我正在使用從 NCBI下載的mm10小鼠的參考基因組，並且想更詳細地了解小寫字母和大寫字母之間的區別，小寫字母和大寫字母構成基因組的大致相等部分。我知道N用於“硬屏蔽”（基因組中無法組裝的區域），小寫字母用於重複區域中的“軟屏蔽”。
這種軟屏蔽實際上是什麼意思？
基因組中的許多序列都是重複的。例如，人類基因組具有（至少）三分之二的重複元件。[1]。
通過將大寫字母轉換為小寫字母，可以對這些重複元素進行軟屏蔽。這些軟掩蓋鹼基的一個重要用例將是在同源性搜索中：
我對這些區域中的序列有多自信？
就像您在基於非軟掩膜的位置中一樣。在確定基因組中可能重複的部分後，進行軟掩蔽。不確定特定鹼基是“ A”還是“ G”，只是它是重複序列的一部分，因此應表示為“ a”。
小寫字母是什麼
UCSC使用 Tandom Repeat Finder和 RepeatMasker來軟掩蓋潛在的重複。 NCBI最有可能使用 TANTAN。 “ N”表示沒有可用於該鹼基的序列信息。被'n'取代的它可能是重複屏蔽軟件的產物，在該軟件中，它會以'n'軟屏蔽'N'，以指示基因組的一部分也可能是重複序列。
[1] http://journals.plos.org/plosgenetics/article?id=10.1371/journal.pgen.1002384
在基因組序列中使用小寫/大寫字母和 N / n 字母尚未完全標準化，您應始終檢查所用資源的規範
小寫字母最常用於表示“軟屏蔽序列”，這是 RepeatMasker流行的約定，其中散佈著重複序列（涵蓋轉座子，逆轉座子和已處理的假基因）。低複雜度序列用小寫字母標記。請注意，通常不會掩蓋較大的重複，例如相當大的串聯重複，片段重複和整個基因重複。
但是，小寫/大寫字母還有其他用途，例如， Ensembl分別使用大寫/小寫字母表示外顯子和內含子序列。
N 和 n 個核苷酸可能代表“硬掩蔽序列” ”，其中散佈的重複和低複雜度序列被 N 取代。但是 N / n s可以替代地表示不明確的核苷酸，的確是 IUPAC規範。
還應注意（ （雖然幸運的是很少）） X / x 也用於表示模棱兩可的核苷酸或“硬屏蔽序列”。
真核基因組中的重複序列是否被屏蔽？
由 WindowMasker識別的真核基因組裝配序列文件中的重複序列已被掩蓋為小寫。
發現的重複序列的位置和身份 RepeatMasker提供的文件也位於單獨的文件中。如果需要，這些跨度可用於掩蓋基因組序列。但是請注意，研究較少的生物沒有可用於RepeatMasker的良好重複庫。
恕我直言，低複雜度區域是總是比高複雜性序列更容易被錯誤組裝。但是，這對於非模型生物將是個問題。我猜想小鼠基因組的軟掩膜區域的可靠性會很高。
不知道，看起來像是一件人工製品。
使用軟掩碼的示例
將序列映射到參考通常以映射的讀段的種子（子字符串）與參考序列的完美匹配開始。軟遮罩（低複雜度）區域不用於種子匹配，但僅在相鄰區域中存在種子時才用於對齊的擴展。此 blog中介紹了將軟屏蔽應用於長時間讀取彙編的問題。