基因组调研图有助于了解即将组装的这个物种的基因组复杂程度，为后续的正式的基因组组装去提供一些依据。基因组的复杂程度可以从基因组大小，倍性，杂合度，重复率等方面去进行评价。

用什么来做基因组调研图？

基因组的调研图一般都会使用kmer分析来实现。kmer分析通常都是基于30到80×的二代测序数据去完成。

如何预估自己所需测序数据量？

1. 流式细胞仪：

通过测量细胞核的DNA含量来估算基因组大小，1pg=978M；

2. 网站查询：

植物基因组大小查询：https://cvalues.science.kew.org/

动物基因组大小查询：http://www.genomesize.com/

什么是k-mer？

k-mer是指包含在一段序列中的长度为k的子串。

现有一段序列，长度是15个碱基，把k的长度设置成5，这意味着需要从这段序列上，每隔一个碱基取一个长度为5个碱基的序列片段。那么序列长度为15的序列可以取11个5mer。如图：

针对长度为K的K-mer，对于 A,T,C,G四种碱基类型，一共能产生的K-mer种类数为4^k个。

如何利用k-mer评估基因组大小？

1.获取k-mer频数分布表（假设样本名为A）

ls /Data/A* | awk '{ print "gzip -dc " $0}' > A_generate.file
jellyfish count -t 20 -C -m 21 -s 3G -g A_generate.file -G 2 -o A.sif
# jellyfish count：k-mer计数
# -t 指定线程数
# -C 对DNA正负链都进行统计，表示考虑DNA正义与反义链。如果是双端测序reads，需要这个参数。
# -m k-mer长度设置为21bp.
# -s 3G 存储用的hash表大小为3G，这个参数识别单位M(Mbp)和G(Gbp)。如果设置不够大，会生成多个hash文件。最好设置的值大于总的独特的(distinct)k-mer数。如果基因组大小为G，每个reads有一个错误，总共有n条reads，则该值可以设置为[(G + n)/0.8]。
# -g --generator=path 记录产生fast[aq]命令的文件
# -G 同时运行的数目
# -o 指定输出文件的名字，hash格式储存的k-mer频数文件

2.统计k-mer频率

jellyfish histo -v -t 20 -h 10000000 -o A.histo A.sif
# 结果最后是两列，第一列是x，表示的是出现的次数；第二列是y，表示出现x次数的kmer数目。
# -v 显示详细信息
# -t 线程数
# -h x的最大值，默认是10000
# -o 输出文件的名字。

3. 统计k-mer

jellyfish stats A.sif -o A.stats

结果有四行：

Unique: 只出现过一次的k-mer数量
Distinct: 特异的k-mer数目
Total: k-mer总数
Max_count: 频数最高的k-mer数量

4. 基因组特征评估

genomescope.R -i A.histo -o genomescope_A -p 2 -k 21 -m 10000000
# -i 输入文件
# -o 输出文件夹
# -p 倍性
# -k k-mer长度
# -m 最大k-mer覆盖度，覆盖度大于该数字的k-mer将被忽略

结果解读

在输出文件夹中会存在四个图片，三个txt文件。其中最重要的结果图片是 transformed_linear_plot.png，图中信号含义标注如下图，其中kcov指的是杂合峰的覆盖度：

最重要的结果文件是 summary.txt，其中信息如下图