的kmer分布，红色线条下方是一些频数很低的kmer,这些kmer被认为是测序错误，黑色线条下方被认为是可靠的kmer数据，只拿这部分数据来评估基因组的大小，垂直的虚线认为是kmer的几个峰值，黄色线条下方的区域认为是非重复区域的大小。

来源：https://www.jianshu.com/p/98f5a65be8b2