基因组序列拼接

2.转化为Euler Path问题
EULER是这类算法的代表。与传统方 法沿着“Overlap—Layout—Consensus” 路线不同，它不计算各个read之间的 Overlap，即没有Overlap步骤。
它的大致想法如下： 为了排除read中的错误，获得ErrorFree的read，将所有的read切割成小片nmers。
拼接算法评价
以上拼接问题的四个难点不仅极大的增 加了解决实际拼接问题的难度，而且从某种 程度上说无法完整地恢复出原始DNA序列来。 即实际上仅能构建出若干个contig(重建的 fragments的一种排列形式，它覆盖基因组 上一段连续区域)这些contig将指导测序项目 finishing阶段的实验方法最终构建DNA完整 序列。
基因组序列拼接
序列拼接
序列拼接任务即将测序生成的reads短 片段拼接起来，恢复出原始的序列。该问 题是序列分析的最基本任务，是基因组研 究成功与失败的关键，拼接结果直接影响 到序列标注，基因预测、基因组比较等后 续任务。 基因组序列的拼接也是基因组研究必须 解决的首要难题。其困难不仅来自它的海 量数据(以人类基因组序列为例，从数量为 10兆级的片断恢复出长度为亿级的原始序 列)，而且源于它含有高度重复的序列。
他们都是遵循“overlap-layoutconsensus”的框架。首先，为了构建图。计 算任意两个read间可能的比对情况。其次， 通过去除歧义的或者不确信的边得到较为准 确的图，并在其上寻找非交叉的简单路的集 合，该集合对应于contig的集合。最终，通过 对包含在一个简单路上的所有read进行多序 列比对，为每一个contig构建一个一致性序列 (consensus sequence)。
1.转化为Hamilton Path问题
每个DNA片段(read)相当于图中一个结 点，如果两个片段之间存在着重叠(overlap) 关系，则在两个结点之间定义一条边，而沿 着DNA原始序列从头到尾，则必然经过每个 结点一次且仅一次，即是一条Hamilton路径。 一条contig表示图中一条简单路，此类算法 以Phrap，百度文库IGR Assembler，CAP3， GigAssemble等为代表。
3．序列所在链不确定 由于测序过程中无法确定特定片断属于DNA 双链中的哪一条链上，所以我们在拼接过程中并 不清楚使用的是read的正义链，还是其互补链。
4．重复序列的干扰 DNA序列自身含有高度重复的子序列，它们 一种表现为短序列的串级重复，比如：(GGAA)n。 或AmTn等。另一种表现为大量相似序列(其拷贝数 可达几十万)散布在基因组的各个地方。Repeat 的存在，将导致fragments间overlap的不真实性， 进而产生错拼的结果。因此在拼接过程中耍确定 这些序列的形式及大小，才能保证以高概率恢复 出其在原始真实序列中的位置．
现有算法的主要问题
虽然已经开发了以上的算法，基因组 序列拼接问题尚未彻底解决，以上两类算 法都存在着各自的缺陷。
对于第一类算法来说，实际上是在图中寻找 一条使得评价函数值最优的Hamilton路径，这是 一个NP完全问题。 一般都采用greedy-merging的算法近似求解。 由于这种step-by-step的局部贪心算法，其明显 的局部特性忽略了reads间“长距离”或者整体 性的联系，从而导致了拼接错误，即拼接结果和 真实的DNA原始序列不同。最近研究指出，在对 已知序列的流行性感冒嗜血杆菌基因组的拼接过 程中，无论是Phrap，TIGR Assembler，还是 CAP3，都发生了拼接错误的现象。
将每个read和Gk的近似进行比对，寻 求read的最小改变能够使得read的所有nmers包含在Gk的近似集合中。从而构建了 高质量序列，而对于Poor read，直接抛弃， 对Chimeric read(两端在n-mers中但整体不 在的reads)进行特殊处理。
初始的想法是要实现去除reads中的 测序错误的目的，如果知道原始序列G， 那么直接使用测序获得的read和G进行比 较即可。 但是实际上G并不可知，那么退而求 其次， G的序列片断Gk亦可，事实上Gk亦 不可知。所以将所有的read切割成小片nmers，所有Solid的n-mers形成的集合称 为Gk的近似。最后，构造De Bruijn图。
2．不完全覆盖性 不是所有的碱基被测序的次数都等于 平均测序覆盖度。极端的情况，可能会出 现源基因组序列上部分区域未被测序的情 况(这段区域称为gap)。即，测序的reads 集合不是原始基因组序列一个完整覆盖。 此时需要借助于各种图谱如：基因组指纹 图谱(genome fingerprint map)， 基因组级 物理图谱(genome-wide physical map)，细 胞发生图谱(cytogenetic maps)等协助对 reads进行定位．
拼接问题的难点
DNA测序数据有其固有的四个的特点， 他们也正是解决实际的序列拼接问题的难点 所在： 1．测序有误差 2．不完全覆盖性 3．序列所在链不确定 4．重复序列的干扰
1．测序有误差
由于测序技术的局限，难免会出现测序 错误，尤其是在序列的末端，一般错误率 可控制在1％以下。所以对每个碱基一般有 一个正确概率，以质量打分的形式给出。 因此每个ri都有个可信度。而read与read之 间有不同程度的重叠，由此导致有的重叠 可信度高，有的重叠可信度低。
目前，国际上对拼接软件的公认评价 标准包括两方面，即重建出的contig的数目 和准确度。我们发展的基因组序列拼接新 算法的目标是在确保准确性的前提下，构 建尽量少的contig，以减少测序后期大量的 人力和财力的投入。
基因组序列拼接算法研究现状
现在最常用的拼接程序使用的拼接算 法可分成两类，一类是将拼接问题转化为 在图中寻找的Hamilton路径的问题；另一 类是将拼接问题在某种特殊情况下转化成 寻求图中的Euler路径的问题。他们均有其 成功的典型算法。