¿Qué es Ensamblaje y anotación?

El ensamblaje reconstruye un genoma a partir de sus lecturas por solapamiento: en un grafo de solapamientos cada lectura es un nodo unido a las lecturas con las que se solapa; en un grafo de De Bruijn, usado para miles de millones de lecturas cortas, cada $k$-mero (subsecuencia de longitud $k$) es un nodo y el genoma es un camino a través de ellos. Las repeticiones más largas que la lectura rompen ambos, porque dan caminos ramificados. Los contigs se ordenan y se orientan en andamios mediante lecturas de extremos emparejados e información de largo alcance (lecturas largas, mapas ópticos, mapas de contacto cromosómico), y los andamios se colocan sobre los cromosomas. La calidad de un ensamblaje se resume en el N50: la longitud de contig tal que la mitad de las bases ensambladas están en contigs al menos así de largos. La anotación busca después los genes: en las bacterias, marcos de lectura abiertos más largos de lo esperable por azar; en los eucariotas, combinando señales de secuencia (sitios de corte, promotores, sesgo de codones), homología con proteínas conocidas y transcritos secuenciados a partir del ARN. El resultado, para una especie, es un genoma de referencia al que se alinea toda lectura posterior de esa especie en lugar de ensamblarla de nuevo.