Linux 如何估计基因组大小

基因组大小是指基因组中DNA的量，一般按重量计算，通常以皮克（10-12克）为单位，写成pg; 有时也使用道尔顿; 或以核苷酸碱基对的数量，以百万计，写成MB或等于978MB。

例如，如果基因组的长度为 l，KMER 大小为 k，则所有可能的 k 数为：（l -k）+1，并且可以通过评估 KMER 大小和数量分布来估计物种大小。

详情请参阅：

我们知道DNA分子是一条长链的双螺旋，上面覆盖着它"珍珠"即核苷酸，其上有四个碱基，即：腺嘌呤 （A）、鸟嘌呤 （G）、胞嘧啶 （C） 和胸腺嘧啶 （T）。 通过这些核苷酸的不同排列，DNA分子能够表达出生生物体的各种细胞所拥有的丰富信息。

数学家、生物学家、化学家和计算机专家都受到启发。 他们利用DNA可以编码信息的事实，首先合成具有特定序列的DNA分子，使其代表要解决的问题，然后通过生物酶的作用（相当于加、减、乘、除），它们相互反应形成各种组合，最后过滤掉不正确的组合，得到编码的分子序列才是正确的答案。

使用 allpaths-lg.

1. Allpath简介。

AllPaths-LG是一款适用于组装短读长数据的基因组组装软件，由博德研究所的计算研究与开发小组开发。 AllPaths-LG现在被公认为业内执行基因组从头组装的最佳软件。

二。 基本注意事项。

1.您不能只使用一个库进行汇编; 2.必须有一个"overlapping"片段库的配对读取数据。

例如，reads 的长度为 100 bp，插入文库的长度为 180 bp; 3.必须有跳库数据; 4.基因组组装需要 100 倍或更多的基因组覆盖率，即原始读取数据的覆盖率（在纠错和过滤之前）; 5.

可以使用 Pacbio 数据; 6.454 数据和 torrent 数据不能使用。 主要原因是这两者的排序太贵了，如果**减少，如果有需求，就会写出相应的**来满足要求; 7.

官员们提供了测试数据; 8.不支持在整个计算机群集上进行计算; 9.所需的峰值内存大约是每个碱基，即10g的碱基数据输入量，这需要大约17g的存储器。 10.

对于暂定参数，例如 k，原则上可以对其进行调整。 但是，我们不会调整自己，也不建议这样做。 与其他从头不同，kmer 大小参数 k 和读取大小之间没有直接关联，allpaths-lg 在运行时使用一系列 k 值。

1.找到基因组的大小。

获得测序深度为m的基因组的所有KMER片段，每个片段的长度为k。 然后计算每个 kmer 及其出现次数（kmer 频率），有多少片段只出现一次，多少次出现两次，多少次出现三次、、、然后用出现的次数（频率）作为横坐标，将出现次数如此之多的片段总数（或该数字占片段总数的百分比）绘制为纵坐标。

每个 kmer dk 的预期值（kmer 深度）= （l-k+1） g*n（图上是主峰的横坐标）。

读取的 KMERS 总数 nk = （l-k+1）*n（已知）。

则 g=nk dk;

2.杂合重复分析。

只有一个主峰，个体是纯合子或单倍体。

在x=a处存在主峰，在x=2a处存在次峰，表明片段子集的期望值是大多数片段的两倍，这些片段是重复片段，次级峰是重复峰。

当主峰出现在x=a处，次峰出现在x=处时，表示部分片段的期望值为1 2，当序列为杂合时，含有杂合位点的kmer分为两部分，因此频率变为一半，次峰为杂合峰。

有两个主峰，峰高相差不大，两个峰的横坐标呈双重关系，表明个体具有高度杂合性或高度可重复性。

这没什么区别。 惯用关系。 是的，全基因组测序和重测序略有不同。

根据 mysql5 手册，插入一条记录所需的时间比例大致如下： 连接： （3） 向服务器发送查询：

2）分析查询： （2）插入记录：（1倍记录大小）插入索引：

1x index） 是封闭的：（1）并且表格的大小以 logn 的速度减慢了索引的插入速度（b 树），所以提高插入速度的方法大约有 7 种：一个 insert 语句包含多个值;使用插入延迟方法; 使用插入...

values(select ..from），即 INSERT 与 select 同时执行;使用加载数据 infile; 先禁用索引，插入后再创建索引; 写入锁定表，插入，解锁。 这样做的原因是，在所有插入语句完成后，索引缓冲区仅刷新到磁盘一次; 增加密钥缓冲区大小值以扩展密钥缓冲区。