[問題] NCBI中human genome的資料

[adu (^_^)]

有兩個問題想請教版友


雖然說已經把人類genome解開了，不過我看ncbi的資料庫中還是有很多gap

http://0rz.tw/PBdEq (chr1)

如果我要下載chr1的genome資料，是否把這邊所有的都下載再拼在一起就好了？

還有個疑問點是，好多的gap都是50,000的長度，不知為何會這樣(怎麼做出來的)？


另外一個問題是，人類genome大約有多少是coding,多少是noncoding的部分

我用很保守的估算 30000條基因*長的嚇死人的每條2k

所以30k*2k/3*10^9  人類coding的部分最多佔20%

請問這樣合理嗎？



PS:有看到佔1~1.5%的說法，

不過不知道這個估計值有沒有包含非a.a但有function的序列

以及有沒有把還沒有定序的gap考慮進去


請版友們指教^^


--
           37m﹡

--
※ 發信站: 批踢踢實業坊(ptt.cc) 
◆ From: 59.104.5.233
推 auymle:NCBI上有已經組好的可以下載 你從ftp找應該有
→ huggie:對啊，這不知道是什麼？為甚麼沒組好？
→ huggie:ftp://ftp.ncbi.nih.gov/genomes/H_sapiens/
→ adu:請問Celera、HuRef和ref有甚麼樣的差別呢？
→ adu:檔案大小都相近，其中ref的contig有49條，我文章內的只有39條
→ adu:會不會有重複算的?   謝謝回覆:)
→ adu:另外mfa在readme中有說是masked***** 不太懂他masked的意思
推 huggie:masked通常指序列中low complexity region 用 N 或 X 遮掉
→ adu:原來如此！所以如果單看序列的完整性，fa會含有比較多?!
→ adu:我查了celera，好像是一種alignment的方式，不過那三種詳細的
→ adu:分別還是不太清楚。  謝謝回應:D
推 ChelseaFC:若是指組成contig的read被masked的話，就是指遮蔽一些已
→ ChelseaFC:知的重複片段，好加強alignment及assembly的速度(?)