基因组组装之前，有一些问题还是需要注意的，
- genome size是多少？
- 评估得到的genome heterozygosity是多少？
- 重复序列的占比是多少？
可以系统性地称为genome survey，这是一个非常简单的分析，但是其实有一些问题是值得注意的
Genome Survey一般基于Illumina short reads进行分析，因为二代测序便宜，先测出来试试水，
再判断三代的数据量，这应该算是一个非常经济实惠的做法。
分析流程
1）fastp、Trimmomatic等软件挑一个过滤低质量序列
2）Jellyfish 2.3.0、KMC3
我个人其实比较喜欢KMC，因为可以直接读取.gz文件（绝对不是因为之前KMC作者帮助我愉快地解决了一个Bug），但是解决jellyfish脚本的过程中也让我对Shell Kernel有了一个更深刻的理解。
3）Genome Scope 2.0、GCE等软件，挑一个进行genome size、heterozygosity等指标的估计
我个人比较熟悉的还是Genome Scope 2.0，因为这个软件可以用于判断auto-tetraploid和allo-tetraploid，
同时作者Michael C. Schatz的实验室还开发了FALCON~
fastp
vim fastp.sh
sh fastp.sh 2>fastp.err.log &
Shell script:
#!/bin/bash
# Preset
dir=<specicy_path_of_your_rawdata>
echo "The raw dataset is placed at $dir"
echo "Now running Quality control"
thread=24 # set 24 threads
quality=20 # set quality cutoff to 20 based on Phred33
#
fastp -w $thread -q $quality -i $dir/sample1.fq.gz -I $dir/sample2.fq.gz -o ./sample_clean_1.fq.gz -O ./sample_clean_2.fq.gz
Jellyfish: count k-mer
vim jellyfish.sh
chmod 777 jellyfish.sh # key step, otherwise the script below will report syntax error
./jellyfish.sh 2>jellyfish.err.log &
“哼男人，嘴上说着喜欢KMC，但是却用Jellyfish”，
Shell script:
# Preset
dir=<specicy_path_of_your_cleandata>
echo "The clean dataset is placed at $dir"
echo "Now running Jellyfish Kmercount"
# 17mer
echo "Now running 17mer counting"
content1="jellyfish count -C -m 17 -o ./sample.17mer.jf -s 10G -t 24 <(pigz -dc $dir/sample_clean_1.fq.gz) <(pigz -dc $dir/sample_clean_2.fq.gz)"
echo "The command is $content1"
jellyfish count \
-C \
-m 17 \
<( pigz -dc $dir/sample_clean_1.fq.gz ) <( pigz -dc $dir/sample_clean_2.fq.gz ) \
-o ./sample.17mer.jf -s 10G -t 24
# 21mer: recommanded by author
echo "Now running 21mer counting"
content2="jellyfish count -C -m 21 -o ./sample.21mer.jf -s 10G -t 24 <(pigz -dc $dir/sample_clean_1.fq.gz) <(pigz -dc $dir/sample_clean_2.fq.gz)"
echo "The command is $content2"
jellyfish count \
-C \
-m 21 \
<( pigz -dc $dir/sample_clean_1.fq.gz ) <( pigz -dc $dir/sample_clean_2.fq.gz ) \
-o ./sample.21mer.jf -s 10G -t 24
注意点：为什么要用chmod 777？
答：未经777赋予可执行权限的脚本，仍为shell脚本，需要指定bash或者sh来运行程序，即不可从jellyfish直接开始运行程序，
就好比原本的运行方式为bash <script_name>.sh，现在要修改成为./<script_name>.sh的运行方式，不然就会出现syntax errror
Jellyfish: k-mer spectrum generation
jellyfish histo -t 24 -l 1 -h 500000 sample.17mer.jf > sample.17mer.histo &
jellyfish histo -t 24 -l 1 -h 500000 sample.21mer.jf > sample.21mer.histo &
注意点：upper limitation的修改。
Genome Scope 2.0的分析需要将k-mer spectrum的upper limit设置得高一些，不然后续genome size估计塌缩比例会特别大。
Genome Scope 2.0 + Smudeplot
1）The estimation of genome size, heterozygosity, etc.
vim genomescope.sh
chmod 777 genomescope.sh
./genomescope.sh 2>genomescope.err.log &
Shell script:
script=<path_to_your_genomescope_repo>/genomescope.R
dir=<where_kmerspectrum_deposited>
Rscript $script -i <input_histo> -o ./ -n <outputname> -p <ploidy_level> -k <kmer_used>
2）Kmer-pair plot
这部分官网其实给出了比较好的流程，我就只是简单概括走一下，
dir=<specify_your_kmercount_database>
L=$(smudgeplot.py cutoff <histo_from_kmc> L)
U=$(smudgeplot.py cutoff <histo_from_kmc> U)
echo $L $U # these need to be sane values
# conda activate genomesurvey
kmc_tools transform $dir/<kmc_db> -ci"$L" -cx"$U" dump -s smudgeplot_kmc_db/<kmc_db>.kmc_L"$L"_U"$U".dump
# conda activate smudgeplot
smudgeplot.py hetkmers -o smudgeplot_kmercounts/<kmc_db>.kmc_L"$L"_U"$U" < smudgeplot_kmc_db/<kmc_db>.kmc_L"$L"_U"$U".dump
# Plot
smudgeplot.py plot <kmc_db>._L"$L"_U"$U"_coverages.tsv
结果示意图如下，Smudgeplot给出了最有可能的kmer pair情况，从而来判定倍性
基因组大小估计需要注意的点，
0）三代数据不适合用于Kmer分析，因为测序错误率高了很多，会对分析结果产生非常大的影响，
但是HiFi reads以及canu和falcon产生的corrected reads可以很好的适用于Genome Scope分析
1）jellyfish histo输出时指定的maximum kmer-freq，会极大地影响到genome size的估计，因此需要根据自己的数据进行调整，一般100000再往上也可
2）genonomescope.R的-p以及--kcov的设置，都会影响到genome size的估计
比如在genomescope2.0 model下，如果在输入数据和模型都已经定下来的基础上，将--kcov设置为原本的一倍，则genome size的大小估计会减半（此处感兴趣的，我建议还是自行搜索下基于kmer计算genome size的公式）
3）结果中的transformed_linear_plot和linear_plot有什么区别？
前者的observed曲线经过了一个转换，越往后的peak其峰值越大，即在原始的kmer freq上乘了一个n（n代表第n个peak），
后者的observed曲线为实际观测到的一个数值，没有经过上述转换
transformed linear：
linear plot：
4）Genome Scope 2.0分析时，如果将过多的kmer判定为了error，最终的genome size就会小了特别多（基于genome size的计算公式）
背后的原理
首先需要明确的一个点是：Genome Scope 是基于diploid进行编写的。
关于二倍体物种的基因组大小估计，如何理解。我想要举一个非常简单的例子来理解：
给个用kmer将genome给“划分”开的示意，
kmer: ---A--
--A---
-A----
A-----
genome: ---A-----------------------------------------------
假设当前的基因组非常纯合（-> homozygous, not -> heterozygous），kmer会在某一个频数上呈现一个峰值，
-
但是如果当前的基因组杂合度上升了，也就是我们一般在文献中看到的heterozygosity，kmer在另一个频数较小的区域，也会呈现一个峰值，也就是Genome Survey中提到的杂合峰
就比如下图中的T，是A对应的allele。该种情况的存在，会导致kmer出现另一种情况，从而降低了纯合峰的高度，比如下图的例子就表示了对应位置kmer的频数，从4降低到了2，
即可以将diploid的kmer topology理解为：aa，ab
kmer: ---A--
--A---
genome: ---A-----------------------------------------------
T
---T--
--T---
所以，为了满足polyploid的产生，Genome Scope 2.0被开发 —— 基于负二项分布的Kmer模型，用于估计genome size、heterozygosity等。
三倍体的kmer topolygy：aaa（3种haplotype均一致），aab（有1种haplotype和另外2个haplotype存在区别），abc（3种haplotype各不相同）
四倍体的kmer topology：aaaa，aaab，aabb，abcd
参考资料
[1] https://github.com/schatzlab/genomescope/issues/32
[2] https://github.com/schatzlab/genomescope/issues/43
[3] https://github.com/schatzlab/genomescope/issues/48
