高通量测序-全基因组从头测序de novo测序
细菌de novo测序
细菌de novo ，是基于高通量测序数据，对细菌基因组进行从头组装的方法。
基于组装结果，我们可以预测细菌基因组中所包含的基因，并通过功能数据库比对获得基因的功能信息。
根据不同组装精细程度的需求，我们提供细菌框架图、细菌精细图和细菌完成图三种策略，为您提供全面的细菌de novo解决方案。
技术参数参考文献[1] Liu F, Hu Y, Wang Q, et al . Comparative genomic analysis of Mycobacterium tuberculosis clinical isolates [J]. BMC genomics, 2014, 15(1): 469.[2] Salipante S J, Roach D J, Kitzman J O, et al . Large-scale genomic sequencing of extraintestinal pathogenic Escherichia coli strains [J]. Genome research,2014: gr. 180190.114.案例解析［案例一］ 结核分枝杆菌临床分离株的比较基因组学分析[1]结核分枝杆菌（Mycobacterium tuberculosis）是引起结核病的病原菌，特别是多重耐药和泛耐药结核分枝杆菌菌株的出现对结核病的防治产生了挑战。
本文通过对7 株抗性范围不同的临床菌株进行了全基因组测序，并与其他7 株来源不同的菌株进行了比较。
通过对抗性数据库注释发现了39 处耐药相关的变异，包括14 处先前报道过的位点以及25处新的位点，并发现了主要抗原变异来源PE-PPE-PGRS 基因的16 处InDel。
通过对SNP、InDel 及CRISPR结构的查找和注释发现，多重耐药菌株和泛耐药菌株间在基因组水平上并没有显著的差异，表明临床结核分枝杆菌的耐药性进化过程是十分复杂而多变的。
De novo测序
百泰派克生物科技
De novo测序
De novo测序，又称从头测序，是一项不依赖于任何已知或参考序列的测序技术，它利用生物信息学分析技术将序列片段进行拼接、组装以实现整个序列的鉴定，可用于未知基因组、转录组和蛋白质的全序列分析。
从头测序最重要、最关键的就是对已测得的小片段进行拼接、组装，如果在这个过程中发生拼接错误，那么将会导致整个测序结果不准确。
因此，在测序前将待测样品进行多重酶切以及对序列进行反向验证是保证片段全覆盖以及测序结果准确性的关键因素。
百泰派克生物科技采用高通量质谱平台提供快速准确的蛋白De novo测序服务，包括蛋白质、多肽、单克隆抗体从头测序以及蛋白突变检测等，还可提供定制化的序列分析服务，满足不同的实验需求，欢迎免费咨询。
全基因组从头测序(de novo测序)
全基因组从头测序(de novo测序)/view/351686f19e3143323968936a.html从头测序即de novo 测序，不需要任何参考序列资料即可对某个物种进行测序，用生物信息学分析方法进行拼接、组装，从而获得该物种的基因组序列图谱。
利用全基因组从头测序技术，可以获得动物、植物、细菌、真菌的全基因组序列，从而推进该物种的研究。
一个物种基因组序列图谱的完成，意味着这个物种学科和产业的新开端！这也将带动这个物种下游一系列研究的开展。
全基因组序列图谱完成后，可以构建该物种的基因组数据库，为该物种的后基因组学研究搭建一个高效的平台；为后续的基因挖掘、功能验证提供DNA序列信息。
华大科技利用新一代高通量测序技术，可以高效、低成本地完成所有物种的基因组序列图谱。
包括研究内容、案例、技术流程、技术参数等，摘自深圳华大科技网站/service-solutions/ngs/genomics/de-novo-sequencing/技术优势:高通量测序：效率高，成本低；高深度测序：准确率高；全球领先的基因组组装软件：采用华大基因研究院自主研发的SOAPdenovo软件；经验丰富：华大科技已经成功完成上百个物种的全基因组从头测序。
研究内容: 基因组组装■K-mer分析以及基因组大小估计；■基因组杂合模拟（出现杂合时使用）；■初步组装；■GC-Depth分布分析；■测序深度分析。
基因组注释■Repeat注释；■基因预测；■基因功能注释；■ncRNA注释。
动植物进化分析■基因家族鉴定（动物TreeFam；植物OrthoMCL）；■物种系统发育树构建；■物种分歧时间估算（需要标定时间信息）；■基因组共线性分析；■全基因组复制分析（动物WGAC；植物WGD）。
微生物高级分析■基因组圈图；■共线性分析；■基因家族分析；■CRISPR预测；■基因岛预测（毒力岛）；■前噬菌体预测；■分泌蛋白预测。
熊猫基因组图谱Nature. 2010.463:311-317.案例描述大熊猫有21对染色体，基因组大小2.4 Gb，重复序列含量36%，基因2万多个。
全基因组从头测序(de novo测序)
[3] Junjie Qin, Yujun Cui, et al. Open-Source Genomic Analysis of Shiga-Toxin–Producing E. coli O104:H4. N Engl J Med. 2011 Aug 25; 365(8): 718-24.
从头测序（de novo 测序）
从头测序即 de novo 测序，不需要任何参考序列资料即可对某个物种进行测序，用生物信息学分 析方法进行拼接、组装，从而获得该物种的基因组序列图谱。利用全基因组从头测序技术，可以获得 动物、植物、细菌、真菌的全基因组序列，从而推进该物种的研究。一个物种基因组序列图谱的完成， 意味着这个物种学科和产业的新开端！这也将带动这个物种下游一系列研究的开展。全基因组序列图 谱完成后，可以构建该物种的基因组数据库，为该物种的后基因组学研究搭建一个高效的平台；为后 续的基因挖掘、功能验证提供 DNA 序列信息。华大科技利用新一代高通量测序技术，可以高效、低 成本地完成所有物种的基因组序列图谱。
Medicine，NEJM）上在线发表。德国致病性大肠杆菌研究项目首次展示了快速的基因组测序
技术和及时的数据共享给全球各科研领域所带来的巨大贡献，证实了信息数据的快速共享在
公共卫生事件中可发挥至关重要的作用，同时也为应对全球重大突发性紧急公共卫生事件提
供了一个全新的解决思路。
德国肠出血性大肠杆菌项目进展时间轴
全基因组测序从头测序（denovosequencing）重测序（re
全基因组测序从头测序（denovosequencing）重测序（re展开全文全基因组测序全基因组测序分为从头测序(de novo sequencing)和重测序(re-sequencing)。
从头测序(de novo)不需要任何参考基因组信息即可对某个物种的基因组进行测序，利用生物信息学分析方法进行拼接、组装，获得该物种的基因组序列图谱，从而推进该物种的后续研究。
基因组重测序是对有参考基因组物种的不同个体进行的基因组测序，并在此基础上对个体或群体进行差异性分析。
基因组重测序主要用于辅助研究者发现单核苷酸多态性位点(SNPs)、拷贝数变异(CNV)、插入/缺失(Indel)等变异类型，以较低的价格将单个参考基因组信息扩增为生物群体的遗传特征。
全基因组重测序在人类疾病和动植物育种研究中广泛应用。
技术路线生物信息分析案例解析1.比较基因组分析采用progressiveMauve软件比对9株大肠杆菌O104:H4分离株的染色体序列，展示可移动遗传元件和基因组可变区域信息，利用核心SNP位点信息构建最大似然进化树揭示菌株间的亲缘关系。
2.重复序列分析采用从头预测和基于数据库比对的两种方法对纳塔尔大白蚁和湿木白蚁的基因组序列进行转座子(TEs)分析，利用RepeatModeler软件对两种方法的结果进行整合分析并构建转座子序列数据库，使用RepeatClassifier软件对转座子进行分类，计算两种白蚁基因组中转座子的序列变异速率，揭示基因组扩张的可能机制。
3.代谢通路重建根据限制性脱氯细菌(PER-K23)基因组注释信息，预测类咕啉的生物合成包含4种代谢途径。
4.基因进化分析利用117个单拷贝编码蛋白的基因序列构建Mollicutes、Haloplasma和Firmicutes菌株的最大似然物种进化树，揭示不同菌株基因组中mreB和fib基因的获得与丢失。
测序策略及数据量测序策略：PE125或PE150建议数据量：根据基因组大小进行30×或50×的测序。
微生物基因组denovo测序分析流程
#流程大放送#微生物基因组Denovo测序分析知因无限一介绍微生物基因组De novo测序分析也叫微生物基因组从头测序分析，指不依赖于任何参考序列信息就可对某个微生物进行分析的测序分析技术，用生物信息学的方法进行序列拼接获得该物种的基因组序列图谱，然后进行注释等后续一系列的分析。
微生物Denovo基因组测序及分析技术可以应用于医药卫生等领域。
二技术应用领域1、基因组图谱的系统性构建例子：过去几个月，肠病毒D68令数百名美国儿童患病。
华盛顿大学的研究人员测序和分析了肠病毒D68（EV-D68）的基因组，这一成果将发表在新一期的Emerging Infectious Diseases杂志上。
（Genome Sequence of Enterovirus D68 from St. Louis, Missouri, USA）肠病毒D68（EV-D68）能在儿童中引起严重的呼吸道疾病。
其基因组序列可以“帮助人们开发更好的诊断测试，”共同作者Gregory Storch说。
“有助于解释病毒感染为什么会造成严重的疾病，以及EV-D68为什么比过去传播得更广。
”（来自于生物通的报道）2、微生物致病性和耐药性位点检测及相关基因功能研究例子：根据分泌蛋白、毒力因子、致病岛、必需基因等结果去探讨所测物种致病性和耐药性。
3、微生物的比较基因组分析，确定各个近缘微生物中的系统发育关系二基本分析流程图三可能的结果展示图示例图1 微生物基因组的功能注释示例图2 微生物基因组的系统进化关系注：以上图片和文字来自参考文献21。
六参考文献[1] Hong-Bin Shen, and Kuo-Chen Chou, "Virus-mPLoc: a fusion classifier for viral protein subcellular location prediction by incorporating multiple sites", Journal of Biomolecular Structure & Dynamics, 2010, 28: 175-86.[2]Hong-Bin Shen and Kuo-Chen Chou, "Virus-PLoc: A fusion classifier for predicting the subcellular localization of viral proteins within host and virus-infected cells.", Biopolymers. 2007, 85, 233-240.[3] Ren Zhang and Yan Lin, (2009) DEG 5.0, a database of essential genes in both prokaryotes and eukaryotes. Nucleic Acids Research 37, D455-D458.[4] The CRISPRdb database and tools to display CRISPRs and to generate dictionaries of spacers and repeats. BMC Bioinformatics. 2007 May 23;8(1):172.[5] The Pfam protein families database: M. Punta, P.C. Coggill, R.Y. Eberhardt, J. Mistry, J. Tate,C. Boursnell, N. Pang, K. Forslund, G. Ceric, J. Clements, A. Heger, L. Holm, E.L.L. Sonnhammer, S.R. Eddy, A. Bateman, R.D. Finn Nucleic Acids Research (2014) Database Issue 42:D222-D230.[6] Clustal W and Clustal X version 2.0.(2007 Nov 01) Bioinformatics (Oxford, England) 23 (21) :2947-8.PMID: 17846036.[7] Felsenstein, J. 2004. PHYLIP (Phylogeny Inference Package) version 3.6. Distributed by the author. Department of Genome Sciences, University of Washington, Seattle.[8] Li et al (2010). De novo assembly of human genomes with massively parallel short readsequencing. Genome Res vol. 20 (2).[9] Li et al (2008). SOAP: short oligonucleotide alignment program. Bioinformatics Vol. 24 no.5 2008.[10] A.L. Delcher, D. Harmon, S. Kasif, O. White, and S.L. Salzberg (1999) Improved microbial gene identification with GLIMMER, Nucleic Acids Research 27:23 4636-4641.[11] S. Salzberg, A. Delcher, S. Kasif, and O. White (1998) Microbial gene identification using interpolated Markov models, Nucleic Acids Research 26:2, 544-548.[12] Delcher AL, Bratke KA Powe,rs EC，et al(2007). Identifying bacterial genes and endosymbiont DNA with Glimmer. Bioinformatics,23(6):673-679.[13]G. Benson(1999). Tandem repeats finder: a program to analyze DNA sequences. Nucleic Acids Research, Vol. 27, No. 2, pp. 573-580.[14] Kanehisa M, Goto S, Kawashima S, Okuno Y, Hattori M (2004). The KEGG resource for deciphering the genome. Nucleic Acids Res 32 (Database issue): D277–80.[15] Kanehisa M, Goto S, Hattori M, Aoki-Kinoshita KF, Itoh M, Kawashima S, et al. (2006). From genomics to chemical genomics: new developments in KEGG. Nucleic Acids Res 34(Database issue): D354–7.[16] Tatusov RL, Koonin EV, Lipman DJ(1997). A genomic perspective on protein families. Science. Oct 24;278(5338):631-7.[17] Tatusov RL, Fedorova ND et al.(2003). The COG database: an updated version includes eukaryotes. BMC Bioinformatics. Sep 11;4:41.[18] Magrane, M. and UniProt Consortium (2011) UniProt Knowledgebase: a hub of integrated protein data. Database (Oxford) , bar009.[19] Bard J, Winter R (2000). Gene Ontology：tool for the unification of biology. Nat Genet. 25:25-29.[20] ZODOBNOV．E．M，APWEILER．R．InterProScan—an intergration plaftorm forthe signature recognition methods in InterPro[J]．Bioinform atics，2001，17(9)：847-848．[21] Van den Bogert B1, Boekhorst J2, Herrmann R1, Smid EJ3, Zoetendal EG1, Kleerebezem M4. Comparative genomics analysis of Streptococcus isolates from the human small intestine reveals their adaptation to a highly dynamic ecosystem. PLoS One. 2013 Dec 30;8(12):e83418.。
高通量测序生物信息学分析(内部极品资料,初学者必看)
基因组测序基础知识㈠De Novo测序也叫从头测序，是首次对一个物种的基因组进行测序，用生物信息学的分析方法对测序所得序列进行组装，从而获得该物种的基因组序列图谱。
目前国际上通用的基因组De Novo测序方法有三种：1. 用Illumina Solexa GA IIx 测序仪直接测序；2. 用Roche GS FLX Titanium直接完成全基因组测序；3. 用ABI 3730 或Roche GS FLX Titanium测序，搭建骨架，再用Illumina Solexa GA IIx进行深度测序，完成基因组拼接。
采用De Novo测序有助于研究者了解未知物种的个体全基因组序列、鉴定新基因组中全部的结构和功能元件，并且将这些信息在基因组水平上进行集成和展示、可以预测新的功能基因及进行比较基因组学研究，为后续的相关研究奠定基础。
实验流程：公司服务内容1.基本服务：DNA样品检测；测序文库构建；高通量测序；数据基本分析（Base calling，去接头，去污染）；序列组装达到精细图标准2.定制服务：基因组注释及功能注释；比较基因组及分子进化分析，数据库搭建；基因组信息展示平台搭建1.基因组De Novo测序对DNA样品有什么要求？(1) 对于细菌真菌，样品来源一定要单一菌落无污染，否则会严重影响测序结果的质量。
基因组完整无降解(23 kb以上)， OD值在1.8～2.0 之间；样品浓度大于30 ng/μl；每次样品制备需要10 μg样品，如果需要多次制备样品，则需要样品总量=制备样品次数*10 μg。
(2) 对于植物，样品来源要求是黑暗无菌条件下培养的黄化苗或组培样品，最好为纯合或单倍体。
基因组完整无降解(23 kb以上)，OD值在1.8～2.0 之间；样品浓度大于30 ng/μl；样品总量不小于500 μg，详细要求参见项目合同附件。
(3) 对于动物，样品来源应选用肌肉，血等脂肪含量少的部位，同一个体取样，最好为纯合。
全基因组测序技术和重测序技术
全基因组测序技术和重测序技术全基因组测序技术和重测序技术是现代生物学领域中的两项重要技术，它们的出现和发展对于人类基因研究和生物医学领域的进展起到了重要的推动作用。
全基因组测序技术是指对一个生物体的全部基因组进行测序的技术。
在过去，由于测序技术的限制，只能对一小部分基因进行测序，而全基因组测序技术的出现，使得科学家们能够对整个基因组进行高通量的测序，从而更全面地了解生物体的基因组结构和功能。
全基因组测序技术的发展，不仅提供了大量的基因组数据，也为人类基因组计划等大规模基因组研究项目的实施提供了技术支持。
重测序技术是指对已经测序的基因组进行再次测序的技术。
由于全基因组测序技术的高通量和低成本，科学家们可以对同一个个体的基因组进行多次测序，从而获得更准确和可靠的基因组数据。
重测序技术的应用范围非常广泛，包括个体基因组的变异检测、疾病相关基因的筛查、基因组结构和功能的研究等。
通过重复测序，科学家们可以更好地理解基因组的变异和功能，为疾病的诊断和治疗提供更准确的依据。
全基因组测序技术和重测序技术的发展，对于人类基因研究和生物医学领域的进展带来了巨大的影响。
首先，全基因组测序技术的出现使得科学家们能够更全面地了解基因组的结构和功能，从而揭示了许多与疾病相关的基因变异和功能异常。
其次，重测序技术的应用使得基因组数据的准确性和可靠性得到了提高，为疾病的诊断和治疗提供了更可靠的依据。
此外，全基因组测序技术和重测序技术的发展也为个性化医学的实施提供了技术支持，使得医疗更加精准和个性化。
然而，全基因组测序技术和重测序技术的发展也面临着一些挑战和问题。
首先，由于全基因组测序技术的高通量和低成本，产生的基因组数据量巨大，对数据存储和分析能力提出了更高的要求。
其次，基因组数据的隐私和安全问题也需要引起重视，如何保护个体基因组数据的隐私和安全性是一个亟待解决的问题。
此外，全基因组测序技术和重测序技术的应用还需要进一步完善和标准化，以提高数据的可比性和可重复性。
动植物Denovo测序知识大讲解
动植物Denovo测序知识⼤讲解⾼通量测序的技术开起我们探索动植物基因组奥秘的步伐，提到动植物基因组测序，这就不得不提⼀个概念——de novo测序。
那么什么是de nove测序呢，它与重测序有什么区别呢？De nove测序中Read、Contig和Scaffold等⼜代表什么呢？De nove测序中为什么要建不同⼤⼩⽚段的梯度⽂库？基因注释⼜是注释哪些内容？各位客官别急，且听⼩编给您细细讲来。
1De novo测序概念De novo是⼀个拉丁⽂，代表从头开始的意思，⽽de nove测序则是指在不需要任何参考序列的情况下对某⼀物种进⾏基因组测序，然后将测得的序列进⾏拼接、组装，从⽽绘制该物种的全基因组序列图谱。
由于⾼通量测序长度的限制，⽬前测序策略是先将基因组打断⼩的⽚段，然后再对测出序列⽚段进⾏拼接，最终得到物种的序列图谱如图1所⽰。
图1 ⾼通量测序模式图2De novo测序与重测序区别重测序概念：重测序是全基因组重新测序的简称，是指是对已知基因组序列的物种进⾏不同个体的基因组测序，并在此基础上对个体或群体进⾏差异性分析。
从概念上来看两者的区别在于de nove测序是对没有参考基因组的物种进⾏测序，⽽重测序是对已有基因组的物种进⾏测序，这只是它们区别很⼩的⼀部分。
从原理上来看de nove测序和重测序最根本的区别在于de nove测序需要对测序得到的Reads进⾏拼接组装，⽽重测序得到的数据则是没有组装的短的Reads序列。
值得注意的是，随着测序成本的降低以及组装算法的改进,de nove测序成本越来越低，⽬前来说de nove测序不只对于没有参考基因组物种进⾏测序，还可以对⼀些特有的亚种、品种以及变种等进⾏测序。
3Reads Conting Scaffold概念Reads：即我们通常说的读长的意思，它是指⾼通量测序平台直接产⽣的DNA序列。
Contig：是指Reads基于Overlap关系，拼接获得的长的序列；Scaffold：是指将获得的Contig根据⼤⽚段⽂库的Pair-end关系，将Contig进⼀步组装成更长的序列；关于三者之间的关系如图2所⽰，注意的是Contig是⽆Gap的连续的DNA序列，⽽Scaffold是存在Gap的DNA序列。
高通量基因测序技术及数据分析
高通量基因测序技术及数据分析随着科学技术的不断进步，基因测序技术也取得了巨大的突破。
高通量基因测序技术（high-throughput sequencing technology）是一种快速、精确、高效的测序技术，它可以大大缩短测序时间，降低成本，从而在基因研究领域取得重大突破。
高通量基因测序技术的原理是将DNA或RNA样品分为微小的片段，并在高通量测序仪中进行并行测序。
这种技术通过同时测序多个DNA片段，极大地提高了测序效率。
高通量测序技术可以应用于各种领域，包括基因组学、转录组学、表观遗传学和蛋白质组学等。
高通量基因测序技术主要有以下几种：Illumina测序技术、Ion Torrent测序技术、PacBio测序技术和Oxford Nanopore测序技术。
其中，Illumina测序技术是最常用的高通量测序技术之一。
它基于桥式PCR和碱基按键扩增（SBG）技术，可以快速、高效地获得大量的测序数据。
高通量基因测序技术的应用广泛。
在基因组学研究中，高通量测序技术可以用于对物种的全基因组进行测序，帮助研究人员了解物种的遗传变异、进化历程和功能等。
在转录组学研究中，高通量测序技术可以实现对整个基因组的转录本进行测序，从而揭示基因的表达模式和调控网络。
在表观遗传学研究中，高通量测序技术可以用于DNA甲基化和组蛋白修饰的检测，从而深入了解表观遗传学在基因调控中的作用。
在蛋白质组学研究中，高通量测序技术可以用于蛋白质质谱的分析，帮助鉴定蛋白质的序列和修饰。
高通量基因测序技术的数据分析是测序研究的重要环节之一。
在高通量测序实验中，产生的大量数据需要进行存储、处理和分析。
数据分析的主要目标是从原始测序数据中提取有用的信息。
高通量基因测序数据分析包括数据预处理、序列比对、SNP和InDel检测、基因表达分析、功能注释等步骤。
首先，数据预处理是数据分析的第一步，用于去除测序数据中的低质量读取、接头序列和重复序列。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
华大科技官网/ 提供全基因组从头测序（de novo测序）常见测序问题解答。
全基因组从头测序
1. 如何保证组装的准确性？
答：通过构建不同长度的插入片段文库，并采用双末端测序以保证组装的准确性。
2. 植物基因组测序对样品取样有什么特殊要求？
答：要求对黑暗无菌条件下培养的黄化苗或组培样品取样；建议采用纯合体或单倍体材料。
3. 动物基因组测序对样品取样有什么特殊要求？
答：样品提取应选用肌肉、血液等脂肪含量较少的部位，并尽量选用同一个体进行取样。
如果物种体积较小，单个个体所提取的DNA 量不足一次测序反应，在保证量的情况下，应当尽量减少物种的个数，以减少个体差异性对后续拼接的影响。
样品建议采用纯合体材料。
4. 对于含有质粒的细菌的项目，如何进行分析？
答：项目分析可以分为下列4 种情况：
（1 ）如果质粒的基因组信息常重要，或对质粒组装要求很高，建议先将质粒从基因组中分离出来，然后用Sanger 法进行测序；
（2 ）如果关注点在基因组上，并且有基因组参考序列，可以通过比对参考序列将质粒去除。
但若质粒序列中存在与基因组序列相似的序列，则不能使质粒去除干净，并被组装到细菌基因组中；
（3 ）如果想提取总基因组DNA （包含质粒DNA ）进行测序，若有质粒参考序列，则可以将
map 到reference 的read 拿出来单独组装。
但若某些质粒内存在HGT ，则可能会导致这些新
获得序列信息的丢失；
（4 ）如果没有质粒参考序列，就相对比较难，可以根据质粒复制相关的基因等，定位出质粒所在的scaffold，再根据pair ‐end 关系，观察scaffold 两端是否能够环化，或者直接观察组
装好的scaffold 是否存在环化情况。
这样可能会漏掉较多质粒序列。
5. PCR ‐free 文库是什么？样品要求是什么？
答：PCR ‐free 文库是一个200bp 或者500bp 的小片段文库，即不需要经过PCR 扩增而获得的
文库。
一般的文库构建过程中有PCR 扩增这一步，而对于高GC或低GC的区域，在做PCR 时不容易扩增，导致在测序的过程中该区域覆盖度降低。
采用PCR ‐free 文库可以降低这种偏
差，从而提高该区域的覆盖度，改善组装结果。
构建PCR ‐free 文库对样品的要求：样品总量不低于15ug（最低10ug），浓度不低于30ng/ul，
OD280/260 为1.8‐2.0，无RNA 污染。
6. 真菌为什么要做survey ？
答：相对于细菌来说，真菌的基因组、质粒、样品等情况都很复杂。
目前，已经公布基因组序列的真菌物种很少，大多缺乏参考序列、基因组大小、GC含量、重复序列、质粒等信息。
然而，通过survey 可以大概知道这些情况，为后续测序、组装研究提供指导。
同时，真菌样品提取过程中容易受到污染，且这些污染往往只能在组装、比对之后才发现，从而使整个项目的质量受到影响（甚至无法进一步开展）。
为了有效避免这种风险，建议先采用survey 的方法，判断样品是否受到污染。