生物信息小知识

read ：（专业：）高通量测序时，在芯片上的每个反应都会读出相应的一条序列，是比较短的，叫read。

（理解：）reads是原始的数据；raw_reads是测出来的未被clean的reads；raw_reads（raw_data）经过clean之后就变成了clean_reads（clean_data）。

contig：（专业：）很多的reads通过重叠片段（overlap），能够组装成一个更大的片段，这个更大的片段就是contig。

（理解：）通过软件／或其他工具，把有overlap的reads整合到一起，形成的较长序列，就得到了（有 overlap的reads）的一个contig 。

scaffold：（专业：）（基因组de novo测序）通过reads拼接的到contigs之后，往往还需要构建paired-end库或Illumina Mate-pair库，以获得一定大小的片段（如：3kb、6kb等）两端的序列。基于这些序列，可以确定一些contig之间的顺序关系，这些先后顺序已知的contig就组成scaffold。

（理解：）借助于pairend的信息，将相关的（一对）sontigs连起来，中间未知的基因用N表示，这样的到的序列，成为scaffold。

Unigene：（专业：）即unique gene sequence collection——unigene是以自动化的方式，对于每一个新进入到genebank的序列，进行序列相似性的分析，如果可以找到可能来自于同一个基因的基因簇（cluster），则将此序列归入到这一个基因簇，如果找不到，则成立一个新的基因簇。

contig N50: （专业：）reads在拼接之后会获得一些不同长度的contigs。我们将所有的contig的长度相加，获得一个所有Contig的总长度。然后将所有的contig按照长度从大到小的顺序排列，得到contig_1,contig_2,contig_3...contig_n, 再将contig按照这个顺序依次相加，当相加的长度达到总长度的一半时，最后一个加上的contig的长度就是Contig N50 。

（理解：）如果contig1+contig2+contig3<1/2(contig总长)；但是contig1+contig2+contig3＋contig4>=1/2(contain总长)；那么contig4的长度就是contig N50 的值。

注意：

一个contain被组装出来之后，鉴定发现它是编码蛋白质的基因，就叫singleton；

多个contains组装成scaffold之后，鉴定发现它是编码蛋白质的基因，叫unigene；

一个unigene不一定代表一个contain，一个unigene可以有多个contigs。