重叠群与支架（contigs and scaffolds）

当你重组那本被碎掉的书时，你很少能一气呵成地把整本拼回来。更常见的是，你拼出几段又长又确信的文字——你确定是连续读下去的段落——它们之间夹着一些地方，那里要么碎片用尽，要么混乱得无法放置。即使这些模糊的空缺还没填上，知道那几段确信文字的先后顺序、以及它们之间空缺大致有多大，仍然极其有用。基因组组装恰好产出这两个层次，分别叫做重叠群（contig）和支架（scaffold）。

重叠群是组装程序无缺口地重建出的一段连续序列——重叠的读段被合并成一串不间断的字母。但重复序列和缺失的数据会在重叠群之间留下断点。支架是更高一层：它给一组重叠群排好顺序和方向，并记录它们之间空缺的大致长度，即便那些空缺里的确切字母仍属未知。这些空缺通常写成一连串字母 N，作为占位符，意思是“我们大致知道这里有这么多个碱基，但不知道是哪些”。把它们连起来的信息来自一些线索，比如成对读段——它们的两端落在不同的重叠群里，且两端之间的距离是已知的。

这个两层的图景就是大多数已发表基因组诚实的实情。“染色体级”组装意味着支架长到足以横跨整条染色体；而“草图”基因组可能是几千个重叠群、分布在许多短支架里。重叠群和支架的数目与大小——常用一个叫 N50 的统计量来概括——正是生物学家判断一份组装质量的依据。理解这个区别很重要，因为一个挨着空缺、或被劈成两个重叠群的基因，可能被数错或干脆被漏掉，所以组装质量直接决定了你能信任哪些结论。