基于illumina测序数据，使用Jellyfish估计基因组大小

一、数据

① illumina测序数据：（细菌Staphylococcus aureus，基因组约3M，180bp文库，101PE测序，1294104条reads，测序碱基数据量约为130Mb，即基因组覆盖度45X。）

http://gage.cbcb.umd.edu/data/Staphylococcus_aureus/Data.original/frag_1.fastq.gz

http://gage.cbcb.umd.edu/data/Staphylococcus_aureus/Data.original/frag_2.fastq.gz

②  jellyfish 软件：（用来统计kmer频数。）

ftp://ftp.genome.umd.edu/pub/jellyfish/jellyfish-2.1.4.tar.gz

③jellyplot.pl软件：（用来画kmer图，以及估计基因组大小。）

https://github.com/josephryan/estimate_genome_size.pl

④fastx toolkit：（用来转换fastq和fasta格式文件。）

hannonlab.cshl.edu/fastx_toolkit/

 

——————

下面是实际运行代码：

cat frag_1.fastq frag_2.fastq > all.fastq
fastq_to_fasta -i all.fastq -o all.fasta
jellyfish count -m 17 -s 100M -t 10 -C all.fasta
jellyfish histo mer_counts.jf -o out.2.txt
jellyplot.pl out.2.txt
estimate_genome_size.pl -kmer 17 -peak 15 -fastq all.fastq.gz

 

结果：（预估基因组为7M，比实际大了一倍。可能是原始reads没有校正和过滤的原因。）
$ estimate_genome_size.pl -kmer 17 -peak 15 -fastq all.fastq.gz
# running version 0.04 of estimate_genome_size.pl
# run with this command: estimate_genome_size.pl

TOTAL_NTS: 131998608
Estimated Coverage: 17.7906976744186
Estimated Genome Size: 7419529.6

使用校正之后的数据，（使用quake.py进行校正http://gage.cbcb.umd.edu/data/Staphylococcus_aureus）

估计基因组大小为：

# running version 0.04 of estimate_genome_size.pl
# run with this command: /home/fenglei/perl5/bin/estimate_genome_size.pl

TOTAL_NTS: 59609610
Estimated Coverage: 15.3684210526316
Estimated Genome Size: 3878707.5

这次距离实际情况比较近。

 

 

===================

附：jellyfish 参数意义

jellyfish count -m 17 -s 100M -t 10 -C all.fasta

-m是kmer长度；

-s是预估哈希表的大小，即G+G*c*e*k。G是Genome Size；c是coverage（genome survey测序通常低于100x）；e是测序错误率（illumina为1%）；k是kmer大小。

-C表示考虑DNA正义与反义链，遇到反义kmer时，计入正义kmer频数中。

关于 FENG Lei

Bioinformatics

‹ 基因组组装软件评估

The Lander-Waterman model ›

发表在 Bioinformatics