本文转载自 生信技能树 论坛特约作者Mint 的 MaSuRCA assembler 软件指导书，非常符合我博客的风格，也正式开启了我博客的转载之路。(前面的近400篇文章都是本人原创，手打，但是精力有限，以后文章更新频率会大大降低，但是会引入不少 技能树论坛特约作者的 好文！)
有了三代测序技术的火爆，各种利用PacBio 长reads来做大型基因组的de novo 组装和改进的软件纷纷上架。其中有用于长Reads的，比如Falcon, 是PacBio自家的二倍体分层基因组组装工具；长短reads混双的,比如pacBioToCA；还有填补gap的PBJelly. 给了这么多个支点，是不是感觉可以轻松撬动地球上任何物种基因组了。呵呵呵，等您亲自下手去拼装了，就会发现，测序深度，特定读长的reads数目，服务器的能力等等，都会提醒你现实的骨感和梦想的丰满。请各位搬好板凳备好瓜，听我来扒一扒最近用MaSuRCA这个混双基因组乐高软件拼装基因组的那些事儿。
MaSuRCA是马里兰大学写的大型基因组组装软件，官方预告说Sanger, 454, Pacbio and Nanopore等长reads都可以和illumina短reads掺着用，听起来感觉棒棒哒。到底好不好用，先来扒一扒原理。
首先，用错误率低的illumina短reads来搭建较长的super-reads, 组成一个15-mer的备用数据库；然后，以错误率高的PacBio 长reads作为模板，使用备用数据库中的super-reads进行比对，super-reads 连接并且延长，组成更长的pre-mega-reads,不连续的super-reads将会被丢弃; 最后，从pre-mega-reads中挑选出最终需要的mega-reads，用来组装基因组。听起来是不是比拼206块人骨容易多了？没听明白还在懵逼的科科们，快醒醒奥运会都结束了，赶紧去瞅瞅下图。
搞清楚了原理，下面进入实战，请各位玩家先投币：
1） 下载软件：http://www.genome.umd.edu/masurca.html 请根据系统选择版本MaSuRCA-X.X.X-Y.tar.gz
2） 装 ./install.sh 自读readme。伸手党玩家GAME OVER，请返回上级，继续投币。
3） 组装super-reads：
/install_path/bin/masurca-superreads\
/data/illumina_1.fq : /data/illumina_2.fq
切记！！请输入原始illumina数据。多原始？任何trim, clean,error correction都会恶化组装。 简言之，欲练此功，必须素颜全裸！否则走火入魔！原来这是三代测序界的玉女心经，就欣赏这种古墓派设置嘿嘿嘿～ 在此提醒各位，使用下载数据有风险，本人不止一次发现下载的数据是赝品，乍一看完美，想在里面挖到宝就呵呵了。一并在此墙裂呼吁学术诚信。本人此次100%纯手工自产数据，对你没看错这是赤果果的炫富～
4）组装：
mkdir test #自建目录
cd test
/install_path/bin/masurca -g config.txt
5）设置参数：在生成的config.txt中 :
DATA:
PE=pe 180 20 /FULL_PATH/frag_1.fastq /FULL_PATH/frag_2.fastq # paired end reads，180是library insert average length ，20 是standard deviation，具体情况自行更改
JUMP=sh 3600 200 /FULL_PATH/short_1.fastq /FULL_PATH/short_2.fastq ＃其他illumina 数据，比如jumping，DiTag，mate pair 等
PACBIO=/FULL_PATH/pacbio.fa ＃PacBio长reads
OTHER=/FULL_PATH/file.frg ＃可以是454, Sanger 等长reads
END
PARAMETERS:
#必选参数
NUM_THREADS=16 #cores数目
JF_SIZE=2000000000 #设定为基因大小的10倍
#非必选参数
USE_LINKING_MATES=1 ＃若大于2X长reads, 此处设0.
GRAPH_KMER_SIZE=auto ＃最安全的设置
LIMIT_JUMP_COVERAGE=60 ＃最小的细菌设置，真核生物上限可设为300
CA_PARAMETERS= ovlMerSize=30 cgwErrorRate=0.25 ovlMemory=4GB ＃细菌设定，其他物种改为0.15
SOAP_ASSEMBLY=0; ＃要是不想用SOAPdenovo2想用CABOG,改成1. 适合>5G的基因组
STOP_AFTER_SUPERREADS= 0 #装完SUPER-READS不停紧接着组装，设1 . 建议先看看super-reads coverage, N50 等参数，再挑出部分reads组装。
6） 使用参数生成运行程序： /install_path/bin/masurca config.txt
7） 运行程序：./ assemeble.sh
8) 坐等结果，同时排除各种可能中断运行的bugs。
9) 如果组装成功，/CA/产生 contig序列 “genome.ctg.fasta” 和scaffold序列“genome.scf.fasta ”
最后，有人想知道运行时间吗？
细菌基因组：16Gb RAM, 8+ cores, 10Gb，需要1小时；
昆虫基因组：128Gb RAM, 16+ cores, 1Tb，1-2天；
鸟类或者小植物基因组：256Gb RAM, 32+ cores, 1Tb ，4-5天；
哺乳动物基因组：512Gb RAM, 32+ cores, 3Tb ，15-20天；
植物基因组：1Tb RAM, 64+cores, 10Tb ，60-90天！
劳资要装的是植物基因组！！！鬼知道我都经历了什么！！顶着锅盖要了最大空间，半夜爬起来看服务器有没有崩溃，花了一周排除了几打bugs, 实际运行3天，终于完成了！感谢服务器管理员的神助攻么么哒。
我的MaSuRCA乐高大型基因组故事讲完了。
我是个很严肃的生信科学家。
以上。