Сборка генома и поиск последовательностей

Для работы выбраны пекарские дрожжи Saccharomyces cerevisiae, штамм S288C. Английское название — baker’s yeast (также brewer’s yeast). Это эукариотический организм из царства грибов.

Использована референсная сборка R64 уровня Complete Genome с аннотацией SGD R64-5-1. Она доступна в GenBank и RefSeq.

Разница в размере составляет 85 779 п. н. — это длина митохондриального генома в RefSeq. Число 230 218 п. н. относится только к хромосоме I (BK006935.2).

Что означают N50 и L50

Для расчёта последовательности сортируют по убыванию длины. N50 — длина последовательности, на которой накопленная сумма впервые достигает не менее 50% общей длины сборки. L50 — минимальное число самых длинных последовательностей, необходимое для достижения этого порога.

Для GenBank половина длины сборки равна 6 035 663 п. н. Первые пять последовательностей дают 5 740 407 п. н., а первые шесть — 6 664 838 п. н. Длина шестой составляет 924 431 п. н. Следовательно, N50 = 924 431 п. н., L50 = 6. Хромосомы в этой сборке представлены без разрывов, поэтому показатели контигов и скаффолдов совпадают.

Для поиска выбран белок collagen — коллаген.

4.1. NCBI Nucleotide

collagen[Protein Name]

Открыть этот запрос в NCBI Nucleotide ↗

4.2. European Nucleotide Archive

4.3. Дополнительный поиск в DDBJ ARSA

В DDBJ ARSA слово collagen искалось в поле Definition. Для общего количества нуклеотидных записей исключены белковые записи (MolecularType:PRT).

4.4. Выбор

Для меня самой удобной оказалась система NCBI, так как у нее самый простой и понятный интерфейс.