Qu'est-ce que « Assemblage et annotation » ?

L’assemblage reconstitue un génome à partir de ses lectures par chevauchement : dans un graphe de chevauchement, chaque lecture est un sommet relié aux lectures qu’elle chevauche ; dans un graphe de de Bruijn, employé pour des milliards de lectures courtes, chaque $k$-mer (sous-séquence de longueur $k$) est un sommet et le génome est un chemin qui les parcourt. Les deux sont brisés par les répétitions plus longues que la lecture, qui donnent des chemins ramifiés. Les contigs sont ordonnés et orientés en échafaudages grâce aux lectures à extrémités appariées et à des informations à longue portée (longues lectures, cartes optiques, cartes de contacts chromosomiques), et les échafaudages sont placés sur les chromosomes. La qualité d’un assemblage se résume par le N50 : la longueur de contig telle que la moitié des bases assemblées se trouve dans des contigs au moins aussi longs. L’annotation cherche ensuite les gènes : chez les bactéries, les cadres de lecture ouverts plus longs que le hasard ne le veut ; chez les eucaryotes, en combinant des signaux de séquence (sites d’épissage, promoteurs, usage des codons), l’homologie avec des protéines connues et des transcrits séquencés à partir de l’ARN. Le résultat, pour une espèce, est un génome de référence sur lequel toute lecture ultérieure de cette espèce est alignée plutôt que réassemblée.