Wat is Assemblage en annotatie?

De assemblage reconstrueert een genoom uit zijn reads via overlap: in een overlapgraaf is elke read een knoop, verbonden met de reads die hij overlapt; in een De Bruijn-graaf, gebruikt voor miljarden korte reads, is elke $k$-meer (deelsequentie van lengte $k$) een knoop en is het genoom een pad erdoorheen. Beide worden gebroken door herhalingen die langer zijn dan de read, die vertakkende paden geven. Contigs worden door gepaarde reads en informatie over grote afstand (lange reads, optische kaarten, kaarten van chromosoomcontacten) geordend en gericht tot scaffolds, en de scaffolds worden op de chromosomen geplaatst. De kwaliteit van een assemblage wordt samengevat door de N50: de contiglengte waarvoor de helft van de geassembleerde basen in contigs van minstens die lengte ligt. De annotatie zoekt daarna de genen: bij bacteriën open leesramen die langer zijn dan het toeval geeft; bij eukaryoten door sequentiesignalen (splitsplaatsen, promotoren, codonvoorkeur), homologie met bekende eiwitten en uit RNA gesequencede transcripten te combineren. Het resultaat is voor een soort een referentiegenoom waartegen elke latere read van die soort wordt uitgelijnd in plaats van opnieuw geassembleerd.