基因组组装与注释
基因组组装与注释
# de Bruijn 图构建示意：k=3 def build_de_bruijn(seqs, k=3): graph = {} for s in seqs: for i in range(len(s) - k + 1): kmer = s[i:i + k] graph.setdefault(kmer[:k - 1], set()).add(kmer[1:]) return graph reads = ["ATGCGATG", "ATGATGCC", "GCCATTCG"] g = build_de_bruijn(reads, k=3) for pre, succ in sorted(g.items()): print(pre, "->", sorted(succ))
组装与注释是基因组学研究的入口，其结果直接用于下游的变异检测、比较基因组与功能基因组分析。参考基因组的质量决定了几乎所有下游分析的可靠性，因此理解组装图结构、k-mer 选择的含义以及 N50 等指标，能帮助分析者正确评估所用参考基因组并解读注释差异。流程上应优先使用成熟流程（如 MAKER、funannotate），并理解每一步输入的来源。
组装算法与注释流程
基因组组装把测序产生的海量短片段拼回完整基因组。基于重叠的组装先寻找 reads 之间的重叠关系构造重叠图；主流方法基于 de Bruijn 图，把序列切成固定长度的 k-mer 作为节点，用 k-mer 之间的后缀-前缀关系建立图结构，通过图中路径推断连续序列（contig），再利用双端 read 信息把 contig 连接成 scaffold。k 值的选择是灵敏度与分辨率的权衡：k 越大图越简单但对错误敏感。测序错误会产生分支和回路，需要复杂算法去除。
组装完成后是基因注释，任务是定位并描述基因组上的功能元件。结构注释利用从头预测（如 AUGUSTUS，基于隐马尔可夫模型）与同源证据（比对已知蛋白或转录本）相结合；功能注释则把预测基因与已知功能数据库比对，赋予名称与 GO 注释。组装质量评估常用 N50（覆盖一半组装长度的 contig 最小长度）、BUSCO 完整性等指标。对植物基因组等大基因组，长读长测序结合 Hi-C 辅助组装已成为标准路线。
# de Bruijn 图构建示意：k=3 def build_de_bruijn(seqs, k=3): graph = {} for s in seqs: for i in range(len(s) - k + 1): kmer = s[i:i + k] graph.setdefault(kmer[:k - 1], set()).add(kmer[1:]) return graph reads = ["ATGCGATG", "ATGATGCC", "GCCATTCG"] g = build_de_bruijn(reads, k=3) for pre, succ in sorted(g.items()): print(pre, "->", sorted(succ))
基因组组装的"拼图游戏"：从读长到基因组序列
基因组组装（genome assembly）是把海量短读长"拼接"成完整基因组序列的"拼图游戏"，其核心挑战与策略值得理解：组装的基本原理（重叠群（contig）——读长间的重叠（overlap）拼接成连续序列；支架（scaffold）——用配对信息（mate-pair）把 contig 连接为 scaffold——"从重叠到连接"）；组装策略（OLC（overlap-layout-consensus——长读长组装——三代测序）；de Bruijn 图（de Bruijn graph——短读长组装——把读长切为 k-mer、构建图、找路径——"短读长组装的图论方法"——SPAdes、Velvet）；以及"混合组装"（短读长（准确）+ 长读长（跨越重复区）——"长短结合"）；组装的"难点"：重复区域（重复序列（转座子、卫星 DNA）让组装"分叉"——"重复是组装的天敌"——长读长跨越重复、光学图谱/遗传图谱辅助）；以及"组装质量评估"（N50（覆盖一半基因组的 contig 长度）、BUSCO（完整性评估——保守基因是否完整））。
基因组注释（annotation）是组装之后的"解读"：基因预测（从头预测（ab initio——统计模型找基因结构）与同源预测（用已知基因/蛋白比对注释）——"同源 + 从头结合"）；功能注释（GO/KEGG/COG——预测基因的功能）；以及"结构注释"（外显子、内含子、启动子、UTR——基因结构的标注）。做一个"组装认知"练习：理解"为什么组装像拼图"（短读长是碎片、重复区域是"相同图案的拼图块"、长读长是"大块拼图"——"读长越长、组装越容易"）；理解"为什么基因组测序是'组装 + 注释'两步走"（先拼出序列（组装）、再解读功能（注释）——"序列是原材料，注释是解读"）。基因组组装与注释是"基因组学的基础设施"——从细菌基因组（数百万碱基、简单组装）到人类基因组（30 亿碱基、复杂重复——"端粒到端粒"（T2T）联盟 2022 年完成首个完整人类基因组）——组装技术的进步直接推动了基因组时代的到来。
回顾本节核心：组装（重叠/图论——重复区域的挑战）与注释（基因预测 + 功能注释）。基因组组装是"基因组学的拼图游戏"——从短读长到完整基因组，组装技术（尤其长读长）决定了基因组时代的步伐。
记住一句话：组装是"拼图"（重复是难点、长读长是解药）、注释是"解读"（预测 + 功能）——先拼出序列，再读懂功能。
从实践角度理解组装：做一个「小基因组组装」练习——用 SPAdes 组装一个细菌基因组（公开数据）——查看 N50、BUSCO 等质量指标——亲手组装一个基因组，让你直观理解「重叠、图、支架」这些抽象概念的实践含义；再做一个「注释」练习——用 Prokka 注释组装结果，查看基因数与功能分类——「从序列到基因列表」。