关于github:用kmer分析进行基因组调查六用KmerGenie一步实现

（全文约 1800 字）

【举荐】用 Smudgeplot 评估物种倍性后，用组合 jellyfish+GenomeScope1.0 做二倍体物种的基因组考察，用组合 KMC+GenomeScope2.0 做多倍体物种的基因组考察。

1. k-mer 进行基因组考察的软件

k-mer 进行基因组考察分为 k-mer 频数统计 和基因组特色评估 两步。

• KmerGenie 能够同时实现两步。第一步 k -mer 频数统计和第二步基因组特色评估。
• KmerGenie 第一步的后果可用于其他软件第二步基因组特色评估。
• KmerGenie 能够同时剖析多个预设的 k -mers，并选出一个最佳基因组组装 k -mer 值。

2. KmerGenie 简介

• KmerGenie 在 2014 年第一次发表，2018 年最近一次更新。开发用于基因组组装的参数 k 的最佳值的抉择。
• KmerGenie 官网：http://kmergenie.bx.psu.edu/。
• 官网蕴含软件的下载地址，示例报告，和版本更新记录。

3. KmerGenie 装置

在 KmerGenie 官网：http://kmergenie.bx.psu.edu/ 下载，目前最新版是 18 年更新的 1.7051。

装置前须要 python（>=2.7）和 R 反对，我用的 anaconda 的 python，装置运行实现后主动把 kmergenie 命令增加到了 /anaconda3/bin/ 上面，所以不必再次把 kmergenie 命令增加到环境变量了。

wget http://kmergenie.bx.psu.edu/kmergenie-1.7051.tar.gz
tar -xzvf kmergenie-1.7051.tar.gz
python setup.py install
kmergenie -h

4. KmerGenie 运行

1. 命令

kmergenie fastq_list.txt -o ./sample -l 17 -k 121 -s 10 -t 4 > sample.log1.txt 2> sample.log2.txt

• fastq_list.txt 文件保留着 fastq 文件的地位和文件名，每个文件一行。
• 默认单倍体模式，以 k -mer 长度 17 为起始，121 为终止，10 为距离逐个测试；程序运行线程数 4。
• 后果输入在以后门路下，以 sample 为后果文件前缀名。
• “sample.log1.txt”和“sample.log2.txt”别离为程序运行时的正确 / 谬误输入日志。

2. 参数
3. –diploid：应用二倍体模式，默认是单倍体模式（haploid）。
4. –one-pass：默认是两次评估（two passes），这个参数设置用来跳过在 2bp 分辨率上评估 k 的第二次评估。
5. -k 121：最大的 k -mer 值，默认是 121。
6. -l 15：最小的 k -mer 值，默认是 15。
7. -s 10：在最小和最大的 k -mer 值间的距离，默认是 10。意味着会进行 k =15,25,35…115,121 的剖析。
8. -e 200：程序运行内存，默认是每个线程 200MB。
9. -t 8：线程数。
10. -o histograms：输入文件的前缀，默认是 histograms。
11. –debug：开发者应用，输入 R 脚本。
12. –orig-hist：老程序的评估办法（更慢且准确性更低）。

5. KmerGenie 后果

1. 后果报告文件 sample_report.html

下载所有后果文件，关上 sample_report.html，报告内容包含：

• 结尾以折线图的模式展现出在每种长度 k -mer 下，估算的基因组大小。
• 同时给出了 最佳 k -mer抉择数值。其实就是将评估基因组总大小 最高 的那个 k -mer 值断定为 最佳 k -mer，为基因组组装时 k -mer 的抉择提供参考。
• 折线图的具体阐明，包含最佳 k -mer 的评估规定，以及当测序深度足够高时的 k -mer 抉择等。
• 每种 k -mer 的频数分布图，在基因组的 k -mer 中可依据该图断定基因组杂合度或反复序列比例。

2. 频数散布表 sample.histo
3. 包含各 k -mer 取值下的频数散布表 sample.histo 和对应的频数分布图 sample.histo.pdf。
4. 如果想用某个 k -mer 的频数散布表做 基因组特色评估，本人绘制频数分布图，能够应用 sample.histo 文件。
5. 所有 k -mer 取值评估的基因组大小记录在 sample.dat
6. 包含 sample.dat 和 sample.dat.pdf。

6. notes

1. 二倍体模式
2. 如果待测物种是低杂合低反复的简略基因组，则应用 单倍体模式。
3. 如果是简单基因组，应用 二倍体模式。
4. 如果不确定基因组简略还是简单，能够先用单倍体模式运行，依据后果中是否有 显著杂合峰 判断，再运行二倍体模式。
5. KmerGenie 软件默认将 k -mer 频数曲线的纵坐标进行了 log10 转化
   能够通过批改脚本来更改展现成果：
6. 在脚本 kmergenie-1.7051/scripts/plot_histogram.r 中第 110 行，suppressWarnings函数的参数 log='y' 设置的 log10 转化，能够通过去除 log='y' 参数来展现未 log10 转化的原始坐标。
7. 在脚本 kmergenie-1.7051/scripts/plot_histogram.r 中第 110 行，suppressWarnings函数的参数 covNormalized 改为 covNormalized[-c(1:5)] 来过滤掉 Abundance<5 的区域。
8. k-mer 取值
9. KmerGenie 软件是用于二代数据组装基因组举荐 k -mer 参数的。举荐的 最佳 k -mer是评估基因组最大的对应的 k -mer。
10. 在基因组组装时，k-mer 的取值 受测序深度的影响，若测序深度越高，可抉择更高的 k -mer 进行尝试组装，以失去更长更残缺的 contigs 序列。
11. 但若在低深度测序模式下应用较高的 k -mer 进行组装时，就会引入较高的 错误率。体现为 k -mer 频数散布曲线（纵坐标未进行 log10 转化的）的左侧因为测序谬误导致的低频 k -mer 数量未随着 k -mer 频数升高降落至最低即产生了回升趋势。
12. 用 KmerGenie 软件做基因组考察时，能够依据每个 k -mer 值的频数分布图后果抉择更为适合的 k -mer 值做 基因组特色评估。

7. references

1. KmerGenie website：http://kmergenie.bx.psu.edu/
2. KmerGenie paper：https://academic.oup.com/bioi…
3. http://blog.sciencenet.cn/blo…
4. https://www.jianshu.com/p/025…