原理
SPAdes基于多k-mer de Bruijn图策略：同时使用多个k-mer长度（如k=21,33,55,77）构建图，用较小k-mer填补低覆盖度区域、较大k-mer解析重复区。各k-mer图的contig通过Graph Simplification和Bridging合并，最终输出scaffold。virusSPAdes模块内建病毒基因组预期长度和环化逻辑，在组装完成后自动检测末端重叠并环化基因组。
步骤
1. 运行SPAdes
virusSPAdes模式对病毒数据优化：
spades.py -1 trimmed_R1.fq.gz -2 trimmed_R2.fq.gz --isolate -o spades_output/ -t 8 -m 32
--isolate标志假定单一基因组（不含宿主），适合病毒富集测序数据。宏基因组数据改用--meta模式。
2. 检查组装结果
核心输出文件：contigs.fasta（contig序列）、scaffolds.fasta（scaffold序列）、assembly_graph.gfa（de Bruijn图，可用Bandage可视化）。用QUAST评估N50和基因组完整性。
3. 病毒基因组环化
环状病毒基因组（如双链DNA病毒）末端应有>30 bp重叠。用NUCmer比对contig首尾，确认末端重叠后用samtools faidx截取去除重复区。
4. 组装质量评估
理想病毒组装结果：单一contig覆盖全基因组、N50=全长、覆盖度>100×且均匀。若得到多个contig，检查是否为多节段病毒（如流感8条）或混合感染。
参数选择建议
| 参数 | 推荐值 | 说明 |
|---|---|---|
| --isolate | - | 单一基因组模式，病毒富集数据必选 |
| k-mer范围 | 自动选择 | 默认21,33,55,77，病毒基因组可自动适配 |
| -m | 不少于32 | 内存（GB），病毒数据32 GB足够 |
FAQ
Q：SPAdes和Canu怎么选？
A：短读长（Illumina）用SPAdes，长读长（Nanopore/PacBio）用Canu。SPAdes专为短读长de Bruijn图优化，Canu为长读长overlap-layout-consensus设计。
Q：组装出多个contig是失败了吗？
A：不一定。多节段病毒（流感8条、汉坦3条）天然产生多个contig——此时每个contig对应一个节段。若单节段病毒得到2-3个contig，检查覆盖度低谷是否对应重复区。
Q：--meta和--isolate模式哪个对病毒数据更好？
A：病毒富集后（如探针捕获或PCR扩增）数据用--isolate，组装更连续。未富集的临床样本直测数据用--meta，否则SPAdes会因宿主reads太多而错误连接。
参考文献
- Bankevich A, Nurk S, Antipov D, et al. SPAdes: A New Genome Assembly Algorithm and Its Applications to Single-Cell Sequencing. J Comput Biol. 2012;19(5):455-477. DOI: 10.1089/cmb.2012.0021
- Nurk S, Meleshko D, Korobeynikov A, et al. metaSPAdes: a new versatile metagenomic assembler. Genome Res. 2017;27(5):824-834. DOI: 10.1101/gr.213959.116