reads k-mer scaffold 【知乎】

简单回答一下什么是scaffold。上边华中农大那个说的不算错，但是很模糊。read指的是直接测序得到的，目前普遍的二代测序是PE150，也就是双端各测150个碱基。这150个碱基是连续的，但是两个150之间的距离是不知道的，因为现在二代测序普遍建350bp的插入片段文库，所以测不通。由于350只是跑胶的时候的一个大概的范围，所以不能认为这两个150之间就一定是50个碱基，可能是48，也可能是52.这对重测序来说没有影响，但是denovo组装的时候，这个距离就比较麻烦了。

利用read之间的重叠区域，可以拼装出contig。具体算法确实很复杂，简单说，就是把这150bp的短read继续打断，叫K-mer。K是个数字，比如19。19-mer就是一个19个碱基的小的DNA片段。具体在组装的时候要用19-mer下的各个小片段去“碰”，看看哪两个小片段之间有18个碱基是重叠的，这样就拼成了一个20碱基的片段。（斜体部分我不太确定是不是这样，大概是，欢迎指正）。以此类推，各个小片段互相之间就可以再组装的更长一些。一般来说，组装的时候要试验不同的K值，看哪个K值下组装的效果最好。需要注意的是，contig是依靠片段之间序列重叠的部分来组装的。

scaffold直接翻译过来是脚手架。这个概念和“测末端”有关。简单地说，你测序的时候筛选到了20kb长的片段，但是一代和二代都测不通，只能测两端很短的序列。这时候你有了这个20kb的片段两端的序列，以及这两段序列之间的距离（20k）。利用这种位置关系，可以将这两端序列所在的contig联系起来，确定这俩contig之间的顺序和距离。利用这种组装方法得到的更高级别的（或者说更长）的片段，就是scaffold。scaffold是利用各种手段确定contig之间顺序和距离之后得到的组装结果。这些手段包括但不限于mate-pair文库、fosmid文库、遗传图谱、光学图谱、Hi-C。scaffold内部是有洞的（gap），原因是，测末端的时候中间测不到（如果测到了，就直接装成contig了。重复区域例外，测到了你也不知道重复了多少次，除非直接测通）。

纯三代测序应该是没有scaffold这个概念的，只有contig。