De Novo Assembly log1
De Novo Assembly log1
基因组重测序
基因组重测序 背景介绍 全基因组重测序，是对基因组序列已知的个体进行基因组测序，并在个体或群体水平上进行差异性分析的方法。与已知序列比对，寻找单核苷酸多态性位点（SNP ）、插入缺失位点（InDel ，Insertion/Deletion ）、结构变异位点（SV ，Structure Variation ）位点及拷贝数变化(CNV) 。 可以寻找到大量基因差异，实现遗传进化分析及重要性状候选基因的预测。涉 及临床医药研究、群体遗传学研究、关联分析、进化分析等众多应用领域。 随着测序成本的大幅度降低以及测序效率的数量级提升， 全基因组重测序已经成为研究人类疾病及动植物分子育种最为快速有效的方法之一。利用illumina Hiseq 2000 平台，将不同插入片段文库和双末端测序相结合，可以高效地挖掘基因序列差异和结构变异等信息， 为客户进行疾病研究、分子育种等提供准确依据。 重测序的两个条件：（1）该物种基因组序列已知；（2）所测序群体之间遗传性差异不大（ >99% 相似度 ） 在已经完成的全基因组测序及其基因功能注释的基础上，采用全基因组鸟枪法（WGS ）对DNA 插入片段进行双末端测序。 技术路线 生物信息学分析
送样要求 1.样品总量：每次样品制备需要大于5ug 的样品。为保证实验质量及延续性，请一次性提供至少20ug的样品。如需多次制备样品，按照制备次数计算样品总量。 2.样品纯度：OD值260/280应在1.8～2.0 之间；无蛋白质、RNA或肉眼可见杂质污染。 3.样品浓度：不低于50 ng/μL。 4.样品质量：基因组完整、无降解，电泳结果基因组DNA主带应在λ‐Hind III digest 最大条带23 Kb以上且主带清晰，无弥散。 5.样品保存：限选择干粉、酒精、TE buffer或超纯水一种，请在样品信息单中注明。 6.样品运输：样品请置于1.5 ml管中，做好标记，使用封口膜封好；基因组DNA如果用乙醇沉淀，可以常温运输；否则建议使用干冰或冰袋运输，并选择较快的运输方式。 提供结果 根据客户需求，提供不同深度的信息分析结果。
全基因组重测序数据分析
全基因组重测序数据分析 1. 简介(Introduction) 通过高通量测序识别发现de novo的somatic和germ line 突变，结构变异-SNV，包括重排 突变（deletioin, duplication 以及copy number variation）以及SNP的座位；针对重排突变和SNP的功能性进行综合分析；我们将分析基因功能（包括miRNA），重组率（Recombination）情况，杂合性缺失（LOH）以及进化选择与mutation之间的关系；以及这些关系将怎样使 得在disease（cancer）genome中的mutation产生对应的易感机制和功能。我们将在基因组 学以及比较基因组学，群体遗传学综合层面上深入探索疾病基因组和癌症基因组。 实验设计与样本 （1）Case-Control 对照组设计； （2）家庭成员组设计：父母-子女组（4人、3人组或多人）； 初级数据分析 1．数据量产出：总碱基数量、Total Mapping Reads、Uniquely Mapping Reads统计，测序深度分析。 2．一致性序列组装：与参考基因组序列（Reference genome sequence）的比对分析，利用贝叶斯统计模型检测出每个碱基位点的最大可能性基因型，并组装出该个体基因组的一致序列。3．SNP检测及在基因组中的分布：提取全基因组中所有多态性位点，结合质量值、测序深度、重复性等因素作进一步的过滤筛选，最终得到可信度高的SNP数据集。并根据参考基 因组信息对检测到的变异进行注释。 4．InDel检测及在基因组的分布: 在进行mapping的过程中，进行容gap的比对并检测可信的short InDel。在检测过程中，gap的长度为1~5个碱基。对于每个InDel的检测，至少需 要3个Paired-End序列的支持。 5．Structure Variation检测及在基因组中的分布: 能够检测到的结构变异类型主要有：插入、缺失、复制、倒位、易位等。根据测序个体序列与参考基因组序列比对分析结果，检测全基因组水平的结构变异并对检测到的变异进行注释。
高通量基因组测序中 测序深度,覆盖度
高通量基因组测序中，什么是测序深度和覆盖度？ 1G=1024M 测序深度是指测序得到的总碱基数与待测基因组大小的比值。假设一个基因大小为2M，测序深度为10X，那么获得的总数据量为20M。(测序深度=总数据量20M/基因组大小2M=10X) 覆盖度是指测序获得的序列占整个基因组的比例。由于基因组中的高GC、重复序列等复杂结构的存在，测序最终拼接组装获得的序列往往无法覆盖有所的区域，这部分没有获得的区域就称为Gap。例如一个细菌基因组测序，覆盖度是98%，那么还有2%的序列区域是没有通过测序获得的。 1、全基因组重测序是对已知基因组序列的物种进行不同个体的基因 序的个体，通过序列比对，可以找到大量的单核苷酸多态性位点(SNP)，插入缺失位点(InDel，Insertion/Deletion)、结构变异位点(SV， 技术路线 提取基因组DNA，利用Covaris进行随机打断，电泳回收所需长度的DNA片段(0.2~5Kb)，加上接头, 进行cluster制备(Solexa)或E-PCR (SOLiD)，最后利用Paired-End(Solexa)或者Mate-Pair(SOLiD)的方法对插入片段进行重测序。图1-1，以SOLiD为例，说明整个实验方案。
也称目标外显子组捕获，是指利用序列捕获技术将全基因组外显子区域DNA 捕捉并富集后进行高通量测序的基因组分析方法。是一种选择基因组的编码序列的高效策略，外显子测序相对于基因组重测序成本较低，对研究已知基因的SNP、Indel 等具有较大的优势。 外显子(expressed region)是真核生物基因的一部分，它在剪接(Splicing)后仍会被保存下来，并可在蛋白质生物合成过程中被表达为蛋白质。外显子是最后出现在成熟RNA中的基因序列，又称表达序列。既存在于最初的转录产物中，也存在于成熟的RNA分子中的核苷酸序列。在人类基因中大约有180,000外显子，占人类基因组的1%，约30MB。
群体进化-基于全基因组重测序
DNA样品总量: ≥3 μg 适用范围 样品要求 文库类型测序策略与深度 分析内容项目周期 群体进化（基于全基因组重测序） 标准分析时间为120天，个性化分析需根据项目实际情况进行评估 HiSeq PE150推荐测序深度≥5X/个体350 bp小片段DNA文库 1. 已有参考基因组序列的物种中不同亚群（自然群体） 2. 各亚群间划分明显，同一亚群内的个体有一定代表性 3. 每个亚群选取10个样本左右（推荐动物≥10个，植物≥15个） 4. 总体不少于30个样本与参考基因组比对群体SNP检测、注释及统计系统进化树构建群体遗传结构分析 群体主成分分析连锁不平衡分析选择消除分析候选基因GO和KEGG富集构建单体型图谱种群历史和有效群体大小 技术参数 针对已有参考基因组的物种，对其各亚种进行全基因组重测序获得基因组信息，通过与参考基因组比对，得到大量高准确性的SNP、InDel、SV等变异信息，讨论群体的遗传结构、遗传平衡和影响遗传平衡的因素，从而从分子层面揭示该物种的进化机制、环境适应性等系列问题。该技术能精准地得到全基因组内所有遗传信息，最大程度地挖掘出群体内遗传变异。诺禾具有丰富的群体遗传学项目经验，研究成果发表于Nature Genetics（Li, M, et al. 2013& Zhou, XM, et al. 2014）等。参考文献 [1] Li M, Tian S, Jin L, et al . Genomic analyses identify distinct patterns of selection in domesticated pigs and Tibetan wild boars [J]. Nature genetics, 2013, 45(12): 1431-1438. [2] Zhan S, Zhang W, Niitepo ～ld K, et al . The genetics of monarch butterfly migration and warning colouration [J]. Nature, 2014.案例解析 ［案例一］ 家猪和藏猪的群体进化分析[1] 2013年，诺禾致源科技服务团队与四川农业大学研究者合作发表 该成果。本研究对6个代表性藏猪群体、5个四川盆地特有猪种， 共48个样本进行全基因组重测序，并结合55个欧亚野猪及家猪的 基因组数据进行群体遗传学分析。在藏猪中鉴定出低氧适应、能 量代谢等共268个适应高原环境的快速进化基因，揭示了藏猪高 原适应性的遗传机制。与自然选择相比，人工选择可更有效地塑 造驯养动物基因组；欧亚猪种存在明显的遗传背景差异，欧亚地 理隔离造成的遗传结构差异甚至超过了野生和驯化的差异。［案例二］ 帝王蝶长距离迁飞遗传机制被解密[2] 北美地区的帝王蝶具有迁飞习性，而分布于热带地区的帝王蝶及 其近缘种不具有迁飞特性。该研究从涵盖当今世界上主要的帝王 蝶分布区域中，选取了包括迁飞型和非迁飞型的22个地理种群、 5个近缘种的101只班蝶属蝴蝶进行了全基因组重测序和群体遗传 学分析。结果表明，现存的帝王蝶起源于北美地区，且祖先属于 迁飞型，打破了先前认为包括鸟类等在内的迁飞物种均是热带起 源的普遍认知。其次，利用群体遗传学分析对全基因组进行精细 扫描发现，与飞行相关的肌肉发育进化是帝王蝶实现长距离迁飞 的主要适应性选择。 图1 藏猪及其它猪种的群体遗传结构 图2 帝王蝶样本分布及系统进化树
基于全基因组重测序获得的具LRR结构域基因的抗黄瓜白粉病功能鉴定
基于全基因组重测序获得的具LRR结构域基因的抗黄瓜白粉病 功能鉴定 黄瓜白粉病是黄瓜(CucumissativusL.)生产上的三大主要病害之一,发病时不但降低植株的光合效能,同时影响植株产量和果实品质,发病严重时常常引起30%左右的减产。黄瓜抗白粉病新品种选育及应用是克服白粉病危害的根本技术途径。 基于基因组测序技术和生物信息学的方法探究抗病基因已成为可能。本研究利用高通量Illumina测序技术,对实验室多年筛选获得的一个具有高抗白粉病且能稳定遗传的片段代换系SSL508-28和高感白粉病受体亲本D8进行了全基因组重测序,对比黄瓜9930参考基因组信息,在SSL508-28中发现了 468,616 个单核苷酸多态性位点(single nucleotide polymorphisms,SNPs)和 67,259小片段插入缺失位点(insertion/deletion,InDel),在D8 中获得了 537,352 个 SNPs 和 91,698个InDels。 通过对比SSL508-28与D8基因组,共得到了 15,682个SNPs和6,262个InDels,这些SNPs和InDels趋向于集中分布在五号染色体上。基于以上结果,我们对获得的SNPs和InDels进行了功能注释,发现有120个SNPs为非同义(non-synonymous)突变,30个InDels为移码突变(frameshift mutation),这些非同义突变SNPs和移码突变InDels分布在94个基因当中。 为了进一步验证94个突变基因对SSL508-28抗白粉病表型的贡献,我们对这94个基因进行了功能分类,其中有5个基因属于抗病(resistance,R)基因家族中NBS-LRR(Nucleotide binding site-leucine-rich repeats)类,利用 qRT-PCR 对这 5 个NBS-LRR基因在D8和SSL508-28中接种白粉菌前后的表达量进行检测,
全基因组重测序解决方案
全基因组重测序解决方案 ※ 概述 全基因组重测序是对已有参考序列（Reference Sequence）的物种的不同个体进行基因组测序，并以此 为基础进行个体或群体水平的差异性分析。通过全基因组重测序，研究者可以找到大量的单核苷酸多态性位点（SNP）、拷贝数变异（Copy Number Variation，CNV）、插入缺失（InDel，Insertion/Deletion）、结构变异（Structure Variation，SV）等变异位点。这在人类疾病及动植物育种研究等方面具有重大的指导意义。基 于此，我们推出重测序的完整解决方案，协助您一起探索生物奥秘。 ※ 实验技术流程 ※ 生物信息分析策略
1、数据量产出分析 总碱基数量、Totally mapped reads、Uniquely mapped reads统计，测序深度分析。 2、一致性序列组装 与参考基因组序列（Reference genome sequence）的比对分析，利用贝叶斯统计模型检测出每个碱基 位点的最大可能性基因型，并组装出该个体基因组的一致序列。 3、SNV检测及在基因组中的分布 提取全基因组中所有多态性位点，结合质量值、测序深度、重复性等因素作进一步的过滤筛选，最终得到 可信度高的SNV数据集。并根据参考基因组序列对检测到的变异进行注释。 4、InDel检测及在基因组的分布 在进行mapping的过程中，进行容Gap的比对并检测可信的Short InDel。在检测过程中，Gap的长度为 1~5个碱基。 5、Structure Variation检测及在基因组中的分布 检测主要的结构变异类型有：插入、缺失、复制、倒位、易位等。根据测序个体序列与参考基因组序列比 对分析结果，检测全基因组水平的结构变异并对检测到的变异进行注释。 ※ 参考文献 1、Erin D, et al., A small-cell lung cancer genome with complex signatures of tobacco exposure. Nature, 2010, 463:184-190. 2、Carl-Johan Rubin, et al. Whole-genome resequencing reveals loci under selection during chicken domestication. Nature, 2010, 464:587-597. 3、Qingyou Xia,et al. Complete resequencing of 40 genomes reveals domestication events and genes in silkworm (Bombyx). Science, 2009, 326:433-436.
重测序-全基因组选择(GS)
首页 科技服务 测序指南 基因课堂 市场活动与进展 文章成果 关于我们 全基因组选择1. Meuwissen T H, Hayes B J, Goddard M E.Prediction of total genetic value using genome-wide dense marker maps[J]. Genetics, 2001, 157(4): 1819 1829. 阅读原文>> 2. Haberland A M, Pimentel E C G, Ytournel F, et al. Interplay between heritability, genetic correlation and economic weighting in a selection index with and without genomic information[J]. Journal of Animal Breeding and Genetics, 2013, 130(6): 456-467. 阅读原文>> 3. Wu X, Lund M S, Sun D, et al. Impact of relationships between test and training animals and among training animals on reliability of genomic prediction[J]. Journal of Animal Breeding and Genetics, 2015, 132(5): 366-375. 阅读原文>> 4. Goddard M E ,Hayes BJ. Genomic selection [J]. Journal of Animal Breeding and Genetics,2007,124:323:330. 阅读原文>> 5. Heffner E L, Sorrells M E, Jannink J L. Genomic selection for crop improvement [J]. Crop Science, 2009, 49(1): 1-12. 阅读原文>> 参考文献 全基因组选择简介 Meuwissen等[1]在2001年首次提出了基因组选择理论(Genomic selection , GS)，即利用具有表型和基因型的个体来预测只具有基因型不具有表型值动植物的基因组育种值(GEBV)。 例如，提高奶牛的产奶量一直是奶牛研究者的研究重点，传统育种的方法需要牛生长至成年后，才能进行产奶量的测定，再进行后续的育种进程。如果在犊牛刚出生时就可以通过某种技术预测出其产奶量，就可以大大的减少育种时间，节省大量的育种成本。 全基因组选择（GS）利用覆盖全基因组的高密度分子遗传标记进行标记辅助选择，可以在奶牛的幼年时期就预测出其生产性状和营养性状，快速筛选出具有优良性状的奶牛或者种公牛，加速育种的进程。 全基因组选择技术参数 提供领先的基因组学解决方案 Leading Edge Genomic Services & Solutions 动植物重测序变异检测BSA性状定位遗传图谱群体进化全基因组关联分析Hi-C测序 人类基因组测序全基因组测序外显子测序目标区域测序单细胞基因组测序 动植物基因组测序全基因组survey 全基因组 de novo 测序泛基因组测序组装变异检测 微生物基因组测序16S/18S/ITS等扩增子测序细菌基因组 de novo 测序真菌基因组 de novo 测序微生物重测序宏基因组测序 建库测序建库测序 诺禾致源微信文章精彩阅读 >> 版权所有：北京诺禾致源科技股份有限公司 转录调控测序 真核有参转录组测序医学转录组测序真核无参转录组测序比较转录组与泛转录组测序原核转录组测序宏转录组测序单细胞转录组测序LncRNA测序circRNA测序small RNA测序ChiP-seq RIP-seq 全基因组甲基化测序 GS 重测序新产品发布 群体大小 参考群体的选择十分重要，表型信息及固定效应信息记录需要准确完整。此外，选择出 的参考群体要满足内部亲缘关系比较远，数量达到1000个以上[2]。候选群体最好与参考群体的亲缘关系较近，这样可以保证育种值预测的准确性[3]。 测序策略 测序深度：平均每个样本≥10×；测序平台：Illumina HiSeq PE150测序； 全基因组选择技术优势 全基因组选择与传统的分子标记辅助选择相比，具有很多优势[5]： 能够在得到物种个体DNA的时候即对其进行育种值评估，可以缩短世代间隔，加快遗传进展并且降低经济投入。 全基因组范围内的标记能够解释尽可能多的遗传变异，可以对遗传效应进行较为准确的检测和估计。 能够较准确的评估遗传力较低、难测定的性状或测定费用较高的性状。 通过基因组选择的方式，即使单个标记的效应很微小，导致遗传变异的所有遗传效应也都能够被SNP标记捕获， 所以比传统的基于系谱和表型数据的最佳线性无偏模型得到更高的可靠性。 a b c d
全基因组重测序数据分析
全基 1. 简 通过变（d 的功况，dise 比较 实验 （1）（2） 基因组重测序简介(Introduc 过高通量测序识deletioin, du 功能性进行综合杂合性缺失ease （cance 较基因组学，群验设计与样本 Case-Contr ）家庭成员组序数据分析 ction) 识别发现de plication 以及合分析；我们（LOH ）以及r ）genome 中群体遗传学综ol 对照组设计 组设计：父母novo 的som 及copy numb 们将分析基因及进化选择与中的mutation 综合层面上深计 ； -子女组（4 人matic 和germ ber variation 因功能（包括与mutation 之n 产生对应的深入探索疾病基人、3 人组或m line 突变，）以及SNP miRNA ），重之间的关系；以的易感机制和基因组和癌症多人）； 结构变异-SN 的座位；针对重组率（Rec 以及这些关系功能。我们将症基因组。 NV ，包括重排对重排突变和combination ）系将怎样使得 将在基因组学排突 SNP ）情在 学以及
初级数据分析 1．数据量产出：总碱基数量、Total Mapping Reads、Uniquely Mapping Reads统计，测序深度分析。 2．一致性序列组装：与参考基因组序列（Reference genome sequence）的比对分析，利用贝叶斯统计模型检测出每个碱基位点的最大可能性基因型，并组装出该个体基因组的一致序列。3．SNP检测及在基因组中的分布：提取全基因组中所有多态性位点，结合质量值、测序深度、重复性等因素作进一步的过滤筛选，最终得到可信度高的SNP数据集。并根据参考基因组信息对检测到的变异进行注释。 4．InDel检测及在基因组的分布: 在进行mapping的过程中，进行容gap的比对并检测可信的short InDel。在检测过程中，gap的长度为1~5个碱基。对于每个InDel的检测，至少需要3个Paired-End序列的支持。 5．Structure Variation检测及在基因组中的分布: 能够检测到的结构变异类型主要有：插入、缺失、复制、倒位、易位等。根据测序个体序列与参考基因组序列比对分析结果，检测全基因组水平的结构变异并对检测到的变异进行注释。 高级数据分析 1.测序短序列匹配（Read Mapping） （1）屏蔽掉Y染色体上假体染色体区域（pseudo-autosomal region）, 将Read与参考序列NCBI36进行匹配（包括所有染色体，未定位的contig，以及线粒体序列mtDNA（将用校正的剑桥参考序列做替代）)。采用标准序列匹配处理对原始序列文件进行基因组匹配， 将Read与参考基因组进行初始匹配；给出匹配的平均质量得分分布； （2）碱基质量得分的校准。我们采用碱基质量校准算法对每个Read中每个碱基的质量进行评分，并校准一些显著性误差，包括来自测序循环和双核苷酸结构导致的误差。 （3）测序误差率估计。 pseudoautosomal contigs，short repeat regions（包括segmental duplication，simple repeat sequence-通过tandem repeat识别算法识别）将被过滤； 2. SNP Calling 计算（SNP Calling） 我们可以采用整合多种SNP探测算法的结果，综合地，更准确地识别出SNP。通过对多种算法各自识别的SNP进行一致性分析，保留具有高度一致性的SNP作为最终SNP结果。这些具有高度一致性的SNP同时具有非常高的可信度。在分析中使用到的SNP识别算法包括基于贝叶斯和基因型似然值计算的方法，以及使用连锁不平衡LD或推断技术用于优化SNP识别检出的准确性。 统计SNV的等位基因频率在全基因组上的分布
重测序
全基因组重测序 项目简介 全基因组重测序是对已有参考序列（Reference Sequence）的物种的不同个体进行基因组测序，并以此为基础进行个体或群体水平的差异性分析。通过这种方法，可以寻找出大量的单核苷酸多态性位点（SNP），插入缺失位点（InDel，Insertion Deletion），结构变异位点（SV，Structure Variation），拷贝数变异（Copy Number Variation，CNV）等变异信息，从而获得生物群体的遗传特征。这对在群体水平上研究物种的进化历史、环境适应性、自然选择等方面具有重大意义。利用全基因组重测序有助于快速发现与动植物重要性状相关的遗传变异，缩短分子育种的实验周期；有助于发现人类疾病相关的重要变异基因，加快生物医药研发的速度等，这对人类疾病及动植物育种研究等方面具有重大的指导意义。 技术流程 提取基因组DNA后，采用物理方法随机打断，选择性回收所需长度的DNA片段（0.2~5Kb），并在两端连接接头以构建测序文库，进行桥式PCR（Bridge Amplification）制备Cluster，最后利用Paired-End的方法对插入片段进行重测序。 生物信息分析 1．数据量产出 总碱基数量、Totally mapped reads、Uniquely mapped reads统计，测序深度分析。 2．一致性序列组装 与参考基因组序列（Reference genome sequence）的比对分析，利用贝叶斯统计模型检测出每个碱基位点的最大可能性基因型，并组装出该个体基因组的一致序列。 3．SNP检测及在基因组中的分布 提取全基因组中所有多态性位点，结合质量值、测序深度、重复性等因素作进一步的过滤筛选，最终得到可信度高的SNP数据集。并根据参考基因组序列对检测到的变异进行注释。 4．InDel检测及在基因组的分布 在进行mapping的过程中，进行容Gap的比对并检测可信的Short InDel。在检测过程中，Gap的长度为1~5个碱基。 5．Structure Variation检测及在基因组中的分布
全基因组重亚硫酸盐测序【最新版】
全基因组重亚硫酸盐测序 表观遗传学研究已经证实了特定基因区域的DNA甲基化修饰对于染色体构象、基因表达调控机制有着重要影响，而全基因组DNA甲基化研究将是表观基因组学最为关注的内容之一。Bisulfite处理能够将基因组中未发生甲基化的C 碱基转换成U，进行PCR扩增后变成T，与原本具有甲基化修饰的C碱基区分开来，再结合高通量测序技术，可绘制单碱基分辨率的全基因组DNA甲基化图谱。特定物种的高精确度甲基化修饰模式的分析，必将在表观基因组学研究中具有里程碑式的意义，并且为细胞分化、组织发育等基础机制研究，以及动植物育种、人类健康与疾病研究奠定基础。技术优势:■单碱基精确度:精确分析每一个C碱基的甲基化状态。■里程碑式的研究:特定物种的表观基因组学研究的重要内容，适用于所有具有精确基因组图谱的物种。
实验流程:● 基因组DNAA超声打断至100-500bp的片段● DNA片段末端修复、3’端加A碱基，连接测序接头。● 采
用EZ DNA Methylattion-Gold kit 进行Bisulfite 处理● 脱盐处理，PCR扩增后进行文库片段大小选择。● 合格的文库用于上机测序。
信息分析流程图: 生物信息分析:1. Data Clean测序结果进行去污染，去接头处理。根据测序产生的序列文件*.fq 统计read长度，read 数量，数据产量。
2. 标准信息分析2.1 Bisulfite-seeq 序列与参考序列的比对在信息分析过程中，首先将每一对reads中正链reads上的C碱基转换为T碱基，而反链reads中的G碱基转换为A 碱基。在此基础上使用SOAP软件，将reads与参考基因组序列进行比对，唯一比对reads将用于甲基化信息的分析。数据比对统计结果如下:
基因组测序术语解释
DNA关键词： WG-BSA (全基因组重测序 BSA) 对已有参考基因组序列的物种的所有作图群体（ F1、 F2、 RIL、 DH 和 BC1等），对亲本进行个体重测序，对某个极端性状材料混池测序，检测 SNP，获得与性状紧密关联的分子标记和精细定位区域，是目前最高效的基因定位方法。通过选取某个极端性状，利用高效率低成本的混池测序技术，勿需开发分子标记进行遗传图的构建，快速定位与性状相关的候选 QTL。 MP-Reseq (多混池全基因组重测序) 针对特有的优良地方品种中的不同品种/品系，通过群体内 pooling 建库的方法，进行全基因组重测序，采用生物信息学方法全基因组范围内扫描变异位点，能快速的定位不同混池样品基因组中明显经过人工或自然选择的区域，检测与性状相关的基因区域及其功能基因。 全基因组个体重测序 基于全基因组重测序的变异图谱通过测序手段结合生物信息分析研究同一物种不同个体之间的变异情况，获得大量的变异信息，如 SNP、 Indel、 SV 等。主要可以快速地获得大量的分子标记以及不同个体在基因组水平上的差异。 全基因组关联分析-GWAS 通过重测序对动植物重要种质资源进行全基因组基因型鉴定，与关注的表型数据进行全基因组关联分析，找出与关注表型相关的SNP位点，定位数量性状基因，与数量性状相关的基因紧密连锁的SNP标记，后续可用于分子标记辅助育种，助力育种进程。 全基因组重测序-遗传进化 通过对来自全国各地、具有代表性的 XX 份 XX 材料进行全基因组重测序，检测 SNP、 Indel、 SV，并利用获得的 SNP 与 SV 数据进行群体多样性分析，包括连锁不平衡分析、群体进化分析、群体结构分析、群体主成分分析等。 全基因组重测序-遗传图谱 基于全基因组重测序技术对已有参考基因组序列的物种进行个体或群体的全基因组测序,利用高性能计算平台和生物信息学方法，检测单核苷酸多态性位点（ SNP），并计算多态性标记间的遗传连锁距离，绘制高密度的遗传图谱。通过与表型性状进行关联分析，利用获得的强关联性标记进行下游基因的精细定位。遗传图可用于分子标记辅助育种，重要性状候选基因克隆，辅助基因组组装，比较基因组学等研究。 细菌基因组 de novo 测序 细菌是生物的主要类群之一，是所有生物中数量最多的一类。细菌广泛分布于土壤和水中，或者与其他生物共生，也有部分种类分布在极端环境中，例如温泉，甚至是放射性废弃物中。由于细菌自身的营养方式，异养的腐生细菌是生态系统中重要的分解者，使碳循环能顺利进行。部分细菌还能进行固氮作用，使氮元素得以转换为生物能利用的形式。 真菌基因组 de novo 测序 真菌为低等真核生物，种类繁多且多变，在自然界分布广泛，存在于生物体内外、空气、土壤及水中，与人类的生产和生活息息相关。许多真菌在自然界的碳素和氮素循环中起主要作用，参与淀粉、纤维素、木质素等有机含碳化合物及蛋白质等化合物的分解。有些真菌如蘑菇、木耳、虫草等可供作食用或药用，或在发酵工业、食品加工业、抗生素生产中具有重要作用。然而，有些