组装组参考档version1.docVIP

基因组项目组装参考文档 基因组项目组装参考文档 1 一 原始数据路径 2 二 数据处理 2 1 数据过滤 2 2 数据纠错 2 三 根据少量数据对基因组进行分析 2 1 基因组大小分析 2 2 基因组杂合率模拟 3 3 基因组是否有细菌或其他基因组污染 3 四 组装（SOAPdenovo） 3 五 基因组的soap比对分析 3 1 文库插入片段大小的校正 3 2 如果有其他污染，soap比对去除污染 3 3 对于大片段文库数据，会有比较严重的小峰，需要去除小峰 3 4 做基因组的GC-Depth分布图，查看是否有GC偏向性 3 5 做基因组的单碱基分布图，看是否存在数据随机性不好的问题 3 六 基因组的组装版本的EST和BAC评价 4 1 EST评价 4 2 BAC评价 4 七 基因组的fosmid-end或bac-end数据构建super-scaffold 4 八 基因组数据的备份和目录结构 4 九 附录 4 附录一 filter_data_v1.2 4 1 程序简介 4 2 基本用法： 5 3 运行过程： 5 4 注意事项以及常见错误： 6 附录二 纠错流程 7 1 纠错策略 7 2 纠错流程 8 3 内存及时间损耗 10 附录三 Kmer分析总论 10 1 引言 Kmerfreq程序说明 10 2 基于kmer的基因组大小估计 11 3 估计准确性影响因素 13 4 结论 18 附录四 基因组de novo组装 19 1 SOAPdenovo软件 19 2 参数说明 20 3 使用方法及示例 20 4 输出文件及说明 22 5 参数调整 24 6 内存估计 25 7 常见错误 25 8 参考文献 25 附录五 项目数据备份和目录结构 26 1 项目需要备份数据 26 2 项目目录结构 26 3 项目存储 27一 原始数据路径 /share/fqdata02 solexa: 07年~09年3月的数据（原raid9备份） /share/fqdata03 solexa: 09年3月~09年6月的数据 /share/fqdata04 solexa: 09年6月~09年9月的数据 /share/fqdata05 solexa: 09年9月~09年10月的数据 /share/fqdata06 solexa: 09年10月~09年11月的数据 /share/fqdata08 solexa: 09年11月~10年1月的数据 /share/fqdata10 solexa: 10年1月~10年2月的数据 /share/fqdata12 solexa: 10年2月~ filter_data流程，lane.lst 和lib.lst需要备份，生成的*.xls需要保存。 文档说明见附录一。 2 数据纠错 石仲斌的kmerfreq，unicorn merge等程序，其中kmer.lst，kmer.sh ，corr.lst和corr.sh等文件需要备份。 文档说明见附录二。 三 根据少量数据对基因组进行分析 1 基因组大小分析 文档说明见附录三。 2 基因组杂合率模拟 文档说明可参考附件中的ppt 3 基因组是否有细菌或其他基因组污染 参考/ifs1/GAG/assemble/chenyan/Algal/01.analysis/work.sh 四 组装（SOAPdenovo） 文档说明见附录四 五 基因组的soap比对分析 1 文库插入片段大小的校正 参考/nas/GAG_01C/chenyan/Penguin/03.soap/Insert/work.sh 2 如果有其他污染，soap比对去除污染 首先将过滤处理之后的数据与细菌基因组比对，然后去除与细菌基因组比对上的reads，再将过滤后的reads进行组装，做出GC-Depth分布图，找出其中的离群特异点，然后根据这些离群的scaffold序列去除一部分reads。 3 对于大片段文库数据，会有比较严重的小峰，需要去除小峰 参考/nas/GAG_01C/chenyan/Penguin/03.soap/Remove_small/work.sh 4 做基因组的GC-Depth分布图，查看是否有GC偏向性 /nas/GAG_01A/assembly/cucumber/03.soap/Cov2Depth/work2.sh 5 做基因组的单碱基分布图，看是否存在数据随机性不好的问题 参考/nas/GAG_01A/assembly/cucumber/03.soap/Cov2Depth/work.sh 六 基因组的组装版本的EST和BAC评价 1 EST评价 参考/nas/GAG_01A/assembly/hm_Ant/04.evaule/EST/work.sh 2 BAC评价 参考/nas/G