Specifica(ons of Paper Presenta(ons Winter/Spring 2014 - - PowerPoint PPT Presentation

Specifica(ons ¡of ¡Paper ¡ Presenta(ons ¡ ¡

Winter/Spring ¡2014 ¡

Presenta(on ¡Structure ¡

• Your ¡presenta(on ¡should ¡be ¡between ¡1 ¡hour ¡

and ¡1 ¡hour ¡and ¡15 ¡mins ¡long. ¡

• Your ¡presenta(on ¡should ¡consist ¡of ¡the ¡

following ¡parts: ¡

– Introduc(on ¡and ¡mo(va(on ¡ – Contribu(ons ¡ – Cri(que ¡ – Discussion ¡ ¡

Before ¡you ¡start.. ¡

By ¡this ¡point ¡in ¡graduate ¡school, ¡you ¡should ¡be ¡ able ¡to ¡read ¡a ¡paper ¡and ¡answer ¡the ¡following ¡ ques(ons: ¡

• 1. What ¡is ¡the ¡paper ¡about. ¡Summarize ¡the ¡

main ¡points ¡of ¡the ¡paper. ¡

• 2. How ¡would ¡you ¡cri(que ¡of ¡the ¡paper? ¡
• 3. What ¡is ¡one ¡follow-­‑up ¡study ¡of ¡the ¡said ¡

work? ¡

Introduc(on ¡and ¡Mo(va(on ¡

Introduc(on ¡

• Put ¡the ¡paper ¡into ¡context. ¡ ¡ ¡
• Mo(vate ¡the ¡problem(s) ¡the ¡authors ¡are ¡
• addressing. ¡
• Give ¡background ¡informa(on ¡that ¡is ¡necessary ¡

to ¡understand ¡the ¡paper; ¡this ¡implies ¡that ¡you ¡ should ¡not ¡just ¡limit ¡yourself ¡to ¡what ¡is ¡in ¡the ¡ introduc5on ¡of ¡the ¡paper. ¡

• Related ¡work. ¡

8 ¡

Sample ¡Prepara(on ¡

9 ¡

Sample ¡Prepara(on ¡

Fragments ¡

10 ¡

Sample ¡Prepara(on ¡ Sequencing ¡

ACGTAGAATCGACCATG GGGACGTAGAATACGAC ACGTAGAATACGTAGAA

Reads ¡ Fragments ¡ Next ¡Genera(on ¡Sequencing ¡(NGS) ¡

11 ¡

Sample ¡Prepara(on ¡ Sequencing ¡ Assembly ¡ Analysis ¡

Fragments ¡ Reads ¡ Con(gs ¡

12 ¡

Challenges ¡in ¡Fragment ¡Assembly ¡

¡

• Repeats ¡in ¡the ¡genome. ¡

¡ ¡

• Sequencing ¡errors, ¡which ¡vary ¡by ¡pla]orm. ¡

¡

• Size ¡of ¡the ¡data, ¡e.g. ¡1.5 ¡billion ¡reads ¡short ¡reads. ¡

ACCAGTTGACTGGGATCCTTTTTAAAGACTGGGATTTTAACGCG CAGTTGACTG TGGGATCC TGGGATTT TGGGAATT TGGGACTT TGGGA--T TGGGAACTTATT

Subs(tu(on ¡ ¡ Dele(on ¡ Inser(on ¡

13 ¡

De ¡Bruijn ¡Graph ¡for ¡Assembly ¡

• Introduced ¡in ¡1989. ¡ ¡

¡ ¡

• Adapted ¡for ¡next ¡genera(on ¡sequencing ¡data. ¡

¡

14 ¡

• Pevzner. ¡J ¡Biomol ¡Struct ¡Dyn ¡(1989) ¡7:63—73. ¡

Iduly ¡& ¡Waterman. ¡J. ¡Comput ¡Biol ¡(1995) ¡2:291—306. ¡ Euler: ¡Pevzner, ¡Tang ¡& ¡Tesler. ¡Genome ¡Res. ¡(2004) ¡14:1786—96. ¡ Euler-­‑SR: ¡Chaisson ¡& ¡Pevzner. ¡Genome ¡Res. ¡(2008) ¡18:324—30. ¡ Velvet: ¡Zerbino ¡& ¡Birney. ¡Genome ¡Res. ¡(2008) ¡18:821—29. ¡ ALLPATHS: ¡Butler ¡et ¡al. ¡Genome ¡Res. ¡(2008) ¡18(5):810—20. ¡ ABySS: ¡Simpson ¡et ¡al. ¡Genome ¡Res ¡(2009) ¡19:1117—1123. ¡ ¡

De ¡Bruijn ¡Graph ¡Construc(on ¡

I. Choose ¡a ¡value ¡of ¡𝑙. ¡

• II. For ¡each ¡𝑙-­‑mer ¡that ¡exists ¡in ¡any ¡sequence ¡

create ¡an ¡edge ¡with ¡one ¡vertex ¡ ¡labeled ¡as ¡the ¡ prefix ¡and ¡one ¡vertex ¡labeled ¡as ¡the ¡suffix. ¡

• III. Glue ¡all ¡ver(ces ¡that ¡have ¡the ¡same ¡label. ¡

¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡(Pevzner, ¡Tang ¡& ¡Tesler, ¡2004) ¡

15 ¡

16 ¡

GTCTATTCGCTAATTCACTA

ATTCG ¡ ATTCA ¡

TTCA ¡ ATTC ¡ ATTC ¡ TTCG ¡

(Pevzner, ¡Tang ¡& ¡Tesler, ¡2004) ¡

De ¡Bruijn ¡Graph ¡Construc(on ¡

17 ¡

GTCTATTCGCTAATTCACTA

ATTCG ¡ ATTCA ¡

TTCA ¡ ATTC ¡ ATTC ¡ TTCG ¡

(Pevzner, ¡Tang ¡& ¡Tesler, ¡2004) ¡

De ¡Bruijn ¡Graph ¡Construc(on ¡

18 ¡

GTCTATTCGCTAATTCACTA

ATTCG ¡ ATTCA ¡

TTCA ¡ ATTC ¡ TTCG ¡

(Pevzner, ¡Tang ¡& ¡Tesler, ¡2004) ¡

De ¡Bruijn ¡Graph ¡Construc(on ¡

De ¡Bruijn ¡Graph ¡of ¡a ¡Genome ¡

19 ¡

Example ¡Genome: ¡ ¡ ¡ABCDEFGHICDEFGKL ¡ Example ¡Genome: ¡ ¡ ¡ABCDEFGHICDEFGKL

(𝑙 ¡−1)-­‑mers ¡ 𝑙-­‑mers ¡

ABC BCD CDE DEF EFG GHI HIC ICD FGK GKL ¡ ABCD BCDE CDEF DEFG EFGH GHIC HICD ICDE EFGK FGKL ¡

De ¡Bruijn ¡Graph ¡of ¡a ¡Genome ¡

20 ¡

ABC BCD CDE DEF EFG FGK GKL FGH GHI HIC ICD

Example ¡Genome: ¡ ¡ ¡ABCDEFGHICDEFGKL ¡ Example ¡Genome: ¡ ¡ ¡ABCDEFGHICDEFGKL

De ¡Bruijn ¡Graph ¡of ¡a ¡Genome ¡

21 ¡

Example ¡Genome: ¡ ¡ ¡ABCDEFGHICDEFGKL ¡

Bulges ¡(undirected ¡cycles) ¡and ¡whirls ¡(directed ¡cycles) ¡

• ccur ¡because ¡of ¡sequencing ¡errors ¡or ¡repeats ¡in ¡the ¡
• genome. ¡

ABC BCD CDE DEF EFG FGK GKL FGH GHI HIC ICD

De ¡Bruijn ¡Graph ¡of ¡a ¡Genome ¡

22 ¡

Example ¡Genome: ¡ ¡ ¡ABCDEFGHICDEFGKL ¡ Example ¡Genome: ¡ ¡ ¡ABCDEFGHICDEFGKL

1 ¡ 3 ¡ 2 ¡ ABC BCD CDE DEF EFG FGK GKL FGH GHI HIC ICD

Typical ¡De ¡Bruijn ¡Graph ¡

… ¡

23 ¡

De ¡Bruijn ¡Graph ¡of ¡a ¡Genome ¡

24 ¡

Example ¡Genome: ¡ ¡ ¡ABCDEFGHICDEFGKL ¡ Example ¡Genome: ¡ ¡ ¡ABCDEFGHICDEFGKL

1 ¡ 3 ¡ 2 ¡ ABC BCD CDE DEF EFG FGK GKL FGH GHI HIC ICD

De ¡Bruijn ¡Graph ¡of ¡a ¡Genome ¡

25 ¡

ABC BCD CDE DEF EFG FGK GKL

Example ¡Genome: ¡ ¡ ¡ABCDEFGHICDEFGKL ¡ Example ¡Genome: ¡ ¡ ¡ABCDEFGHICDEFGKL

De ¡Bruijn ¡Graph ¡of ¡a ¡Genome ¡

26 ¡

ABC BCD CDE DEF EFG FGK GKL

Example ¡Genome: ¡ ¡ ¡ABCDEFGHICDEFGKL ¡ Resul(ng ¡Erroneous ¡Genome: ¡ ¡ ¡ABCDEFGKL

1 ¡

• The ¡number ¡of ¡subs(tu(on ¡errors, ¡inser(ons ¡and ¡

dele(ons ¡can ¡be ¡significantly ¡large. ¡

– ~9000 ¡errors ¡in ¡assembly ¡of ¡E.coli ¡with ¡Velvet. ¡ ¡ – 20 ¡to ¡30 ¡errors ¡for ¡every ¡100,000 ¡bp ¡with ¡SOAPdenovo. ¡

• Important ¡for ¡dis(nguishing ¡between ¡true ¡varia(on ¡

and ¡ar(facts ¡of ¡the ¡assembly. ¡

• But ¡why ¡do ¡assembly ¡errors ¡occur? ¡ ¡

Fragment ¡Assembly ¡Errors ¡

27 ¡

Contribu(ons ¡

Contribu(ons ¡

• Explain ¡what ¡the ¡graphs ¡are ¡saying. ¡

– Corollary: ¡Don’t ¡just ¡copy ¡graphs ¡from ¡the ¡paper. ¡

• Give ¡an ¡overview ¡of ¡what ¡the ¡contribu(ons ¡
• are. ¡
• Demonstrate ¡how ¡the ¡results ¡are ¡derived; ¡i.e. ¡

the ¡algorithm. ¡

• Make ¡sure ¡you ¡have ¡a ¡solid ¡understanding ¡

about ¡the ¡contribu(ons ¡and ¡algorithms ¡in ¡the ¡ paper ¡ ¡

Sample ¡Prepara(on ¡ Sequencing ¡ Assembly ¡ Analysis ¡

Fragments ¡ Reads ¡ Con(gs ¡

30 ¡

Sample ¡Prepara(on ¡ Sequencing ¡ Assembly ¡ Analysis ¡

Fragments ¡ Reads ¡ SEQuel ¡ Refined ¡Con(gs ¡ Reads ¡ Con(gs ¡

31 ¡

32 ¡

249 ¡ 1945 ¡

0 ¡ 200 ¡ 400 ¡ 600 ¡ 800 ¡ 1000 ¡ 1200 ¡ 1400 ¡ 1600 ¡ 1800 ¡ 2000 ¡

Euler-­‑SR ¡ Velvet ¡

Number ¡of ¡inser(ons ¡and ¡dele(ons ¡ Number ¡of ¡subs(tu(on ¡errors ¡

0 ¡ 1000 ¡ 2000 ¡ 3000 ¡ 4000 ¡ 5000 ¡ 6000 ¡ 7000 ¡ 8000 ¡ 9000 ¡

Euler-­‑SR ¡ Velvet ¡ ¡

8997 ¡ 325 ¡ 351 ¡ 47 ¡ 141 ¡ 31 ¡

Sample ¡Prepara(on ¡ Sequencing ¡ Assembly ¡ Analysis ¡

Fragments ¡ Reads ¡ SEQrepair ¡ Refined ¡Con(gs ¡ Reads ¡ Con(gs ¡

33 ¡

. ¡

I. Align ¡each ¡of ¡the ¡input ¡reads ¡to ¡each ¡of ¡the ¡ini(al ¡ con(gs. ¡ ¡ ¡ ¡ ¡

34 ¡

SEQuel ¡Algorithm ¡

. ¡

I. Align ¡each ¡of ¡the ¡input ¡reads ¡to ¡each ¡of ¡the ¡ini(al ¡ con(gs. ¡ ¡ ¡ ¡ ¡

35 ¡

SEQuel ¡Algorithm ¡

. ¡

I. Align ¡each ¡of ¡the ¡input ¡reads ¡to ¡each ¡of ¡the ¡ini(al ¡ con(gs. ¡ ¡ ¡ ¡ ¡

36 ¡

SEQuel ¡Algorithm ¡

. ¡

I. Align ¡each ¡of ¡the ¡input ¡reads ¡to ¡each ¡of ¡the ¡ini(al ¡ con(gs. ¡ ¡ ¡ ¡ ¡

37 ¡

1 ¡ 2 ¡ 5 ¡ 4 ¡ 7 ¡ 10 ¡ 17 ¡ 18 ¡ 19 ¡ 22 ¡ 24 ¡ 27 ¡ 25 ¡ 24 ¡ 1 ¡ 1 ¡ 2 ¡ 4 ¡ 7 ¡ 10 ¡ 15 ¡ 16 ¡ 16 ¡ 17 ¡ 18 ¡ 22 ¡ 22 ¡ 23 ¡

SEQuel ¡Algorithm ¡

. ¡

I. Align ¡each ¡of ¡the ¡input ¡reads ¡to ¡each ¡of ¡the ¡ini(al ¡ con(gs. ¡ ¡ ¡ ¡ ¡

38 ¡

1 ¡ 2 ¡ 5 ¡ 4 ¡ 7 ¡ 10 ¡ 17 ¡ 18 ¡ 19 ¡ 22 ¡ 24 ¡ 27 ¡ 25 ¡ 24 ¡ 1 ¡ 1 ¡ 2 ¡ 4 ¡ 7 ¡ 10 ¡ 15 ¡ 16 ¡ 16 ¡ 17 ¡ 18 ¡ 22 ¡ 22 ¡ 23 ¡

SEQuel ¡Algorithm ¡

I. Align ¡each ¡of ¡the ¡input ¡reads ¡to ¡each ¡of ¡the ¡ini(al ¡ con(gs. ¡ ¡ ¡ ¡ ¡

. ¡

39 ¡

• II. Build ¡the ¡posi5onal ¡red ¡black ¡de ¡Bruijn ¡graph ¡for ¡

each ¡set ¡of ¡reads. ¡ ¡ ¡ ¡

SEQuel ¡Algorithm ¡

Posi(onal ¡De ¡Bruijn ¡Graph ¡

I. Choose ¡a ¡value ¡of ¡k ¡and ¡Δ. ¡ II. Each ¡posi(onal ¡k-­‑mer ¡(sk) ¡is ¡an ¡edge ¡between ¡two ¡ posi(onal ¡(k ¡– ¡1)-­‑mers: ¡(pre)ix) ¡and ¡(suf)ix). ¡

• III. Posi(onal ¡(k ¡– ¡1)-­‑mers, ¡sk-­‑1 ¡and ¡sk-­‑1’, ¡are ¡glued ¡if ¡they ¡are ¡

within ¡Δ ¡and ¡they ¡that ¡have ¡the ¡same ¡label. ¡

40 ¡

A ¡posi(onal ¡k-­‑mer ¡is ¡a ¡k-­‑mer ¡with ¡an ¡approximate ¡ posi(on. ¡ ¡ ¡ ¡

De ¡Bruijn ¡Graph ¡of ¡a ¡Genome ¡

41 ¡

Example ¡Genome: ¡ ¡ ¡ABCDEFGHICDEFGKL ¡ Example ¡Genome: ¡ ¡ ¡ABCDEFGHICDEFGKL

ABC BCD CDE DEF EFG FGK GKL FGH GHI HIC ICD

Posi(onal ¡De ¡Bruijn ¡Graph ¡

42 ¡

ABCD,1 BCDE,2 CDEF,3 DEFG,4 EFGH,5 FGHI,6 HICD,7 ICDE,8 CDEF,9 DEFG,10 EFGK,11 FGKL,12 Positional

𝑙-­‑mers ¡

Example ¡Genome: ¡ ¡ ¡ABCDEFGHICDEFGKL

Posi(onal ¡De ¡Bruijn ¡Graph ¡

43 ¡

ABC,1 BCD,2 CDE,3 DEF,4 FGH,6 GHI,7 HIC,8 ICD,9 CDE,10 DEF,11 FGK,13 EFG,12 … ¡ EFG,5

Example ¡Genome: ¡ ¡ ¡ABCDEFGHICDEFGKL

44 ¡ 44 ¡

1 ¡ 2 ¡ 5 ¡ 4 ¡ 7 ¡ 10 ¡ 17 ¡ 18 ¡ 19 ¡ 22 ¡ 24 ¡ 27 ¡ 25 ¡ 24 ¡

45 ¡ 45 ¡

Posi(onal ¡ ¡

𝑙-­‑mers ¡

AAGTAG, 1 AGTAGC, 2 GTAGCT, 3 TAGCTT, 4 AGCTTG, 5 AAGTAG, 5 AGTAGG, 9 GTAGGG,10 TAGGGC,11 AGGGCG,12

46 ¡ 46 ¡

AAGTAG,1

AAGTA,1

AGTAGC,2 GTAGCT,3 TAGCTT,4 AGCTTG,5 AAGTAG,5

AGTAG,2 GTAGC,3 TAGCT,4 TAGCT,4 GCTTG,6 AGCTT,5 AGCTT,5 AAGTA,5 AGTAG,6 AGTAG,9 AGTAG,2 GTAGC,3

AGTAGG,9

GTAGG,10 GTAGG,10

GTAGGG,10

TAGGG,11

TAGGGC,11

TAGGG,11 AGGGC,12 AGGGC,12

AGGGCG,12

GGGCG,13

47 ¡ 47 ¡

AAGTAG,1

AAGTA,1

AGTAGC,2 GTAGCT,3 TAGCTT,4 AGCTTG,5 AAGTAG,5

AGTAG,2 GTAGC,3 TAGCT,4 TAGCT,4 GCTTG,6 AGCTT,5 AGCTT,5 AAGTA,5 AGTAG,6 AGTAG,9 AGTAG,2 GTAGC,3

AGTAGG,9

GTAGG,10 GTAGG,10

GTAGGG,10

TAGGG,11

TAGGGC,11

TAGGG,11 AGGGC,12 AGGGC,12

AGGGCG,12

GGGCG,13

48 ¡ 48 ¡

AAGTAG,1

AAGTA,1

AGTAGC,2 GTAGCT,3 TAGCTT,4 AGCTTG,5 AAGTAG,5

GTAGC,3 TAGCT,4 TAGCT,4 GCTTG,6 AGCTT,5 AGCTT,5 AAGTA,5 AGTAG,6 AGTAG,9 AGTAG,2 GTAGC,3

AGTAGG,9

GTAGG,10 GTAGG,10

GTAGGG,10

TAGGG,11

TAGGGC,11

TAGGG,11 AGGGC,12 AGGGC,12

AGGGCG,12

GGGCG,13

49 ¡ 49 ¡

AAGTAG,1

AAGTA,1

AGTAGC,2 GTAGCT,3 TAGCTT,4 AGCTTG,5 AAGTAG,5

GTAGC,3 TAGCT,4 TAGCT,4 GCTTG,6 AGCTT,5 AGCTT,5 AAGTA,5 AGTAG,6 AGTAG,9 AGTAG,2 GTAGC,3

AGTAGG,9

GTAGG,10 GTAGG,10

GTAGGG,10

TAGGG,11

TAGGGC,11

TAGGG,11 AGGGC,12 AGGGC,12

AGGGCG,12

GGGCG,13

50 ¡ 50 ¡

AAGTAG,1

AAGTA,1

AGTAGC,2 GTAGCT,3 TAGCTT,4 AGCTTG,5 AAGTAG,5

GTAGC,3 TAGCT,4 TAGCT,4 GCTTG,6 AGCTT,5 AGCTT,5 AAGTA,5 AGTAG,6 AGTAG,9 AGTAG,2

AGTAGG,9

GTAGG,10 GTAGG,10

GTAGGG,10

TAGGG,11

TAGGGC,11

TAGGG,11 AGGGC,12 AGGGC,12

AGGGCG,12

GGGCG,13

51 ¡ 51 ¡

AAGTAG,1 AGTAGC,2 GTAGCT,3 TAGCTT,4 AGCTTG,5 AAGTAG,5 AGTAGG,9 GTAGGG,10 TAGGGC,11 AGGGCG,12

I. Align ¡each ¡of ¡the ¡input ¡reads ¡to ¡each ¡of ¡the ¡ini(al ¡ con(gs. ¡ ¡ ¡ ¡ ¡

. ¡

SEQuel ¡Algorithm ¡

52 ¡

• II. Build ¡the ¡posi(onal ¡de ¡Bruijn ¡graph ¡for ¡each ¡set ¡of ¡
• reads. ¡ ¡
• III. Remove ¡all ¡bulges ¡and ¡whirls ¡for ¡the ¡posi(onal ¡de ¡

Bruijn ¡graph. ¡ ¡

Similar ¡to ¡the ¡approach ¡to ¡Euler ¡(Pevzner, ¡Tang, ¡and ¡Tesler, ¡2004). ¡

I. Align ¡each ¡of ¡the ¡input ¡reads ¡to ¡each ¡of ¡the ¡ini(al ¡ con(gs. ¡ ¡ ¡ ¡ ¡

. ¡

53 ¡

• II. Build ¡the ¡posi(onal ¡de ¡Bruijn ¡graph ¡for ¡each ¡set ¡of ¡
• reads. ¡ ¡
• III. Remove ¡all ¡bulges ¡and ¡whirls ¡for ¡the ¡posi(onal ¡de ¡

Bruijn ¡graph. ¡

• IV. Con(g ¡recovery ¡and ¡refinement ¡using ¡alignment ¡of ¡

new ¡con(gs ¡with ¡those ¡of ¡the ¡original ¡assembly. ¡ ¡

SEQuel ¡Algorithm ¡

54 ¡ 54 ¡

AAGTAG,1 AGTAGC,2 GTAGCT,3 TAGCTT,4 AGCTTG,5 AAGTAG,5 AGTAGG,9 GTAGGG,10 TAGGGC,11 AGGGCG,12

55 ¡ 55 ¡

AAGTAG,1 AGTAGC,2 GTAGCT,3 TAGCTT,4 AGCTTG,5 AGTAGG,9 GTAGGG,10 TAGGGC,11 AGGGCG,12

56 ¡ 56 ¡

AAGTAG,1 AGTAGC,2 GTAGCT,3 TAGCTT,4 AGCTTG,5 AGTAGG,9 GTAGGG,10 TAGGGC,11 AGGGCG,12

AAGTAGCTTG AGTAGGGCG

57 ¡ 57 ¡

Ini(al ¡con(g ¡

GGCTTCCGAGGACCACTGGATTATGA

58 ¡ 58 ¡

GGCTTCCGAGGACCACAAATGGATTATGA TCCGACCACCAC CCGAGGACCACAAATGGAT ¡ GGTTTATGG GCGGGCCGAGGACCACA ¡

Par(al ¡con(gs ¡

GGCTTCCGAGGACCAC TGGATTATGA

Ini(al ¡con(g ¡

• 1. ¡ ¡
• 2. ¡ ¡
• 3. ¡ ¡
• 4. ¡ ¡

59 ¡ 59 ¡

GGCTTCCGACCACCAC TGGATTATGA TCCGACCACCAC CCGAGGACCACAAATGGAT ¡ GGTTTATGG GCGGGCCGAGGACCACA ¡

• 1. ¡ ¡
• 2. ¡ ¡
• 3. ¡ ¡
• 4. ¡ ¡

60 ¡ 60 ¡

GGCTTCCGACCACCACAAATGGATTATGA CCGAGGACCACAAATGGAT ¡ GGTTTATGG GCGGGCCGAGGACCACA ¡

• 2. ¡ ¡
• 3. ¡ ¡
• 4. ¡ ¡

61 ¡ 61 ¡

GGCTTCCGACCACCACAAATGGTTTATGG GGTTTATGG GCGGGCCGAGGACCACA ¡

• 3. ¡ ¡
• 4. ¡ ¡

62 ¡ 62 ¡

GCGGGCCGAGGACCACAAATGGTTTATGG GCGGGCCGAGGACCACA ¡

• 4. ¡ ¡

63 ¡ 63 ¡

GCGGGCCGAGGACCACAAATGGTTTATGG

Repeat ¡the ¡process ¡for ¡all ¡con(gs. ¡

Paper ¡Cri(que ¡

Give ¡insigh]ul ¡cri(ques ¡

• Don’t ¡say ¡that ¡the ¡method ¡can ¡be ¡improved ¡

to ¡use ¡less ¡memory ¡or ¡less ¡5me… ¡

• Don’t ¡say ¡that ¡another ¡dataset ¡could ¡have ¡

been ¡used. ¡

• Give ¡some ¡cri(que ¡that ¡shows ¡some ¡insight ¡or ¡

thought ¡into ¡the ¡paper. ¡

• Insight ¡takes ¡some ¡(me ¡and ¡effort ¡so ¡make ¡

sure ¡you ¡read ¡your ¡paper ¡early ¡and ¡think ¡about ¡ what ¡it ¡is ¡about ¡and ¡how ¡the ¡methods ¡could ¡be ¡

• improved. ¡
• Give ¡at ¡least ¡3 ¡to ¡4 ¡insights. ¡

¡

Improvement ¡1: ¡

Would ¡itera5ve ¡improvement ¡work? ¡

• One ¡follow-­‑up ¡study ¡could ¡consider ¡how ¡to ¡

itera(vely ¡improve ¡the ¡refinement ¡process ¡by ¡ taking ¡the ¡output ¡of ¡the ¡ith ¡itera(on ¡of ¡SEQuel ¡ and ¡use ¡it ¡as ¡the ¡input ¡con(gs ¡to ¡the ¡(i+1)th ¡ itera(on. ¡ ¡

Improvement ¡2: ¡

The ¡choice ¡of ¡ordering ¡the ¡con5gs ¡from ¡the ¡ PDBG ¡is ¡random ¡and ¡could ¡be ¡improved. ¡

• Choosing ¡to ¡order ¡the ¡con(gs ¡by ¡size ¡of ¡

coverage ¡appears ¡to ¡be ¡somewhat ¡random. ¡ ¡ Choosing ¡another ¡ordering ¡or ¡cut-­‑offs ¡could ¡ yield ¡improvement. ¡

Improvement ¡3: ¡

Assessment ¡of ¡remaining ¡errors? ¡

• Do ¡the ¡remaining ¡error ¡occur ¡in ¡repeat ¡

regions? ¡ ¡If ¡so, ¡that ¡implies ¡no ¡further ¡ improvement ¡can ¡be ¡made. ¡ ¡Otherwise, ¡what ¡ is ¡preven(ng ¡the ¡last ¡remaining ¡errors ¡to ¡be ¡ corrected? ¡

Improvement ¡5: ¡

Improvement ¡to ¡single-­‑cell? ¡

• The ¡Ecoli. ¡k-­‑12 ¡substr. ¡MG ¡1655 ¡was ¡used ¡as ¡

the ¡reference ¡genome ¡for ¡comparison ¡to ¡the ¡ single-­‑cell ¡ecoli ¡assemblies. ¡ ¡The ¡SC ¡ecoli ¡ assemblies ¡may ¡differ ¡from ¡this ¡substr. ¡

Ques(ons ¡for ¡audience ¡

Examples: ¡ ¡

• How ¡could ¡you ¡test ¡the ¡conjecture ¡about ¡

“improvement ¡4”? ¡

• What ¡cri(ques ¡does ¡the ¡audience ¡have ¡that ¡

has ¡not ¡been ¡men(oned? ¡

• Do ¡you ¡think ¡itera(ve ¡improvement ¡will ¡

increase ¡the ¡performance? ¡If ¡so, ¡why? ¡ ¡For ¡ how ¡many ¡itera(ons? ¡

• What ¡other ¡ordering ¡for ¡the ¡PDBG ¡con(gs ¡

could ¡be ¡used? ¡