基因就像一本天書，裡面的字都是有A,T,C,G組成的。我們測序出來的大於幾百bp的小的序列，我們叫做reads。我們測序的結果中有上百萬條的reads，而這些reads的位置我們又不知道，我們只能根據他們重疊的部分來儘量還原他的原型。

k-mer是指將reads分成包含k個鹼基的字串，一般長短為m的reads可以分成m-k+1個k-mers。舉個例子吧：為了簡化，有這麼個reads（當然實際比這個長）：AACTGACTGA.如果k-mer的k為3的話，我們可以將其切割為AAC  ACT  CTG  TGA GAC ACT CTG TGA。我們將這些k-mers放入計算機中拼接，假設第一個為TGA ,那麼下一個應該為GA-,.……

基於這樣的思路，我們很快就發現了問題，下一個點可能有很多的選擇，或者沒有選擇

       我們需要找到Hamiltonian path，我們需要找到包含每個點的，但是隻包含一次。下影象不像我們小學之前做過的遊戲，遍歷每個點，但是每個點只能經過一次。

這是俄國一個我一個偉大的科學家William Hamilton的一個發明。

但是又提出了一個假設，如果有兩條或多條的Hamiltonian path呢？如何才能知道其中的一條是DNA的序列呢

我們上面提到的是3個鹼基為一個node，現在我們就只要其中的2個來作圖，然後將作出的圖中相同的node合併，

這是兩種演算法思想，在Eulerian Path Problem中，visit every edge of the graph exactly once.
而在Hamiltonian Path Problem,visit every node exactly once.第一種演算法更好實現，所以我們接下來講關於Eulerian Path Problem的de Bruijin graphs。

在實際組裝基因的時候，我們知道的是reads和k-mers，通過這個我們來基於Eulerian Path Problem來構建de Bruijin graphs，然後找Eulerian Path。可是會有很多的de Bruijin graphs，或者一個de Bruijin graphs有幾個Eulerian Path。為了減少contigs,發明了read pair sequencing

把很多拷貝的相同基因，尺寸隨意剪下為大的相同大小InsertLength片段。產生read-pairs:兩個reads來自每個片段的末尾。A paired k-mer就是兩個k-mer距離相隔d,

根據我的實際使用經驗，如果你的read足夠長，覆蓋度足夠高，kmer設的越高越好。
但是實際情況是，測序的覆蓋度經常不夠，或者用早期的GA平臺測出來read長度只有35bp，或者為了節省成本，在mate-pair library(長片段insert的文庫，一般>2kb)測序時雙端只有70bp,甚至40bp之類的，情況比較複雜。

       一般來說，我儘量使用更高的kmer，如果我有100bp的pair-end,50bp的mate-pair,而且覆蓋度挺高，我就用到kmer=45左右，如果mate-pair只有40bp，kmer=35左右。如果mate-pair更短，只有35bp，kmer值就再降一點。

轉載：http://qinqianshan.com/k-mer-de-bruijin-graphs-based-on-algorithm-of-sequence-assembly/