基因组组装学习笔记（一）
基因组组装的前期工作：需要掌握什么知识点？
1）基因组大小 / genome size：
一般有两种办法，使用流式细胞来估计，或者使用Illumina short reads，也就是基于Kmer的方法，对基因组大小进行估计，
但由于流式细胞需要考虑到用什么物种（e.g. 所选用的参考物种基因组大小是多少，也就对应相应的DNA C-value）等，就需要进行先攻的查询，
流式细胞相关资源：
- 真菌DNA C-value查询网站：http://www.zbi.ee/fungal-genomesize
- 植物DNA C-value查询网站：http://data.kew.org/cvalues
- 动物DNA C-value查询网站：http://www.genomesize.com
用一句话来总结的话，越大的genome，在相同的测序深度情况下，需要更多的测序量，才能达到对应的覆盖度（coverage，e.g. 99%）。
2）重复序列
当genome中的重复序列占比过高的话，又没有使用CLR测序，无法得到跨越重复序列的位置信息，
那就会出现片段化的组装结果（fragmented assembly），即出现多个contig不能够搭建到scaffold级别
所以，这就是为什么现在大家都在用PacBio、Nanopore的原（但是现在是2022年了，基因组时代已经过去了）
3）杂合度 / Heterozygosity
在不要求组装到subgenome、allele-aware级别的genome时，组装软件都是自动将“collapsed”的基因组草图给输出，即只输出一套，
但是在很多需要深究的科学问题上，比如Y染色体的拼接等，就需要使用一些特殊方法。
杂合度特别高，是一件好事，因为hifiasm直接组装出来两套，
杂合度特别低，也是一件好事，因为hifiasm直接组装出来一套
杂合度不高不低，是件坏事，因为组装结果不三不四
4）倍性
如果有可能的话，选择单倍体进行测序会比较好一些，比如基因组大小为26.3G的火炬松就是直接测的花粉，
微生物也就不用说了，都是haploid。
基因组组装的前期工作：Genome Survey
一些非常常规的东西，我不太想提，准备三两句话带过，
adapter removement
QC accessment
而在二代测序拼接的时候，虽然NovoSeq的量级很高，能够达到10millions~20 billions，乘数也特别高，
但是一些基于de Brujin graph的组装软件较为理想的参数还是在60-80×（“Identification of optimum sequencing depth especially for de novo genome assembly of small genomes using next generation sequencing data”
基因组大小评估怎么做？
fastp/Trimmomatic/trim_galore
Jellyfish/KMC
GCE/GenomeScope2
