глубоко вникнуть на скорую руку, к сожалению, не удалось
если интересуют подробности - вот справочная литература
https://arxiv.org/abs/1310.0424

http://dic.academic.ru/dic.nsf/ecolog/4823/МЕТОД

пример использования - статья на стр. 58
https://tidings.tsu.tula.ru/tidings/pdf/web/file/tsu_izv_nat...

--------------------------------------------------
Note added at 10 hrs (2016-11-25 22:20:33 GMT)
--------------------------------------------------

русскоязычные примеры плохие - не о том, нашел вот еще неплохое описание процедуры на английском
http://www.wernerlab.org/teaching/qiime/overview/e
смысл процедуры разрежения сводится к выравниванию или нормализации образцов по глубине прочтения

--------------------------------------------------
Note added at 1 day3 hrs (2016-11-26 15:39:06 GMT)
--------------------------------------------------

Возможно правильнее будет перевести как
нормализация библиотек/данных секвенирования образцов по глубине прочтения/покрытию


Становится возможным проводить точное сравнение двух и более библиотек генов, даже если они были получены с разного количества клеток и секвенированы с разной глубиной покрытия. Для этого, например, можно в ходе анализа использовать из каждого образца равное число случайно выбранных последовательностей, помеченных разными уникальными молекулярными баркодами. Поскольку каждая прочтенная последовательность с уникальным баркодом соответствует отдельной молекуле ДНК либо кДНК, такая нормализация данных секвенирования позволяет кардинально снизить уровень искажения количественной информации, накопленной в ходе амплификации и секвенирования кДНК-библиотеки.
http://rsmu.ru/fileadmin/rsmu/img/about_rsmu/departments/red...

Нормализация данных RNA-Seq необходима из-за различий в глубине секвенирования, длине генов, отличий между образцами по количеству молекул.
http://webcache.googleusercontent.com/search?q=cache:J_MSPyO...

Ведь нулевые значения в образцах с низким покрытием неправильно трактуются как отсутствие данного гена/таксона, в то время как они могут быть всего лишь результатом недостаточного покрытия. Один из методов - metagenomeSeq [71] - учитывает эту особенность данных, моделируя распределение метагеномного состава как смесь смещенных к нулю (англ. zero-inflated) Гауссовых распределений. При этом предварительная нормализация направлена на избавления от смещенности оценки, связанной с неравномерностью покрытия.
http://webcache.googleusercontent.com/search?q=cache:RdXMVQS...