测序文件中的reads、contig、scaffold

在高通量测序（High-Throughput Sequencing, HTS）中，reads、contig 和 scaffold 是基因组组装和分析中的重要概念，它们描述了不同层级的序列数据。以下是详细解释：

1. Reads（读段）

定义：
Reads 是测序仪生成的原始序列片段，通常是基因组测序的最基本单元。它们是从样本 DNA 中随机分布的片段中测序得到的，长度一般为几十到几百个碱基对，具体长度取决于测序平台。

特点：

• 短读长（Short Reads）：Illumina 平台一般为 50–300 bp。
• 长读长（Long Reads）：PacBio 或 Oxford Nanopore 可达数千到几万 bp。
• Reads 通常是原始数据，可能包含测序错误，需要质量控制和过滤。

用途：

• 用于基因组装的初始输入。
• 对比参考基因组以进行变异检测（如 SNP 和 INDEL）。

2. Contig（重叠群/拼接序列）

定义：
Contig 是通过将重叠的 reads 拼接起来生成的连续序列，是基因组组装的第一步结果。它们代表基因组中的一段连贯序列，通常没有包含未知碱基（N）。

特点：

• 连续且没有间隙（gap）。
• 长度取决于测序覆盖度和组装算法的性能。
• 数量多，长度短于 scaffold。

用途：

• 表示局部基因组片段。
• 用于进一步的 scaffold 构建。

3. Scaffold（框架序列/支架）

定义：
Scaffold 是在 contig 基础上，通过信息（如配对末端测序数据、物理图谱或 Hi-C 数据）将多个 contig 连接起来生成的更长序列。连接的 contig 之间可能包含未知碱基（N），表示组装时无法明确的间隙。

特点：

• 包含间隙（gap），用一串 N 表示。
• 长度更接近真实染色体长度。
• 能提供更高的基因组结构信息（如 contig 的排列和方向）。

用途：

• 构建接近完整的基因组序列。
• 为基因注释和基因组比较分析提供框架。

三者关系与层级

1. Reads： 测序的原始片段，最基础的数据。
2. Contig： 将重叠的 reads 组装成连续序列，表示局部基因组区域。
3. Scaffold： 通过结合额外信息（如配对末端 reads），将 contig 按顺序和方向连接起来，代表更大的基因组结构。

示例：

假设一个基因组片段的真实序列为：

ATCGGCTAAGCTTAGGCTTACGATCG

• 测序生成的 reads：

  Read 1: ATCGGCTAA
  Read 2: GCTAAGCTT
  Read 3: AGGCTTACG
  Read 4: TTACGATCG
  

• 拼接成 contig：

  Contig 1: ATCGGCTAAGCTTAGGCTTACGATCG
  

• 如果组装过程存在不确定区域，可能得到 scaffold：

  Scaffold 1: ATCGGCTAAGCTTNNNNNNNNNNTACGATCG
  

实际应用中的思考

• 如果测序数据量足够且组装算法强大，contig 和 scaffold 的长度可以接近染色体级别。
• 使用额外的实验数据（如 Hi-C 或光学图谱），可以进一步将 scaffold 提升为染色体级别的组装。

通过理解这三个概念，可以更好地理解基因组组装过程和数据处理的不同阶段。