基因组大小

去NCBI（http://www.ncbi.nlm.nih.gov/）上输入你的细菌名字，然后search就出来新页面，如果你的细菌基因组已登录NCBI，那你就会在这个新页面找到它，单击打开它，就会看到它的基因组核苷酸序列。

因为X染色体和Y染色体上的基因不同，所以20+X+Y才是一个物种的完整基因组。这道题的答案先不告诉你，请仔细思考，如不明白请追问。哪里不明白请追问，满意请采纳，希望对你有帮助。

C value paradox是指基因组大小和生物的复杂性之间的关系。从低等生物，如微生物，到高等生物，如人类，随着基因组复杂性的增加，基因组的大小也呈现增加的趋势。但是后来发现在生物复杂性相似的物种中，基因组大小可以相差非常大。例如，植物中拟南芥只有100多个Mb，而和同为高等植物的百合基因组大小可以相差100倍。造成矛盾的原因现在基本认为是倍性和重复序列的多少造成的。如果满意请采纳。谢谢支持！

不可以。根据基因组的大小或基因的数量来判断生物体的复杂程度。基因组是指一个生物体内所有遗传信息的总和，人是自然界进化的最复杂的动物，人的基因组最大，但人的基因数量并不是最多的。他们之间可能有关系，但并不能直接用来判断。一些研究人员曾经预测人类约有14万个基因，但最终科学家将人类基因总数定在3万左右，不超过4万，只是线虫或果蝇基因数量的两倍，人有而鼠没有的基因只有300个。如此少的基因数目，却能产生如此复杂的功能，说明基因组的大小和基因的数量在生命进化上可能不具有特别重大的意义；也说明人类的基因较其他生物体而言，更有强大的作用，人类某些基因的功能和控制蛋白质产生的能力与其他生物的不同。

约为12Mb。只有6种染色体，比其他复杂生物要小得多，不能通过性繁殖来遗传，在基因组上的冗余减少，使基因组相对较小。毕赤酵母是一种古老的啤酒酵母，常用于甜食和发酵制作中，具有12000多种基因，可控制这种原核真菌的多种功能，基因组包含碳水化合物代谢、信号转导、细胞壁和酶的合成，以及酿酒工艺中的众多酵素的合成。

果蝇是4对染色体 共有1万至1.5万个基因，

1900bp。鸭子基因组是由八个外显子和七个内含子组成，大小是1900bp。鸭，雁形目鸭科（Anatidae）鸭亚科（Anatinae）水禽的统称，或称真鸭。物种简介全国三大名鸭：高邮鸭、北京鸭、绍兴鸭。

1Mb=1,000,000bp1、M是millone的缩写，源于意大利早期意大利百万富翁（millone）（意大利语里米尔），来自米勒（mille），再加上“suffix-one”的后缀one，就形成了millone，通常缩写为m或M。2、碱基对（bp）：一对相互匹配的碱基（即A—T，G—C，A—U相互作用）被氢键连接起来。常被用来衡量DNA和RNA的长度（尽管RNA是单链）。还与核苷酸互换使用，尽管后者是由一个五碳糖、磷酸和一个碱基组成。扩展资料1、kb是DNA的一个常用的长度单位，指某段DNA分子中含有一千个碱基对，英文全称为Kilobase(kb)，即千碱基对。生物学上描述DNA常用的kb、nt、bp表示。1kb=1000bp2、碱基对的意义：形成DNA、RNA单体以及编码遗传信息的化学结构。组成碱基对的碱基包括A、G、T、C、U。严格地说，碱基对是一对相互匹配的碱基(即A：T，G：C，A：U相互作用)被氢键连接起来。3、染色体是由脱氧核糖核酸、蛋白质和少量核糖核酸组成的线状或棒状物，是生物主要遗传物质的载体。在细胞间期核中，以染色质丝形式存在。在细胞分裂时。染色质丝经过螺旋化、折叠、包装成为染色体，为显微镜下可见的具不同形状的小体。参考资料来源：百度百科-KB参考资料来源：百度百科-碱基对参考资料来源：百度百科-百万

1、分析得知：全部人类基因组约有2.91Gbp，约有39000多个基因；平均的基因大小有27kbp；其中G+C含量偏低，仅占38%，而2号染色体中G+C的含量最多；到目前仍有9%的碱基对序列未被确定，19号染色体是含基因最丰富的染色体，而13号染色体含基因量最少等等（具体信息可参见cmbi特别报道：生命科学的重大进展）。2、目前已经发现和定位了26000多个功能基因，其中尚有42%的基因尚不知道功能，在已知基因中酶占10.28%，核酸酶占7.5%，信号传导占12.2%，转录因子占6.0%，信号分子占1.2%，受体分子占5.3%，选择性调节分子占3.2%，等。发现并了解这些功能基因的作用对于基因功能和新药的筛选都具有重要的意义。3、基因数量少得惊人：一些研究人员曾经预测人类约有14万个基因，但Celera公司将人类基因总数定在2.6383万到3.9114万个之间，不超过40,000，只是线虫或果蝇基因数量的两倍，人有而鼠没有的基因只有300个。如此少的基因数目，而能产生如此复杂的功能，说明基因组的大小和基因的数量在生命进化上可能不具有特别重大的意义，也说明人类的基因较其他生物体更"有效"，人类某些基因的功能和控制蛋白质产生的能力与其他生物的不同。这将对我们目前的许多观念产生重大的挑战，它为后基因组时代中生物医学的发展提供新的非凡的机遇。但由于基因剪切，EST数据库的重复以及一些技术和方法上的误差，将来亦可能人类的基因数会多于4万。4、人类单核苷酸多态性的比例约为1/1250bp，不同人群仅有140万个核苷酸差异，人与人之间99.99％的基因密码是相同的。并且发现，来自不同人种的人比来自同一人种的人在基因上更为相似。在整个基因组序列中，人与人之间的变异仅为万分之一，从而说明人类不同“种属”之间并没有本质上的区别。5、人类基因组中存在"热点"和大片"荒漠"。在染色体上有基因成簇密集分布的区域，也有大片的区域只有“无用DNA”——不包含或含有极少基因的成分。基因组上大约有1／4的区域没有基因的片段。在所有的DNA中，只有1%-1.5%DNA能编码蛋白，在人类基因组中98%以上序列都是所谓的“无用DNA”，分布着300多万个长片断重复序列。这些重复的“无用”序列，决不是无用的，它一定蕴含着人类基因的新功能和奥秘，包含着人类演化和差异的信息。经典分子生物学认为一个基因只能表达一种蛋白质，而人体中存在着非常复杂繁多的蛋白质，提示一个基因可以编码多种蛋白质，蛋白质比基因具有更为重要的意义6、男性的基因突变率是女性的两倍，而且大部分人类遗传疾病是在Y染色体上进行的。所以，可能男性在人类的遗传中起着更重要的作用。7、人类基因组中大约有200多个基因是来自于插入人类祖先基因组的细菌基因。这种插入基因在无脊椎动物是很罕见的，说明是在人类进化晚期才插入我们基因组的。可能是在我们人类的免疫防御系统建立起来前，寄生于机体中的细菌在共生过程中发生了与人类基因组的基因交换。8、发现了大约一百四十万个单核苷酸多态性，并进行了精确的定位，初步确定了30多种致病基因。随着进一步分析，我们不仅可以确定遗传病、肿瘤、心血管病、糖尿病等危害人类生命健康最严重疾病的致病基因，寻找出个体化的防治药物和方法，同时对进一步了解人类的进化产生重大的作用。9、人类基因组编码的全套蛋白质（蛋白质组）比无脊椎动物编码的蛋白质组更复杂。人类和其他脊椎动物重排了已有蛋白质的结构域，形成了新的结构。也就是说人类的进化和特征不仅靠产生全新的蛋白质，更重要的是要靠重排和扩展已有的蛋白质，以实现蛋白质种类和功能的多样性。有人推测一个基因平均可以编码2-10种蛋白质，以适应人类复杂的功能。

细胞大小：细胞大小与基因组大小成正比环境选择压力限制细胞大小，进而限制基因组大小

番茄基因组大小为799.09Mb。中国农业大学园艺学院研究组利用多种新测序技术和优化的组装算法，获得了精准度高、序列完整番茄基因组大小为799.09Mb。

硅藻是一类单细胞的海洋硅质浮游植物，其基因组大小因不同的物种而异。已经测定的硅藻基因组大小范围较广，从22Mb到106Mb不等。以下是一些典型硅藻基因组的大小：1、假海鞘：34Mb。2、三角褐指藻：27Mb。3、中肋骨条藻：42.8Mb。4、隐小环藻：23.9Mb。5、硅壳果：214Mb。

基因组的大小与生物的复杂程度是否有关系基因组大小（size of genome）是指单倍体细胞核中的所含的DNA的总量.在可以进行基因组测序之前,生物学家是用质量来衡量不同生物之间基因组的大小.通常使用的单位为pg（10e-12）,这个值简称为C-value.通过简单的换算就可以知道大概的碱基的数量.不过,对于已经测序的基因组,直接数数就可以了,如 vihole所述.不过对于目前测序的基因组还是很少,估计在1千左右,而现存物种按照最保守的估计也有200万种（Ref 1）,因此C-value在估计基因含量和生物复杂度方面还是有非常大的应用潜力.

酿酒酵母 12Mb ＝ 1.2X10^7bp有16条染色体

细菌基因组的变化很大，基因组大小从几百kb（千碱基对）到十几个Mb（兆碱基对），其变化幅度超过了20倍,以下是几种细菌基因组的大小： 分类 基因组大小范围（Kb） 真细菌 650-13200 革兰氏阴性菌 650-7800 革兰氏阳性菌 1600-11600 兰细菌 3100-13200 枝原体 650-1800 古细菌 1600-4100 但在我们的实验中，一般也只能提取得到20-30Kb左右大小,可能是DNA太长容易断裂；以下的文献列举了12种真细菌和4种古细菌的16个完整基因组的大小，供参考 。 http://www.scienceinchina.com/zk/zc/0001/zc0099.htm

在国际单位制词头中,大写M代表Mega,即一百万（10的6次方） . b是指base或base pair,即碱基或碱基对.所以,1Mb是一百万个碱基对.

基因组大小（英语：Genome size）是指一个基因组中所拥有的DNA含量，一般以重量计算，单位通常是皮克（10-12克），写成pg；有时也用道耳顿；或是以核苷酸碱基对的数量表示，单位为百万计，写成Mb或Mbp。1pg等于978Mb。

基因组大小（sizeofgenome）是指单倍体细胞核中的所含的DNA的总量。在可以进行基因组测序之前，生物学家是用质量来衡量不同生物之间基因组的大小。通常使用的单位为pg（10e-12），这个值简称为C-value。通过简单的换算就可以知道大概的碱基的数量。不过，对于已经测序的基因组，直接数数就可以了，如vihole所述。不过对于目前测序的基因组还是很少，估计在1千左右，而现存物种按照最保守的估计也有200万种（Ref1），因此C-value在估计基因含量和生物复杂度方面还是有非常大的应用潜力。关于动物的基因组含量可以在Animalgenomesize网站查到：Ref1：/releases/2003/05/030526103731.htm

GenomeScope 是2017年发表在 bioinformatic 的一个工具，这个工具的目的就是处理一些高复杂度的基因组，比如说高杂合度或者基因组非常大的物种。GenomeScope只能预测二倍体基因组，GenomeScope 2.0可以预测多倍体物种。 安装 在软件的安装目录下， genomescopre.R 文件是核心的运行脚本，用法如下 可选参数： 　　- i input histogram_file (from KMC or jellyfish) ，如jellyfish软件产生的kmer频数分布数据 　　- o output_dir 　　- k kmer length used to calculate kmer spectra [default 21] ; 必选参数： 　　- p PLOIDY, --ploidy PLOIDY ploidy (1, 2, 3, 4, 5, or 6) for model to use [default 2] ; 　　- m MAX_KMERCOV, --max_kmercov MAX_KMERCOV optional maximum kmer coverage threshold (kmers with coverage greater than max_kmercov are ignored by the model) ; 　　- n NAME_PREFIX, --name_prefix NAME_PREFIX optional name_prefix for output files ; 　　- l LAMBDA, --lambda LAMBDA, --kcov LAMBDA, --kmercov LAMBDA optional initial kmercov estimate for model to use ; 示例： 在运行过程中，终端会输出如下信息 het 表示杂合度，为1.65%； len 表示基因组大小，为376M左右。 输出目录output_p3文件列表如下 通常关注summary.txt, transformed_linear_plot.png这2个文件。 内容如下： 在该文件中，会给出杂合度，基因组大小，重复片段长度等详细信息。 结果分为三列： 有疑问，可以对照模型进行检验。 K-mer覆盖度-频数分布图如下： kcov指的是杂合峰的覆盖度。可以看到使用数据预测K-mer最低深度峰在18.4X处。 一般情况下杂合度大于1%就会存在一个高于主峰的杂合峰。 基因组越大，杂合度也大，重复片段越大，该物种的组装难度就越大。 讨论： 　　基因组预测大小和参数 Max kmer coverage 密切相关。GenomeScope默认会过滤掉出现10,000次以上的kmers，避免细胞器基因组的影响，如果你觉得基因组小了，那么就把数值调整的大一点。 基因组survey介绍了如何通过jellyfish统计k-mer然后绘制k-mer分布图研究基因组的方法。 对于不同的基因组杂合度，kmer分布如下 https://github.com/tbenavi1/genomescope2.0

Gallus gallus（原鸡）33条染色体 1,074.96 X10的六次方个碱基 17,529个基因 16,868个蛋白

前两天Cell上发表了目前已经组装出来的最大的物种的基因组的大小，是40G，一种鱼类。 那么，有没有什么网站是可以看到所有的已经测序且组装过的物种的基因组的大小的排序呢？ 答案当然是：有！ 是在NCBI上Genome下的基于BioProject的一个功能，可以根据自己的需要选择排序的顺序，比如基因组的大小、物种的名字、物种所属的属等。非常的方便！ 直接放网站： https://www.ncbi.nlm.nih.gov/genome/browse/#!/overview/ PS：物种基因组大小（genome size）和已经组装的基因组大小（assembled genome size）是不一样的哦，措词需要严谨。在我们中文翻译到英文的时候，有时候会不注意这些细节问题。所以说还是要多看多写，才能发现错误的地方~！

无论是手工提取还是用试剂盒提取，比如promega，Qiagen等等，基因组在提取过程中都不可能完整，根据提取方式不同，提取的DNA片段一般在15k-30k之间。

Gallus gallus（原鸡）33条染色体 1,074.96 X10的六次方个碱基 17,529个基因 16,868个蛋白

不测序没法知道基因组大小的.不能体外培养,可以考虑将其插入已知基因组的质粒中培养,再测序.拿到基因组测序图,后面问题就都解决了.

基因组大小约为1.21Gb（千兆碱基对）。四角蛤蜊（scientificname：Sinonovaculaconstricta）是一种常见的贝类，这一数据来源于2021年发表在《MolecularEcologyResources》杂志上的一篇研究论文，该研究利用IlluminaHiSeqXTen测序技术对四角蛤蜊的基因组进行了测序，并对其基因组大小进行了估算。

1Mb=1,000,000bp1、M是millone的缩写，源于意大利早期意大利百万富翁（millone）（意大利语里米尔），来自米勒（mille），再加上“suffix -one”的后缀one，就形成了millone，通常缩写为m或M。2、碱基对（bp）：一对相互匹配的碱基（即A—T， G—C，A—U相互作用）被氢键连接起来。常被用来衡量DNA和RNA的长度（尽管RNA是单链）。还与核苷酸互换使用，尽管后者是由一个五碳糖、磷酸和一个碱基组成。扩展资料1、kb是DNA的一个常用的长度单位，指某段DNA分子中含有一千个碱基对，英文全称为Kilobase(kb)，即千碱基对。生物学上描述DNA常用的kb、nt、bp 表示。1kb=1000bp2、碱基对的意义：形成DNA、RNA单体以及编码遗传信息的化学结构。组成碱基对的碱基包括A、G、T、C、U。严格地说，碱基对是一对相互匹配的碱基(即A：T，G：C，A：U相互作用)被氢键连接起来。3、染色体是由脱氧核糖核酸、蛋白质和少量核糖核酸组成的线状或棒状物，是生物主要遗传物质的载体。在细胞间期核中，以染色质丝形式存在。在细胞分裂时。染色质丝经过螺旋化、折叠、包装成为染色体，为显微镜下可见的具不同形状的小体。参考资料来源：百度百科-KB参考资料来源：百度百科-碱基对参考资料来源：百度百科-百万

3G个序列，每个序列需要两位二进制数表示，所以总共6Gb，由位与字的换算相差8，总共算下来大约750MB。也就是只需要一张光盘，就可以记录一个人的生命所有遗传信息。还有，男人比女人要长一点，准确数值是男人734MB，女人720MB。

基因组大小（Genomesize）是指一个基因组中所拥有的DNA含量，一般以重量计算，单位通常是皮克(10-12克)，写成pg，有时也用道耳吞，或是以核苷酸碱基对的数量表示，单位为百万计，写成Mb或Mbp。不测序没法知道基因组大小的。不能体外培养，可以考虑将其插入已知基因组的质粒中培养，再测序。拿到基因组测序图，后面问题就都解决了。

原先一直以为测序的bp和byte是等价的，原来对fastq来说，其实：利用(公式要怎么换行啊？) 如果测序reads总量4,000,000，average read length为150bp，基因组大小是50M，估算基因组coverage/depth大小？ 应该是， 总长 4,000,000x150 bp=600,000,000 bp /4=150,000,000 BT=150M 但其实fastq格式储存的数据大小要比实际的数据量虚高一些，所以实际的fastq文件要大。 coverage=测序数据大小150M/基因组大小50M = 3 熟知单位换算对预测测序结果提前估量有一定的帮助，当测序结果未达到要求时，可以合理要求测序公司对不符合的样本重新上机测序。有关问题欢迎一起来探讨啊 Base vs Byte: Estimating the storage requirement of sequencing - SEQOME

b是bp 的简写,全称是base pair,就是碱基对 1000b=1kb 1000kb=1Mb 1000Mb=1Gb 因此是大约10的9次方,十亿这个数量级. 人类基因组的大小一共是三十亿个碱基对.

玉米基因组大小为2.8 pg·(1C)-1。因为Nature Genetics 在线发表了由华中农业大学严建兵团队主导，华大基因等单位参与的玉米基因组研究成果发布了玉米的基因组，所以玉米基因组大小为2.8 pg·(1C)-1。该项研究首先以一个热带小粒玉米品种SK为材料，应用Pacbio测序技术、Bionano Genomics双酶切光学图谱、10X Genomics和二代测序数据，组装得到迄今为止质量最好的玉米参考基因组，大小为2.32Gb, contig N50达到15.78Mb，注释获得了43,271个基因。玉米的价值玉米中的维生素含量非常高，是稻米、小麦的5-10倍，在所有主食中，玉米的营养价值和保健作用是最高的。玉米中含有的核黄素等高营养物质，对人体是十分有益的。值得注意的是，特种玉米的营养价值要高于普通玉米，鲜玉米的水分、活性物、维生素等各种营养成分也比老玉米高很多。据本草纲目记载玉蜀黍种出西土，甘平无毒，能调中开胃。玉米的花粉、胚芽中还含有大量的维生素E和玉米黄酮，经常食用玉米制品可延缓人体衰老，增强人的体力和耐力。玉米果糖浆能防止牙龈出血，对心血管疾病的治疗具有辅助功效。

基因测序是一种新型基因检测技术，能够从血液或唾液中分析测定基因全序列，预测罹患多种疾病的可能性，个体的行为特征及行为合理，如癌症或白血病，运动天赋，酒量等。基因测序相关产品和技术已由实验室研究演变到临床使用，可以说基因测序技术，是下一个改变世界的技术。基因组大小（size of genome）是指单倍体细胞核中的所含的DNA的总量.在可以进行基因组测序之前,生物学家是用质量来衡量不同生物之间基因组的大小.通常使用的单位为pg（10e-12）,这个值简称为C-value.通过简单的换算就可以知道大概的碱基的数量.不过,对于已经测序的基因组,直接数数就可以了,如 vihole所述.不过对于目前测序的基因组还是很少,估计在1千左右,而现存物种按照最保守的估计也有200万种（Ref 1）,因此C-value在估计基因含量和生物复杂度方面还是有非常大的应用潜力.

b是bp 的简写，全称是base pair，就是碱基对 1000b=1kb1000kb=1Mb1000Mb=1Gb因此是大约10的9次方，十亿这个数量级。人类基因组的大小一共是三十亿个碱基对。 希望能够帮到你~望采纳~谢谢~

401.8Mbp。无花果是桑科、榕属植物，落叶灌木或小乔木，基因组大小是401.8Mbp。在分子生物学和遗传学领域，基因组是指生物体所有遗传物质的总和，这些遗传物质包括DNA或RNA（病毒RNA）。

799.09Mb。中国农业大学园艺学院研究组利用多种新测序技术和优化的组装算法，采用PacBioHiFi和Hi-C技术对多毛番茄（LA0407品系）和加拉帕戈斯番茄（LA0317品系）进行全基因组测序，获得了精准度高、序列完整番茄基因组大小为799.09Mb。在分子生物学和遗传学领域，基因组是指生物体所有遗传物质的总和。

细菌基因组的变化很大，基因组大小从几百kb（千碱基对）到十几个Mb（兆碱基对），其变化幅度超过了20倍,以下是几种细菌基因组的大小：分类基因组大小范围（Kb）真细菌650-13200革兰氏阴性菌650-7800革兰氏阳性菌1600-11600兰细菌3100-13200枝原体650-1800古细菌1600-4100但在我们的实验中，一般也只能提取得到20-30Kb左右大小,可能是DNA太长容易断裂；以下的文献列举了12种真细菌和4种古细菌的16个完整基因组的大小，供参考。http://www.scienceinchina.com/zk/zc/0001/zc0099.htm

GenomeScope 是2017年发表在 bioinformatic 的一个工具，这个工具的目的就是处理一些高复杂度的基因组，比如说高杂合度或者基因组非常大的物种。GenomeScope只能预测二倍体基因组，GenomeScope 2.0可以预测多倍体物种。 安装 在软件的安装目录下， genomescopre.R 文件是核心的运行脚本，用法如下 可选参数： 　　- i input histogram_file (from KMC or jellyfish) ，如jellyfish软件产生的kmer频数分布数据 　　- o output_dir 　　- k kmer length used to calculate kmer spectra [default 21] ; 必选参数： 　　- p PLOIDY, --ploidy PLOIDY ploidy (1, 2, 3, 4, 5, or 6) for model to use [default 2] ; 　　- m MAX_KMERCOV, --max_kmercov MAX_KMERCOV optional maximum kmer coverage threshold (kmers with coverage greater than max_kmercov are ignored by the model) ; 　　- n NAME_PREFIX, --name_prefix NAME_PREFIX optional name_prefix for output files ; 　　- l LAMBDA, --lambda LAMBDA, --kcov LAMBDA, --kmercov LAMBDA optional initial kmercov estimate for model to use ; 示例： 在运行过程中，终端会输出如下信息 het 表示杂合度，为1.65%； len 表示基因组大小，为376M左右。 输出目录output_p3文件列表如下 通常关注summary.txt, transformed_linear_plot.png这2个文件。 内容如下： 在该文件中，会给出杂合度，基因组大小，重复片段长度等详细信息。 结果分为三列： 有疑问，可以对照模型进行检验。 K-mer覆盖度-频数分布图如下： kcov指的是杂合峰的覆盖度。可以看到使用数据预测K-mer最低深度峰在18.4X处。 一般情况下杂合度大于1%就会存在一个高于主峰的杂合峰。 基因组越大，杂合度也大，重复片段越大，该物种的组装难度就越大。 讨论： 　　基因组预测大小和参数 Max kmer coverage 密切相关。GenomeScope默认会过滤掉出现10,000次以上的kmers，避免细胞器基因组的影响，如果你觉得基因组小了，那么就把数值调整的大一点。 基因组survey介绍了如何通过jellyfish统计k-mer然后绘制k-mer分布图研究基因组的方法。 对于不同的基因组杂合度，kmer分布如下 https://github.com/tbenavi1/genomescope2.0

C value paradox是指基因组大小和生物的复杂性之间的关系。从低等生物，如微生物，到高等生物，如人类，随着基因组复杂性的增加，基因组的大小也呈现增加的趋势。但是后来发现在生物复杂性相似的物种中，基因组大小可以相差非常大。例如，植物中拟南芥只有100多个Mb，而和同为高等植物的百合基因组大小可以相差100倍。造成矛盾的原因现在基本认为是倍性和重复序列的多少造成的。如果满意请采纳。谢谢支持!

全部人类基因组约有2.91Gbp，约有39000多个基因；平均的基因大小有27kbp目前已经发现和定位了26000多个功能基因，其中尚有42%的基因尚不知道功能基因数量少得惊人：一些研究人员曾经预测人类约有14万个基因，但Celera公司将人类基因总数定在2.6383万到3.9114万个之间，不超过40,000，只是线虫或果蝇基因数量的两倍，人有而鼠没有的基因只有300个。如此少的基因数目，而能产生如此复杂的功能，说明基因组的大小和基因的数量在生命进化上可能不具有特别重大的意义，也说明人类的基因较其他生物体更"有效"，人类某些基因的功能和控制蛋白质产生的能力与其他生物的不同。

Gallusgallus（原鸡）33条染色体1,074.96X10的六次方个碱基17,529个基因16,868个蛋白

大小约为13,000mb。蚕豆为一年生或越年生草本，隶属于豆科、巢菜属，蚕豆种，其染色体组成为同源二倍体(2n＝12)。

180至220Mbp。中蜂是一种重要的农业蜜蜂，在研究其基因组的过程中，科学家们发现中蜂的基因组大小是180至220Mbp。

ALLPATHS-LG的使用一、ALLPATH简介ALLPATHS-LG是一个基因组组装软件，适合于组装short reads数据，由Computational Research and Development group at the Broad Institute开发。ALLPATHS-LG是现在行业内公认进行基因组De novo组装效果最好的软件。二. 基础注意事项1. 不能只使用一个library数据进行组装； 2. 必须有一个"overlapping"的片段文库的paired-reads数据。比如，reads长度~ 100bp，插入片段库长度~180bp; 3. 必须有jumping library数据； 4. 基因组组装需要100x或以上基因组覆盖度的碱基，这个覆盖度是指raw reads数据(在 error correction和filtering之前)的覆盖度； 5. 可以使用PacBio数据； 6. 不能使用454数据和Torrent数据。主要是这两者测序太贵，如果什么时候价格降低，有 需求的话，会写出相应的代码来满足要求； 7. 官方提供了测试用数据； 8. 不支持在整个计算机集群上进行运算； 9. 需要消耗的内存峰值大约是1.7bytes每个碱基，即输入10G的碱基数据量，大约需要17 G内存； 10. 对于试探性的参数，比如K，原则上可以调整。但是我们不会自行调整，并也不推荐。AL LPATHS-LG不像其它De novo一样，Kmer大小的参数K和read大小之间没有直接的联系， ALLPATHS-LG会在运行过程中运用一系列的K值。三. ALLPATHS-LG使用方法1. 基础的使用方法和命令使用RunAllPathsLG这个命令来运行。虽然有很多参数，但是在没有指导的情况下不要随意使用，使用默认设置即可。其使用方法为：$ RunAllPathsLG arg1=value1 arg2=value2 ...参数主要是设置程序辨别的一些目录，在程序的运行过程，会输入相应目录中的数据，将结果输入到指定的目录。一个简单的命令使用例子：#!/bin/sh # ALLPATHS-LG needs 100 MB of stack space. In "csh" run "limit stacksize 100000". ulimit -s 100000 # ALLPATHS-LG命令的写法与一般的linux参数写法不是很一样。采用 ‘参数=值" 的方法，并使之成每行一个参数，使用""来连接各个参数，这样看起来直观易懂。初始接触的人可能会不适应。 RunAllPathsLG PRE=$PWD REFERENCE_NAME=species.genome DATA_SUBDIR=data RUN=run SUBDIR=test EVALUATION=STANDARD TARGETS=standard OVERWRITE=True MAXPAR=8 | tee -a assemble.out2. 详细的参数说明必须的参数 PRE (String) 程序运行的根目录，所有的其它目录全在该目录下REFERENCE_NAME (String) 参考基因组目录名称，位于PRE目录下。如果有一个参考基因组，可将参考基因组放到该 目录中；若没有，则创建该文件夹用于基因组组装DATA_SUBDIR (String) DATA子目录名称，位于REFERENCE_NAME目录下。程序从该目录中读取数据。 RUN (String) 运行目录名称，位于DATA_SUBDIR下。程序将生成的中间文件和结果文件存储于该目录 。比如组装结果是一个名为ASSEMBLES的目录，位于该目录下。 部分可选参数： SUBDIR (String) default: test 子目录名，在REF/DATA/RUN/ASSEMBLIES目录下创建的存放基因组组装结果的目录 名。 K (int) default: 96 核心Kmer大小，只有K=96能很好地运行。 EVALUATION (String: {NONE,BASIC,STANDARD,FULL,CHEAT})default:BASIC 给定一个参考基因组，pipeline能在基因组组装的不同阶段对组装过程和结果进行评估。 BASIC:基础评估，不需要参考基因组； STANDARD:使用参考基因组来运行评估模块； FULL:在某些组装模块下打开in-place评估，不会影响组装结果； CHEAT:稍微使用参考基因组指导组装，产生更详细的分析，能对组装结果产生小的(好方 向的)改变。REFERENCE_FASTA (String) default: REF/genome.fasta 评估中使用的参考基因组。 MAXPAR (int) default: 1 有些模块的运行是独立的，不相互依赖，能同时运行。该参数设定能同时运行的模块的最 大数目。由于pipeline中的绝大部分模块都能多线程运行，因此将该值设定大于1，效果不明 显。 THREADS (String) default: max 有些模块能多线程程运行，默认使用最大线程数运行。 OVERWRITE (Bool) default: False 是否覆盖存在的文件。可以设置该选项为True，在每次运行程序的时候设定RUN参数为 一个新的目录名，则比较好。 TARGETS (vec) default: standard pipeline会生成一系列的文件，不同的文件的生成需要call不同的模块。如果某文件 已经存在了并且是最新的，则跳过相应的模块的运行。本参数指定生成哪些拟定的目标文件(p seudo targets)。若目标文件没有相应的模块能生成，则会得到报错。 none:没有拟定的目标文件，仅仅生成指定的目标文件； standard:生成组装文件和选定的评估文件； full_eval:生成组装文件和额外的评估文件。TARGETS_REF (String) 在ref_dir目录中生成的目标文件。 多个目标文件的书写方法为： TARGETS_REF="{target1,target2,target3}" 。 TARGETS_DATA (String) 在data目录中生成的目标文件。 TARGETS_RUN (String) 在run目录中生成的目标文件。 TARGETS_SUBDIR (String) 在subdir中生成的目标文件。FORCE_TARGETS (Bool) default: False 生成目标文件，即使文件已经存在并且看起来是很新的。3. 输入文件与目录的准备两个文库：插入片段长度为180bp和3000bp，illumina测序文件结果为fastq格式。以此为例来准备ALLPATHS-LG运行所需的文件和目录。(1) 准备 in_groups.csv 和 in_libs.csv 文件。这两个文件内容由逗号隔开，in_groups.csv文件内容如下：group_name, library_name, file_name firest, Illumina_180bp, seq/species_500bp_read?.fastq second, Illumina_3000bp, seq/species_3000bp_read?.fastqin_groups.csv文件的解释：group_name:数据独特的代号,每一份数据有一个代号； library_name:数据所属文库的名字，体现出该； filename:数据文件所存放位置。可以为相对位置，文件名可以包含"*"和"?"(但是扩展名 中不能有该符号，因为要根据扩展名识别文件类型)，从而代表paired数据。支持的文件类型有 ".bam","fasta","fa","fastq","fq","fastq.gz"和"fq.gz"。in_libs.csv文件内容如下：library_name, project_name, organism_name, type, paired, frag_size, frag_stddev, insert_size, insert_stddev, read_orientation, genomic_start, genomic_end Illumina_180bp, species, species.genome, fragment, 1, 180, 10, , , inward, 0, 0 Illumina_3000bp, species, species.genome, jumping, 1, , , 3000, 500, outward, 0, 0in_libs.csv文件的解释：library_name:和in_groups.csv中的相匹配； project_name:project的名字； organism_name:测序物种的名字； type:仅仅只是一个信息； paired:0:Unpaired reads;1:paired reads; frag_size:小片段文库插入片段长度的均值； frag_stddev:小片段文库的插入片段长度估算的标准偏差； insert_size:大片段文库插入片段长度的均值； insert_stddev:大片段文库插入片段长度估算的标准偏差； read_orientation:reads的方向，小片段文库为inward，大片段文库为outward； genomic_start:reads从该位置开始，读入数据，如果不为0，之前的碱基都被剪掉； genomic_end:reads从该位置开始，停止读入数据，如果不为0，之后的碱基都被剪掉。(2) 使用PrepareAllPathsInputs.pl来对数据进行转换ALLPATHS-LG接受的输入数据要求如下：1. ALLPATHS-LG的输入数据支持小片段文库(fragment library)、大片段文库(jum ping library)和超大片段文库(long jumping library)。并且前两种文库至少各有 一个才能进行基因组组装。超大片段文库是只插入片段>20kb的文库，其测序方向和小片段文 库一致，为inward。 2. ALLPATHS-LG的输入数据放置在//文件夹下，包含3种文件：碱基文件，质量文件和配 对信息文件 frag_reads_orig.fastb frag_reads_orig.qualb frag_reads_orig.pairs jump_reads_orig.fastb jump_reads_orig.qualb jump_reads_orig.pairs 以下是可选的超大插入片段文库对应的数据文件（非必须）： long_jump_reads_orig.fastb long_jump_reads_orig.qualb long_jump_reads_orig.pairs使用PrepareAllPathsInputs.pl来将fastq等格式的测序结果转换成ALLPATHS-LG可接受的文件。以下是该程序的参数：DATA_DIR 将转换后的数据文件放到此文件夹下。 PICARD_TOOLS_DIR 若输入数据为bam格式，则需要用到Picard软件，该参数Picard的路径 IN_GROUPS_CSV 输入的in_groups.csv文件名 IN_LIBS_CSV 输入的in_libs.csv文件名INCLUDE_NON_PF_READS default: 1 1:包含non-PF reads；0:仅仅只包含PF reads. PHRED_64 default: 0 0:碱基质量是ASCII的33到126，一般情况下Illumina数据的最低碱基质量是"B"; 1:碱基质量的ASCII码是从64到126，一般情况下Illumina数据的最低碱基质量是"#"。 PLOIDY 生成ploidy文件。该文件就包含一个数字 1 或者 2 。1表示基因组为单倍体型，2表 示双倍体型。 HOSTS 列出平行forking的host主机(这些主机必须要能无密码直接ssh连上)。比如“2,3. host2,4.host3"表示使用本地机器的2个CPU线程，host2机器的3个CPU线程和host3机 器的4个CPU线程。 以下是不常用的参数，主要用来选择转换的数据量的大小。当测序数据量太多，而只想使用其 中一部分数据的时候，可以用到 FRAG_FRAC 使用小片段库reads的比例。比如 30% 或 0.3 。如果设定了此值，则不能同时设定 FRAG_COVERAGE。 JUMP_FRAC 使用大片段库reads的比例。比如 20% 或 0.2 。如果设定了此值，则不能同时设定 JUMP_COVERAGE。 LONG_JUMP_FRAC 使用超大片段库reads的比例。 比如 90% 或 0.9 。如果设定了此值，则不能同时 设定LONG_JUMP_COVERAGE。 GENOME_SIZE 估计的基因组大小，用来计算对应覆盖度所对应的reads数 FRAG_COVERAGE 所期望的小片度库的覆盖度，比如 45. 要求GENOME_SIZE有设定 JUMP_COVERAGE 所期望的大片度库的覆盖度，比如 45. 要求GENOME_SIZE有设定 LONG_JUMP_COVERAGE 所期望的超大片度库的覆盖度，比如 1. 要求GENOME_SIZE有设定