MUSIC: A Hybrid Computing Environment for Burrows-Wheeler Alignment for Massive Amount of Short Read Sequence Data
高通量DNA测序仪在分子水平上对疾病的理解、农业标记辅助选择和微生物遗传学研究中变得不可或缺。这些测序仪器产生大量的数据(通常是一个月内的TB级原始数据),需要有效的分析,管理和解释。目前常用的测序仪器每次运行可产生数十亿个短读段(最多150个碱基)。数据分析步骤的第一步是将这些短读段与所选参考基因组进行比对。有不同的开源算法可用于与参考基因组的序列比对。这些工具通常具有高计算开销,无论是在处理器和内存的数量方面。在这里,我们提出了一个混合计算环境,称为MUSIC(映射使用混合计算)的一个最流行的开源序列比对算法,BWA,使用加速器,显示出显着的改善速度超过串行代码。
2014-02-04 q-bio.GN
Multiple Sequence Alignment System for Pyrosequencing Reads
焦磷酸测序是新兴的测序技术之一,能够在单次运行中产生多达100,000个重叠读段。这种技术比现有的最先进的测序技术如Sanger更快和更便宜。然而,通过焦磷酸测序产生的读段尺寸短并且包含许多错误。此外,每个读段在参考基因组中具有特定位置。为了将这些读数用于任何后续分析,读数必须对齐。现有的多重序列比对方法不能使用,因为它们不考虑序列相对于基因组的特定位置,并且对于大量序列是非常低效的。因此,通常的做法是使用简单的成对比对,尽管其对于易出错的pyroread的准确性较差,或者使用基于顺序间隙传播的计算昂贵的技术。在本文中,我们开发了一种基于区域分解的计算效率高的方法,称为pyro-align,以对齐如此大量的读数。所提出的比对算法在短时间内准确地比对错误的读数,这比任何现有方法都快几个数量级。从多重比对获得的一致性确认比对的准确性。
2009-01-19 q-bio.GN
Minimap2: pairwise alignment for nucleotide sequences
动机:测序技术的最新进展有望实现平均$\sim$ 100千碱基(kb)的超长读段、高通量的全长mRNA或cDNA读段以及长度超过100兆碱基(Mb)的基因组重叠群。现有的比对程序无法或效率低下,处理这样的数据在规模,这迫切需要开发新的比对算法。结果:Minimap 2是一个通用的比对程序,可以根据大型参考数据库映射DNA或长mRNA序列。它与$\ge$ 100 bp长度的准确短读段、错误率$\sim$ 15%的$\ge$ 1 kb基因组读段、全长有噪声的直接RNA或cDNA读段以及数百兆碱基长度的组装重叠群或密切相关的全染色体一起工作。Minimap 2进行分裂读段比对,对长插入和缺失(INDEL)采用凹缺口成本,并引入新的免疫学以减少虚假比对。它比主流的短读段作图器在相当的准确度下快3-4倍,而对于基因组和mRNA读段,它在更高的准确度下快$\ge$ 30倍,超过了大多数专门用于一种比对类型的比对器。可用性和实施:https://github.com/lh3/minimap2联系方式:hengli@broadinstitute.org
2018-03-16 q-bio.GN
Pairwise heuristic sequence alignment algorithm based on deep reinforcement learning
已经开发了各种方法来分析生物体与其基因组序列之间的关联。其中,序列比对是最常用于生物基因组比较分析的方法。然而,传统的序列比对方法与序列的长度成比例地相当复杂,并且比对诸如人类基因组的长序列是显著具有挑战性的。目前,有几种多序列比对算法可以降低复杂度并提高各种基因组的比对性能。然而,已经有相对较少的尝试,以提高成对比对算法的比对性能。在掌握了这些问题之后,我们打算提出一种新的使用深度强化学习的序列比对方法。该研究展示了深度强化学习在序列比对系统中的应用方法以及深度强化学习如何改进传统的序列比对方法。
2020-10-26 q-bio.GN q-bio.QM
Integrating alignment-based and alignment-free sequence similarity measures for biological sequence classification
基于比对的序列相似性搜索虽然对某些类型的序列是准确的,但当用于更不同但功能相关的序列时,可能会产生不正确的结果,这些序列经历了在许多细菌和病毒基因组中观察到的序列重排。在这里,我们提出了一个分类模型,利用互补性的互补性为基础的和无互补性的相似性措施,旨在提高准确性的DNA和蛋白质序列的特点。我们的模型分类序列使用组合序列相似性得分计算自适应加权不同的序列相似性措施的贡献。权重独立地确定测试集中的每个序列,并反映训练集中个体相似性度量的区分能力。由于一些序列之间的相似性更准确地确定一种类型的措施,而不是另一种,我们的分类器允许不同的权重集与不同的序列。使用五种不同的相似性措施,我们表明,我们的模型显着提高了分类准确性,在目前的组合物和比对为基础的模型,预测分类谱系短病毒序列片段和完整的病毒序列。我们还表明,我们的模型可以有效地用于从一个真正的宏基因组数据集以及蛋白质序列的读段的分类。
2015-01-20 q-bio.GN q-bio.QM
Lower Bounds for Optimal Alignments of Binary Sequences
在参数序列比对中,两个序列的最佳比对被计算为错配和间隔的惩罚的函数,产生许多不同的最佳比对。这里我们给出了长度为n的二元序列的不同最佳比对摘要的最大数目的3/(2^{7/3}π^{2/3})n^{2/3} +O(n^{1/3} \log n)下界。这表明Gusfield et.在所有字母表上都是紧的,从而反驳了“n的平方根猜想”。因此,在所有长度为n的序列对上的不同的最佳比对概要(即,比对多面体的顶点)的最大数目是Theta(n^{2/3})。
2011-01-18 q-bio.GN q-bio.QM
An improved scoring matrix for multiple sequence alignment
进行多个序列比对的方式是基于从权重矩阵计算的最大评分信息内容的标准,但可能有两个或更多个比对具有相同的最高评分,导致选择最佳比对时的模糊性。本文通过引入联合权重矩阵的概念来消除多序列比对中最佳序列比对选择的随机性。利用改进的评分矩阵,对评分相等的比对进行迭代重评分,直到找到一个最佳比对,从而解决多序列序列比对中的多义性问题。
2014-02-28 q-bio.GN q-bio.QM
High Speed All-optical extended DV-Curve-based DNA sequence alignment utilizing wavelength and polarization modulation
本文提出了一种新的光学处理方法,用于探索基因组序列建立在光学相关器的全局比对和扩展DV曲线方法的局部比对。为了克服传统DV-曲线方法不能给出精确和简化的输出结果的问题,我们提出了HAWPOD,建立在DV-曲线方法的基础上,通过五个步骤来分析基因组序列:DNA编码、比对、噪声消除、简化和修改。此外,全光学实现的HAWPOD方法的开发,而其准确性进行了验证,通过数值模拟在LUMERICAL FDTD。实验结果表明,该方法比基本局部比对搜索工具等电学方法快得多。
2017-12-27 q-bio.GN q-bio.QM
Fast sequence to graph alignment using the graph wavefront algorithm
动机:泛基因组图表示基因组的集合,并编码它们之间的序列变异。它是研究多个相似基因组的强大数据结构。序列图比对是构建和分析泛基因组图的重要步骤。然而,现有的算法产生的运行时间成正比的产品的序列长度和图的大小,使他们低效的比对长序列对大型图。结果:我们提出了图形波前对齐算法(Gwfa),一个新的方法对齐序列的序列图。虽然Gwfa的最坏情况下的时间复杂度与现有算法相同,但它的设计是为了更快地运行紧密匹配的序列,并且其运行时间在实践中通常仅随着最佳比对的编辑距离适度增加。在四个真实数据集上,Gwfa比其他精确序列到图比对算法快四个数量级。我们还提出了一个图形修剪启发式Gwfa,它可以实现额外的$\sim$ 10倍的加速大型图。可用性:Gwfa代码可在www.example.com上访问。
2022-06-27 q-bio.GN q-bio.QM
An Overview of Multiple Sequence Alignment Systems
综述了目前的多重比对系统,介绍了有用的算法,所采用的程序及其局限性,我们还介绍了所获得的比对的质量,以及在哪些情况下(比对的种类,序列的种类等),特定的系统是有用的。
2009-01-18 cs.DS q-bio.GN q-bio.QM
Alignment of protein-coding sequences with frameshift extension penalties
我们介绍了一种算法的比对蛋白质编码序列占移码。该算法的主要特点相比,以前发表的蛋白质编码序列比对方法是引入了一个罚成本移码延伸。以前的算法只使用恒定的移码惩罚关系。这类似于在经典序列比对算法中使用具有仿射空位罚分的评分方案。然而,比对中移码部分的总体罚分不能用仿射函数表示,因为它还应该包含不同的密码子取代评分。该算法的第二个特点是其搜索空间是在两个DNA序列之间的比对的经典定义下的两个编码序列之间的所有可能比对的集合。以前的算法已经引入了对路线长度的约束,以及用于表示路线中移码开口的附加符号。该算法具有与经典的Needleman-Wunsch算法相同的渐近空间复杂度和时间复杂度。
2015-08-19 cs.CE cs.DS q-bio.GN
Alignment-Free Sequence Analysis and Applications
基于大量下一代测序(NGS)数据的基因组和宏基因组比较由于巨大的数据大小和相对较短的读段长度而对基于测序的方法提出了重大挑战。基于NGS数据中单词模式计数的无比对方法不依赖于完整的基因组,并且通常计算效率高。因此,它们对基因组和宏基因组比较有显著贡献。最近,新的统计方法已被开发用于比较长序列和鸟枪序列。这些方法已被应用于许多问题,包括基因调控区,基因组序列,宏基因组,在宏基因组数据中的合并重叠群的比较,病毒-宿主相互作用的鉴定,和水平基因转移的检测。我们提供了一个更新的审查这些应用程序和其他相关的发展字计数为基础的方法进行无干扰序列分析。
2018-03-26 q-bio.GN q-bio.QM
Probabilistic pairwise sequence alignment
我们描述了一种新的算法,用于可视化的生物序列的比对,根据概率模型的演变。所得到的数据阵列很容易被人眼解释,并适用于数字图像技术。我们使用小鼠和大鼠的mRNA序列:三种细胞色素,褐家鼠Cyp 2a 1,Cyp 2a 2(Medline:90212624)和小家鼠Cyp 2a 12(Medline:93249380);和两种锌指蛋白,小家鼠zfp 111和zfp 235(Medline:22683274)。基本的进化模型是由Thorne,Kishino和Felsenstein提出并由Hein等人改进的。演示实现对齐两个序列使用时间和内存平方的平均序列长度。该算法是可扩展的,后海因,多个序列。我们提到了一个减少时间和内存需求的基本方法。
2004-09-29 q-bio.GN q-bio.PE
High Performance Multiple Sequence Alignment Algorithms for Comparison of Microbial Genomes
针对微生物基因组多序列全局比对,本文提出按分区依赖并行切分动态规划超立方评分张量的索引方案,并在支原体 rpoB 基因序列上验证性能。
2023-11-29 cs.DC q-bio.GN
Shouji: A Fast and Efficient Pre-Alignment Filter for Sequence Alignment
动机:生成大量测序数据的能力继续压倒现有算法和计算基础设施的处理能力。在这项工作中,我们探索使用硬件/软件协同设计和硬件加速,以显着减少短序列比对的执行时间,这是分析测序基因组的关键步骤。我们介绍了Shouji,一个高度并行和准确的预对准滤波器,显着降低了计算成本高的动态规划算法的需要。我们提出的预对准滤波器的第一个关键思想是通过正确检测两个给定序列之间共享的所有公共序列来提供高的滤波精度。第二个关键思想是设计一个硬件加速器,采用现代FPGA(现场可编程门阵列)架构,以进一步提高我们的算法的性能。结果如下:与最先进的预对准滤波器GateKeeper和SHD相比,Shouji显著提高了预对准滤波的精度,最高可达两个数量级。我们基于FPGA的加速器比Shouji的等效CPU实现快三个数量级。使用单个FPGA芯片,我们对将Shouji与五个最先进的序列比对器集成的好处进行了基准测试,这些序列比对器是为不同的计算平台设计的。添加Shouji作为预比对步骤,将五种最先进的序列比对器的执行时间减少了18.8倍。Shouji可以适用于任何执行序列比对以进行验证的生物信息学管道。与大多数旨在加速序列比对的现有方法不同,Shouji不会牺牲任何比对器功能,因为它不会修改或替换比对步骤。可用性:https://github.com/CMU-SAFARI/Shouji
2019-04-15 cs.CE cs.DS q-bio.GN
Bridging Sequence-Structure Alignment in RNA Foundation Models
University of Exeter(埃克塞特大学);Qiyuan Lab(启元实验室)
针对现有RNA基础模型序列-结构对齐不足的问题,提出基于结构上下文建模的OmniGenome模型,实现序列与结构双向映射,在EternaV2等基准上性能显著优于现有模型。
2024-12-13 cs.CL q-bio.GN
Improving spliced alignment for identification of ortholog groups and multiple CDS alignment
剪接比对问题(SAP)是指在未剪接的基因组序列上寻找一个剪接的RNA序列的最佳半全局比对,已被广泛应用于基因组中基因结构的预测和注释。在这里,我们重新访问它的目的是确定CDS直系同源群内的一组CDS同源基因和计算多个CDS对齐。我们引入了一个新的约束版本的拼接比对问题,连同一个算法,利用输入RNA和基因序列的外显子-内含子结构的全部信息,以计算高覆盖率的准确比对。我们展示了如何成对剪接的CDS和一个基因家族的基因序列之间的比对可以直接使用,以便clustering一组的基因家族的CDS成一组的直系同源群。我们还介绍了一个扩展的拼接比对问题,称为多拼接比对问题(MSAP),包括在同时对齐几个RNA序列的几个基因从同一个基因家族。我们开发了一个启发式算法的解决方案的问题。我们展示了如何利用多个剪接的同源CDS成直系同源物和密切paradigs组的聚类路线,并为建设多个CDS路线。该方法在Python中的实现可按需提供到SFA@USherbrooke.ca。关键词:剪接比对,CDS直向同源群,多重CDS比对,基因结构,基因家族。
2017-09-18 cs.DS q-bio.GN
Using Sequence Ensembles for Seeding Alignments of MinION Sequencing Data
Oxford Nanopore MinION测序仪是目前最小的测序设备。虽然能够产生非常长的读段(报道了高达100 kbp的读段),但其易于产生高达30%的高测序出错率。由于这些错误中的大多数是插入或删除,因此很难适应流行的基于种子的算法,该算法被设计用于以低得多的出错率比对数据集。MinION读段的碱基识别通常使用隐马尔可夫模型完成。在本文中,我们建议从这样的概率模型中采样的序列的集合来表示每个测序读取。与对每个读段使用单个代表性碱基识别序列相比,这种方法可以提高接种比对的灵敏度和假阳性率。
2016-06-28 cs.DS q-bio.GN
FPGA Acceleration of Sequence Alignment: A Survey
基因组学正在改变我们对人类,进化,疾病和药物的理解,仅举几例。随着测序技术的发展,收集DNA序列需要更少的时间,从而每天产生更多的遗传数据。今天,生成基因数据的速度超过了计算能力的增长速度。目前的测序仪每天可以对50个人类基因组进行测序;然而,将读取序列与参考基因组进行比对并组装基因组将需要1300个CPU小时。构建基因组的主要步骤是将读数与参考基因组进行比对。已经提出了许多加速器来加速DNA比对过程。基于FPGA的加速器提供了大量的并行性,在加速DNA比对算法方面表现出了出色的性能。此外,基于FPGA的加速器提供比通用处理器更好的能效。本文介绍了三种主要的DNA比对算法,以及这些算法的FPGA实现,以加速DNA比对。我们还比较了这三种对齐类别,并展示了加速器在此期间的发展情况。
2020-07-28 cs.AR q-bio.GN q-bio.QM
Adaptive BLASTing through the Sequence Dataspace: Theories on Protein Sequence Embedding
我们认为系统发育谱提供了一种定量方法,可以将蛋白质的结构和功能特性以及它们的进化关系联系起来。系统发育谱的一个关键特征是可互操作的数据格式(例如比对信息、生理化学信息、基因组信息等)。事实上,我们以前已经证明了位置特异性评分矩阵(PSSM)是一个信息M维,可以从嵌入或未修饰的序列比对的定量测量进行评分。此外,从这些比对中获得的信息是有用的,即使在序列相似性的模糊区(<25%同一性)(1-5)。虽然强大,我们以前的嵌入策略遭受污染对齐(嵌入和未修改)和计算费用。在这里,我们描述了一个启发式嵌入策略(自适应GDDA-BLAST,Ada-BLAST)的逻辑和算法过程。Ada-BLAST平均快约19倍,与我们以前的方法具有相似的灵敏度。此外,我们提供的数据表明嵌入式对齐测量隔离二级结构元件和分类跨膜结构域的结构/功能的好处。我们推测,序列嵌入是多种方式之一,低身份比对可以测量和纳入高性能的PSSM为基础的系统发育概况。
2009-11-03 q-bio.GN q-bio.QM
A Linear Time Quantum Algorithm for Pairwise Sequence Alignment
该研究将DNA序列比对问题映射为二维图路径搜索问题,结合收益计算预言机与Grover搜索算法,提出了可在线性时间内得到最优比对的量子算法,还能为非结构化搜索带来二次加速,优于经典确定性及现有随机算法。
2025-09-03 cs.CE cs.DS q-bio.GN
Ultra-large alignments using Phylogeny-aware Profiles
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Texas at Austin(德克萨斯大学奥斯汀分校)
许多生物学问题,包括深层进化历史的估计和蛋白质序列之间的远程同源性的检测,依赖于多个序列比对(MSA)和大型数据集的系统发育树。然而,精确的大规模多序列比对是非常困难的,特别是当数据集包含片段序列时。我们提出了UPP,MSA方法,使用一种新的机器学习技术-隐马尔可夫模型的包围-我们在这里提出。UPP可对核苷酸和氨基酸序列进行高度准确的比对,即使在超大数据集或包含片段序列的数据集上也是如此。UPP可在https://github.com/smirarab/sepp上获得。
2015-04-05 cs.CE cs.LG q-bio.GN
Probabilistic sequence alignments: realistic models with efficient algorithms
比对算法通常依赖于简化的间隙模型以提高计算效率。基于一个同构的路线和物理螺旋线圈模型,我们表明,在统计力学的路线与现实的法律差距可以计算快速算法。改进的性能与现实模型的差距的概率对齐。概率和优化配方进行了比较,在许多领域和角度的计算有效的扩展马尔可夫模型与现实的远程相互作用的潜在影响。
2006-06-09 cond-mat.dis-nn cond-mat.stat-mech physics.bio-ph
Sample-Align-D: A High Performance Multiple Sequence Alignment System using Phylogenetic Sampling and Domain Decomposition
多序列比对是计算生物学中计算量最大的任务之一。用于多序列比对的现有最佳已知解决方案花费数小时(在某些情况下为数天)的计算时间来比对例如平均长度为300的2000个同源序列。受并行处理中的样本排序方法的启发,本文提出了一种高度可扩展的多处理器解决方案,用于遗传多样性序列中的MSA问题。我们的方法采用了一个智能的计划,使用kmer计数为基础的相似性指数,称为k-mer秩的序列集划分成更小的子集。然后使用任何顺序方法独立并行对齐每个子集。使用从整个集合的全局祖先导出的约束来实现局部对准的进一步微调。提出的Sample-Align-D算法已在一个工作站集群上使用MPI消息传递库实现。所提出的解决方案的准确性已在标准基准测试,如PREFAB。由我们的方法产生的对齐的准确性是众所周知的顺序MSA技术相媲美。我们能够在16个节点的集群上使用Sample-Align-D在不到10分钟的时间内从Methanosarcina acetivorans基因组中比对2000个随机选择的序列,而在单个集群节点上运行的顺序MUSCLE系统超过23小时。
2009-01-18 cs.DC q-bio.GN q-bio.QM
PEACH Tree: A Multiple Sequence Alignment and Tree Display Tool for Epidemiologists
PEACH Tree是一个易于使用的在线工具,用于并排显示多个序列比对和系统发育树。PEACH Tree是一个强大的工具,可以快速追踪进化和传播历史,通过过滤不变的网站,并允许样本容易地从显示中过滤出来。这些功能加上显示流行病学元数据的能力,使该工具适用于传染病流行病学。PEACH Tree进一步实现了基因组学和传染病流行病学领域之间急需的沟通,如COVID-19大流行病。
2021-12-12 q-bio.GN q-bio.PE q-bio.QM
Phylogenetic automata, pruning, and multiple alignment
我们提出了一个扩展的Felsenstein的算法的indel模型上定义的整个序列,而不需要一个多重比对的条件。该算法利用概率替代矩阵加权有限状态传感器的泛化。我们的方法可以等效地被看作是一个渐进的多个序列比对的概率公式,使用偏序图来表示祖先序列的系综配置文件。我们提出了一个分层随机逼近技术,使该算法易于处理的合理规模的比对分析。
2014-10-23 q-bio.GN q-bio.PE q-bio.QM