FASTA 文件统计：序列数、长度分布与 N50

粘贴 multi-FASTA，立刻得到条数、总长、N50/L50、GC% 和长度分布。

粘贴 multi-FASTA 内容

拿到一份组装结果或一批序列，第一件事是看基本统计量。

N50 是最常被误解的指标。定义是：把所有 contig 按长度从大到小排序，依次累加，当累加长度首次达到总长度一半时，当前这条 contig 的长度就是 N50。它衡量的是「组装的连续性」——N50 越大，说明长片段占的比重越高。

L50 是达到一半总长所需要的 contig 条数。N50 和 L50 是一对，方向相反。

要注意 N50 有个众所周知的缺陷：它对总长度敏感。如果组装漏掉了一大堆短 contig，总长变小，N50 反而会变好看。所以 N50 必须和总长度、序列条数一起看，单独一个数没有意义。

本工具全部在浏览器内计算，序列不会上传。大文件建议先取子集。

N50 是怎么算的：一个小例子

五条 contig，长度 100、80、60、40、20，总长 300，半长 150：

累加 100          < 150
累加 100+80 = 180 ≥ 150  ← 首次达到
N50 = 80（当前这条的长度）
L50 = 2（用了 2 条）

假设一份组装是 100, 50 加上十条长度 10 的短 contig：

组装	条数	总长	N50
完整	12	250	50
丢掉全部短 contig	2	150	100

什么都没改进，只是把短片段扔掉，N50 就翻了一倍。 因为 N50 的分母是组装总长，总长缩水，半长的门槛也跟着降低。

NG50 把分母换成估计的基因组大小，而不是组装总长。上面那个例子按基因组 250 计：

组装	NG50
完整	50
丢掉短 contig	50

分母固定了，扔片段就占不到便宜。 比较不同组装时，只要基因组大小估计一致，NG50 比 N50 公平得多。本工具给的是 N50/L50（不需要额外输入），要算 NG50 请自行代入基因组大小。

scaffold 由 contig 用 N 连接而成，长度里包含未知碱基。 scaffold N50 通常远大于 contig N50，两个数放在一起比没有意义。看文献报告的组装质量时，先确认它报的是哪一个。

在总长度和完整性相当的前提下才成立。N50 对总长敏感，丢掉大量短 contig 会让 N50 虚高，所以必须和总长、条数、BUSCO 完整度一起看。

受浏览器内存限制，几十 MB 的文本通常没问题，整个哺乳动物基因组建议在本地用命令行工具处理。

不一定。N50 只衡量连续性，不衡量正确性——把两段不相邻的序列错误连接起来，N50 会变大而组装变差。评估组装质量要同时看总长与基因组估计的吻合度、BUSCO 之类的完整性指标，以及比对回读的一致性。N50 是必要不充分条件。

多半是纳入的序列不同。有的流程会先滤掉短于某个长度（常见 200 或 500 bp）的 contig 再算，有的把全部序列都算进去。前面已经说明，滤短片段会抬高 N50。报告 N50 时应同时写明是否设了长度阈值、阈值是多少。