Estimation of genome size using k-mer frequencies from corrected long reads
第三代长读段测序技术，如PacBio和Nanopore，在从头组装研究中比第二代Illumina测序具有很大的优势。然而，由于固有的低碱基准确度，第三代测序数据不能用于k-mer计数和基于k-mer频率估计基因组谱。因此，在目前的基因组计划中，第二代数据也是准确确定基因组大小和其他基因组特征所必需的。我们表明，校正后的第三代数据可以用来计算k聚体频率和估计基因组大小可靠，在使用第二代数据的替代。因此，未来的基因组计划可以只依靠一种测序技术来完成组装和k-mer分析，这将大大降低测序成本，无论是时间还是金钱。此外，我们提出了一个快速的轻量级工具kmerfreq，并使用它来执行所有的k-mer计数任务在这项工作中。我们已经证明，校正的第三代测序数据可用于估计基因组大小，并开发了一种新的开源C/C++ k-mer计数工具kmerfreq，可在https://github.com/fanagislab/kmerfreq上免费获得。
2020-03-26 q-bio.GN
The Mitochondrial Genome of Cathaya argyrophylla Reaches 18.99 Mb: Analysis of Super-Large Mitochondrial Genomes in Pinaceae
Hunan University of Arts and Science（湖南文理学院）；Chinese Medicine Research Institute of Beijing Tcmages Pharmaceutical Co., Ltd.（北京同仁堂制药有限公司中药研究所）；College of Forestry, Central South University of Forestry and Technology（中南林业科技大学林学院）；Huaihua University（怀化学院）；Hunan Normal University（湖南师范大学）
研究揭示石蒜属线粒体基因组达18.99 Mb，通过比较分析发现其超大基因组可能由重复序列、转座子活性及叶绿体序列整合等多重因素共同作用形成。
2024-10-09 q-bio.GN
When is Menzerath-Altmann law mathematically trivial? A new approach
孟泽拉特定律，Z的趋势，部分的平均大小，随着X的减少，部分的数量，在语言，音乐和基因组中发现。最近，有人认为，基因组中的定律的存在是Z = Y/X这一事实的必然结果，这意味着Z与X的比例为Z~1/X。这种比例是曼泽拉斯-阿尔特曼定律的一个非常特殊的例子，它已经被基因组中X和Y之间的相关性检验所否定，X是一个物种的染色体数量，Y是基因组的碱基大小，Z是平均染色体大小。在这里，我们回顾了该测试的统计基础，并考虑基于不同的相关性度量的三个非参数测试和一个参数测试，以评估基因组中的Z~1/X。最有效的检验是一种新的基于相关比的非参数检验，它能够在11个分类组中的9个中拒绝Z~1/X，并检测出边缘组。Z~1/X不是事实，而是真实基因组不符合的基线。认为孟泽拉特-奥特曼定律是不可避免的观点是有严重缺陷的。
2014-04-25 physics.data-an q-bio.GN q-bio.QM
Classification of life by the mechanism of genome size evolution
生命的分类应该基于生命进化的基本机制。我们发现，物种之间的全球关系应该是循环系统发育，这与基于系统发育树的常识有很大的不同。通过对当代物种蛋白质长度分布的分析，可以清楚地观察到系谱圈。因此，我们建议域可以定义为区别系统发育圈，这是全球性的和稳定的生活系统的特征。阐明了基因组大小进化的机制，从而解释了C值之谜的主要组成问题。根据蛋白质长度分布的相关性和准周期性，我们还可以将生命分为三个域。
2009-05-17 q-bio.GN q-bio.PE
Number of natively unfolded proteins scales with genome size
天然未折叠的蛋白质作为柔性构象的集合体存在，其多肽链的大部分缺乏明确的三级结构。尽管缺乏稳定的构型，但它们参与重要的细胞过程。在这项工作中，我们使用了来自蛋白质序列的平均包装和平均接触能的分析以及来自疾病预测因子VSLI 2的三个折叠状态指标，并将它们组合成共识评分，以识别来自细菌、细菌和真核生物的几个基因组中的天然未折叠蛋白质。我们发现预测的天然未折叠蛋白质的数量与基因组中蛋白质的数量之间存在高度相关性。更具体地说，天然未折叠蛋白质的数量与基因组中蛋白质的数量成比例，指数为1.81 ± 0.10。这种比例定律对于理解天然未折叠蛋白质的数量与它们在细胞过程中的作用之间的关系可能很重要。
2008-07-11 q-bio.GN q-bio.PE
TwoPaCo: An efficient algorithm to build the compacted de Bruijn graph from many complete genomes
动机：De Bruijn图已经被提出作为一种数据结构，以便于在群体和比较基因组环境中分析相关的全基因组序列。然而，目前的方法不能很好地扩展到许多大尺寸的基因组（如哺乳动物基因组）。结果如下：在本文中，我们提出了TwoPaCo，一个简单的和可扩展的低内存算法直接从一组完整的基因组构建紧凑的de Bruijn图。我们证明了它可以在一个典型的共享内存机器上，在不到一天的时间内构建100个模拟人类基因组的图，在不到两个小时的时间内构建8个真正的灵长类动物的图。我们相信，这一进展将使数百个马达加斯加大小的基因组的新的生物学分析成为可能。可用性：我们的代码和数据可从github.com/medvedevgroup/TwoPaCo下载联系方式：ium125@psu.edu
2016-02-18 cs.DS q-bio.GN
Synteny in Bacterial Genomes: Inference, Organization and Evolution
基因并不是随机分布在基因组中的。同线性，即它们在不同物种基因组中相对位置的保守性，反映了自然进化的基本限制。我们提出的方法来推断对多个基因组的共定位基因，描述他们的组织，并研究他们的进化历史。因此，在细菌基因组中，我们确定了共线性单位，或“syntons”，这是包含和扩展操纵子的近端基因簇。这些共振子的尺寸分布将它们分为大共振子和较小的共振子，大共振子对应于细菌的基本大分子复合物，较小的共振子显示出显著的尺寸指数分布。这种分布在两个方面是“普遍的”：它适用于差异巨大的基因组，以及功能不同的基因。此前在细菌基因组研究中也报道过类似的统计规律，通常归因于纯化选择或中性过程。在这里，我们进行了一个新的分析的基础上的概念的简约性，并发现，流行的进化机制背后的小synton的形成是一个选择性的基因聚集的过程。总而言之，我们的研究结果意味着一个共同的进化过程，选择性地塑造细菌基因组的组织和多样性。
2013-07-16 q-bio.GN
The challenges of statistical patterns of language: the case of Menzerath's law in genomes
语言统计模式的重要性已经争论了几十年。虽然齐普夫定律可能是最受欢迎的案例，但最近，门泽拉特定律也开始参与进来。孟泽拉特定律在语言、音乐和基因组中表现为在许多情况下，随着部分数量的增加，部分的平均大小会减少。这种统计规律也出现在基因组的背景下，例如，具有更多染色体的物种具有较小的平均染色体大小的趋势。有人认为，这一定律在基因组中的实例并不表明语言和基因组之间存在任何平行关系，因为（a）这一定律是不可避免的，（b）非编码DNA支配着基因组。在这里，这些批评的数学，统计和概念上的挑战进行了讨论。得出两个主要结论：规律并非必然，语言也有非编码DNA的关联。然而，这一规律在基因组内外的广泛表现表明，非编码DNA和某些语言单位之间惊人的相似性可能是理解这一统计规律反复出现的轶事。
2012-09-29 cs.CE physics.data-an q-bio.GN
Informed and Automated k-Mer Size Selection for Genome Assembly
基于de Bruijn图框架的基因组组装工具依赖于参数k，其表示难以量化的几种竞争效应之间的权衡。目前缺乏自动估计最佳k以使用和/或快速生成k聚体丰度的直方图的工具，这将允许用户做出明智的决定。我们开发了一种快速，准确的采样方法，构建近似丰度直方图与几个数量级的性能改进，比传统的方法。然后，我们提出了一个快速的启发式算法，使用生成的丰度直方图为假定的k值，以估计最好的可能值的k。我们使用不同的测序数据集测试了我们的工具的有效性，发现它对k的选择导致了一些最好的组装。我们的工具KmerGenie可在http://kmergenie.bx.psu.edu/上免费获得
2013-04-20 q-bio.GN
The parameters of Menzerath-Altmann law in genomes
在语言和音乐中，整体的大小和部分的大小之间的关系在许多描述层次（词素、单词、句子......）上都遵循曼泽拉斯-阿尔特曼定律。质量，法律规定，大的整体，其部分越小，例如，一个单词（音节）越长，它的音节（字母或音素）就越短。在基因组中也发现了这种模式：基因组（染色体）越长，其染色体（碱基对）越短。然而，最近有人认为，平均染色体长度是一个平凡的纯幂函数的染色体数目的指数为-1。本文研究了三个不同界的生物群体的平均染色体大小与染色体数目之间的函数依赖关系。纯幂函数的拟合产生-1.6和0.1之间的指数。结果表明，对于真菌、裸子植物、昆虫、爬行动物、辐鳍鱼和两栖动物，-1的指数是不可能的。即使当指数非常接近-1时，添加指数分量也能够在植物、哺乳动物、鳍鱼和两栖动物中产生更好的拟合。基因组中的Menzerath-Altmann定律参数显著偏离指数为-1的幂定律，但鸟类和软骨鱼类除外。
2012-06-14 physics.data-an q-bio.GN
Nucleotide Distribution Patterns in Insect Genomes
这项工作分析了10种昆虫基因组的全基因组核苷酸分布模式。应用两种内部测量：（i）GC变异和（ii）第三密码子核苷酸偏好。虽然基因组大小和整体GC水平没有表现出任何相关性与昆虫目，内部措施通常表现出较高的一致性水平。在我们分析的所有真核生物基因组中，翅夜蛾、蜜蜂和黄蜂的GC变异最高。蜜蜂和甲虫的基因组，具有相似的整体GC水平的不同目的昆虫，表现出显着的内部差异。蜜蜂基因组由于其高GC变异和“左手”基因位置而与众不同。
2007-02-18 q-bio.GN
Simple stochastic birth and death models of genome evolution: Was there enough time for us to evolve?
我们表明，简单的随机模型的基因组进化导致幂律渐近的蛋白质结构域家族大小分布。这些模型被称为出生、死亡和创新模型（BDIM），代表了一类特殊的平衡出生和死亡过程，其中结构域重复和删除率在二阶以下渐近相等。最简单的线性BDIM显示出与观察到的不同原核和真核基因组中结构域家族大小分布的极好拟合。然而，这里探讨的线性BDIM的随机版本预测，大型旁系同源家族的实际规模是在不切实际的长时间尺度上达到的。我们表明，引入非线性，这可能被解释为一个特定的顺序之间的相互作用的个别家庭成员，允许该模型实现基因组进化率，更好地与目前估计的个人复制/丢失事件的速率兼容。
2005-07-13 q-bio.GN q-bio.PE
Non-extensive Trends in the Size Distribution of Coding and Non-coding DNA Sequences in the Human Genome
我们使用非广泛统计学研究了四条测序最完整的人类染色体（包括编码最密集的19号染色体）的一级DNA结构。我们发现，指数的编码大小分布的衰减$5.2 \le r \le 5.7$的短尺度和$1.45 \le q \le 1.50$的大尺度之间的变化。相反，控制这四条染色体中非编码大小分布的衰减的指数对于短尺度取$2.4 \le r \le 3.2$值，对于大尺度取$1.50 \le q \le 1.72$值。这种定量差异，特别是在尾部指数$q$中，表明非编码（编码）尺寸分布具有长（短）范围相关性。DNA统计中的这种非平凡差异归因于作用于非编码（编码）DNA序列的非保守（保守）进化动力学。
2005-10-11 q-bio.GN
Range-Limited Heaps' Law for Functional DNA Words in the Human Genome
Stony Brook University（石溪大学）；The Feinstein Institutes for Medical Research, Northwell Health（费因斯坦医学研究所，诺思韦尔健康）；Institute of Nanoscience and Nanotechnology National Center for Scientific Research, “Demokritos”（纳米科学与技术研究所，德谟克利特国家科学研究中心）
研究功能DNA词在人类基因组中呈现范围受限的Heaps定律，通过定义编码蛋白质域的基因组区域，发现其词汇量与词频符合幂律分布，但受基因复制和Zipf定律影响，需通过二次回归验证。
2024-06-17 q-bio.GN
Microbial genome as a fluctuating system: Distribution and correlation of coding sequence lengths
将微生物基因组中编码序列序列的长度看作一个涨落系统，用统计物理的方法对其进行了表征。研究了包括细菌和几种古细菌在内的50个基因组的分布和相关性。通过秩-大小分析（Zipf定律）研究分布。我们发现，编码序列长度序列不服从与自然语言相反的Zipf定律。发现该分布更接近于指数分布。这种相关性似乎与自然语言相似。序列的分段分析表明是短程记忆系统。
2008-05-28 q-bio.GN
Law of Genome Evolution Direction : Coding Information Quantity Grows
研究了基因组进化的方向性问题。通过对C值悖论和基因组大小进化的分析，提出基因组功能编码信息量在进化过程中通过序列复制、编码扩展和外源基因转移而不断增长。基因组的功能编码信息量由两部分组成，即编码功能蛋白质的p-编码信息量和编码除氨基酸序列以外的其它功能元件的n-编码信息量。列举了功能编码信息量演化规律的证据。功能需求是编码信息量扩张的动力，信息量扩张是物种功能创新和延伸的途径。因此，基因组编码信息量的增加是获得新功能的一个量度，它决定了基因组进化的方向性。
2008-08-25 q-bio.CB q-bio.GN
Estimation of genomic characteristics by analyzing k-mer frequency in de novo genome projects
背景资料：随着新一代测序技术的快速发展，越来越多的基因组被重新测序和组装。然而，大多数处于片段和不完整的草图状态，因此通常难以知道准确的基因组大小和重复内容。此外，许多基因组是高度重复的或杂合的，这给目前利用短读段的组装器带来了问题。因此，有必要开发有效的组装独立的方法来准确估计这些基因组特征。结果如下：在这里，我们提出了一个框架，用于从测序数据中建模k-mer频率的分布，并估计基因组特征，如基因组大小，重复序列结构和杂合率。通过引入新的k-mer个体技术、浮点精度估计以及对测序误差和覆盖偏差的适当处理，我们的方法的估计精度比现有方法显著提高。我们还研究了各种基因组和测序特征如何使用模拟测序数据影响估计精度，并讨论了将我们的方法应用于真实测序数据的局限性。结论：在此基础上，我们表明，k-mer频率分析可以作为一个通用的和组装无关的方法来估计基因组特征，这可以提高我们对一个物种的基因组的理解，帮助设计基因组计划的测序策略，并指导组装算法的发展。本研究中开发的程序使用C/C++编写，可以在Github URL（https：//github.com/fanagislab/GCE）或BGI ftp（ftp：//ftp.genomics.org.cn/pub/gce）上免费访问。
2020-02-27 q-bio.GN
Application of compressed sensing to genome wide association studies and genomic selection
我们表明，被称为压缩传感（CS）的信号处理范例适用于全基因组关联研究（GWAS）和基因组选择（GS）。GWAS的目的是分离性状相关的基因座，而GS试图根据训练数据预测新个体的表型值。CS解决了这两种努力的共同问题，即基因型标记的数量往往大大超过样本量。我们表明，使用CS方法和理论，所有的位点的非零效应可以确定（选择）使用一个有效的算法，只要它们是足够少的数量（稀疏）相对于样本量。对于遗传力h2 = 1，随着样本量的增加，存在一个急剧的相变以完成选择。对于小于1的遗传力值，完全选择仍然可以发生，尽管过渡是平滑的。过渡边界仅弱依赖于基因分型标记的总数。过渡边界的交叉提供了一个客观的手段，以确定真正的影响时，正在恢复，我们将讨论检测边界的实用方法。对于h2 = 0.5，我们发现样本量是非零位点数量的30倍就足以获得良好的回收率。
2014-05-11 q-bio.GN stat.AP
Learning Genomic Structure from $k$-mers
Division of Scientific Computing, Department of Information Technology Science for Life Laboratory（科学计算系，信息科技科学生命实验室）；Uppsala University（乌普萨拉大学）
提出一种基于对比学习的基因组结构学习方法，从k-mer序列中学习嵌入表示，可用于aDNA比对、结构变异检测及宏基因组物种识别，性能与金标准BWA-aln相当。
2025-05-22 cs.LG q-bio.GN q-bio.QM
The C-value enigma and timing of the Cambrian explosion
寒武纪大爆发是对当今科学的巨大挑战，涉及多学科的研究。尽管在后生动物起源的性质和时间上存在许多争议，但人们普遍认为这一事件是遗传创新、环境因素和生态相互作用的结果。问题的关键在于，缺少一个完整的进化路线图来辨别生物复杂性的转变，并评估寒武纪大爆发在整个进化背景中的关键作用。在这里，我们通过一个创新的和准确的“C值时钟”计算寒武纪爆发的时间;我们的结果（5.6亿年前）非常符合化石记录。阐明了基因组进化的内在原因决定了寒武纪生物大爆发。找到了一个估算不同物种基因组大小的通用公式，解决了C值之谜的主要问题，并说明了基因组大小的进化。寒武纪大爆发本质上是生物复杂性的一次重大转变，它对应着基因组大小进化的一个转折点。观察到的最大原核复杂性只是寒武纪大爆发的遗迹，它受到观察到的宇宙中最大信息存储能力的监督。我们的研究结果为后生动物起源和分子进化的研究开辟了新的前景。
2008-05-31 q-bio.GN q-bio.QM
Cnidaria: fast, reference-free clustering of raw and assembled genome and transcriptome NGS data
背景：生物样本的识别是一系列应用的主要要求。无参考方法分析未处理的测序数据而不依赖于先验知识，但通常不能扩展到任意大的基因组和任意大的系统发育距离。结果如下：我们提出了刺胞，一个实用的工具，聚类基因组和转录组数据，基因组大小或系统发育距离没有限制。我们成功地同时聚类了来自4个王国的169个基因组和转录组数据集，在超物种水平上实现了100%的识别准确率，在物种水平上实现了78%的准确率。讨论：CNIDARIA允许对原始和组装的基因组和转录组数据进行快速、资源有效的比较和鉴定。这可以帮助回答基本问题（例如，在遗传学，生态多样性分析）和实际问题（例如，测序质量控制，引物设计）。
2015-11-17 q-bio.GN
Scaling laws in the functional content of genomes: Fundamental constants of evolution?
随着全序列基因组的数量现在远远超过100个，已经有可能开始调查基因组的遗传组成中是否存在任何定量的差异。在（physics/0307001）中，我最初表明，不同功能类别的基因数量在基因组中的基因总数中按幂律缩放。在本章中，我将用最近的数据重新审视这些结果，并深入探讨这些标度律对我们理解细胞调控设计的意义。此外，我进一步发展的进化模型（physics/0307001）中首次提出的，这表明所观察到的标度律的指数对应于进化过程的基本常数。特别是，我提出了一个假设，调节和信号转导基因与基因组大小的近似二次缩放。
2004-05-26 q-bio.GN q-bio.MN
Genome-wide EST data mining approaches to resolving incongruence of molecular phylogenies
利用最大简约法，6种植物的36个单基因推断出18株独特树。这种不一致性是一个重要的问题，如何重建全等树仍然是分子遗传学的最大挑战之一。为了解决这一问题，本文从GenBank中检索了6种绿色植物的144个共有基因的EST数据，系统地研究了全基因组EST数据挖掘方法。结果表明，当使用144个基因时，级联比对方法克服了单基因间的不一致性，并成功地重建了6个物种的全等树，每个分支的支持度为100%。正确分支的刀切支持度随基因数的增加而线性增加，而错误分支的刀切支持度也随基因数的增加而线性增加。为了推断全等树，需要至少30个基因。这一方法可能为解决两族冲突提供潜在的力量。关键词：全基因组;数据挖掘; EST;系统发育;同源树;刀切支持;植物。
2007-01-17 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
Gene and Gene-Set Analysis for Genome-Wide Association Studies
全基因组关联研究（GWAS）已经在许多不同的人类性状中以非常严格的统计学显著性水平鉴定了数百个位点。然而，现在很清楚，需要非常大的样本（n~10^4-10^5）才能找到大多数人类疾病风险的大多数遗传变异。因此，该领域已经参与了一场增加研究样本量的竞赛，一些研究产生了非常成功的结果，但也有研究提供了很少或没有新的见解。这个项目在这一新的研究浪潮中很早就开始了，我决定使用一种替代方法，使用先前的生物学知识来提高GWAS的解释和能力。该项目旨在a）实施和开发新的基于基因的方法，以获得基因水平的统计数据，从而在完善的系统生物学工具中使用GWAS; b）在GWAS数据的网络和基因集分析中使用这些基因水平的统计数据; c）使用基因、基因集和综合生物学分析与基因表达研究挖掘神经精神疾病的GWAS;以及d）探索这些方法改善对通常具有非常小样本大小的疾病亚表型的GWAS分析的能力。
2013-08-19 q-bio.GN q-bio.MN q-bio.NC
Modeling genome evolution with a diffusion approximation of a birth-and-death process
在我们以前的研究中，我们开发了基因组进化的离散空间出生，死亡和创新模型（BDIM）。这些模型解释了起源的特征Pareto分布的旁系同源基因家族大小的基因组，和模型参数，提供了这些分布的演变在一个现实的时间范围内已经确定。在这里，我们开发的扩散版本的BDIM的动态描述的福克-普朗克方程和固定的解决方案可以是任何指定的帕累托函数。扩散模型有一种特殊的时间依赖的解决方案，即广义自相似的解决方案，它描述了从一个平稳的系统分布到另一个过渡，这提供了检查基因组进化的时间动态的可能性。扩散BDIM的广义自相似解的分析揭示了基因组生长的双相曲线，其中初始的、相对较短的自加速阶段之后是缓慢减速的延长阶段。从生物学的角度来看，这种进化机制可以被暂时解释为一种类似间断平衡的现象，即进化过渡伴随着快速的基因扩增和创新，然后缓慢地松弛到一个新的稳定状态。
2005-07-13 q-bio.GN q-bio.PE
ChloroScan: Recovering plastid genome bins from metagenomic data
University of Melbourne（墨尔本大学）；Institute of Agrochemistry and Food Technology, Spanish National Research Council (CSIC)（西班牙国家研究理事会农业化学与食品技术研究所）；Department of Microbiology and Immunology at the Peter Doherty Institute for Infection and Immunity, University of Melbourne（墨尔本大学彼得·多赫蒂感染与免疫研究所微生物与免疫学系）；Melbourne Data Analytics Platform (MDAP), Melbourne Connect, University of Melbourne（墨尔本大学墨尔本连接中心墨尔本数据分析平台）；CIBIO, Centro de Investigação em Biodiversidade e Recursos Genéticos, InBIO Laboratório Associado, Campus de Vairão, Universidade do Porto（波尔图大学拜拉奥校区CIBIO生物多样性与遗传资源研究中心InBIO关联实验室）
针对宏基因组中新型原生生物谱系挖掘困难的问题，本研究提出ChloroScan生物信息学流程，结合深度学习分类与自动分箱技术提取质体基因组，在模拟与真实数据中均表现更优，可发现高分类学新颖性的类群。
2025-10-13 q-bio.GN
easyGWAS: An integrated interspecies platform for performing genome-wide association studies
动机：植物和动物中全基因组关联研究（GWAS）的快速增长带来了对中央资源的需求，该中央资源促进i）执行GWAS，ii）访问其他GWAS的数据和结果，以及iii）使所有用户无论其背景如何都能够利用最新的统计技术，而不必管理复杂的软件和计算资源。结果：我们提出了easyGWAS，一个网络平台，提供方法，工具和动态可视化来执行和分析GWAS。此外，easyGWAS可以简单地复制其他人的结果，验证发现，并通过合并公共数据集访问更大的样本量。可用性：详细的方法和数据说明以及教程可在补充材料中找到。easyGWAS可在http://easygwas.tuebingen.mpg.de/上获得。联系人：dominik. tuebingen.mpg.de
2012-12-19 cs.CE cs.DL q-bio.GN
The mysterious orphans of Mycoplasmataceae
背景：蛋白质序列的长度在很大程度上取决于其功能，即每个功能基团与最佳大小相关。然而，比较基因组学显示，蛋白质长度可能受到其他因素的影响。在2002年，研究表明，在大肠杆菌和古生菌闪烁古球菌中，没有同源物的蛋白质序列平均比有同源物的短。现在大多数专家都同意，在细菌和古细菌基因组中，有同源物和没有同源物的蛋白质序列之间的长度分布明显不同。在这项研究中，我们研究了这一假设的全面分析所有注释原核生物基因组，并专注于某些例外。结果如下：我们比较了在所有目前注释的完全测序的原核生物基因组中具有同源蛋白（HHPs）和不具有同源蛋白（孤儿或ORFans）的长度分布。正如预期的那样，HHP和ORFan在几乎所有基因组中具有显著不同的长度分布。如前所述，HHP实际上平均比ORFan长，并且ORFan的长度分布具有相对窄的峰值，与HHP相反，HHP的长度分布在更宽的值范围内。然而，大约有30个基因组不遵守这些规则。几乎所有支原体和脲原体的基因组都具有非典型的ORFan分布，ORFan的平均长度大于HHP的平均长度。这些属占非典型基因组的80%以上。结论：我们在一组普遍存在的基因组上证实了先前的观察，即HHP和ORFan具有不同的基因长度分布。我们还表明，支原体科基因组具有独特的分布的ORFans长度。我们对这种现象提供了几种可能的生物学解释。
2015-08-24 q-bio.GN
Ensemble Analysis of Adaptive Compressed Genome Sequencing Strategies
以单细胞分辨率获取基因组具有许多应用，例如在微生物群的研究中。然而，对样品中所有数百万个细胞进行深度测序和组装的成本过高。一个可以拯救的特性是，对每个细胞进行深度测序不需要捕获所有不同的基因组，因为大多数细胞都是生物复制品。从这个意义上说，生物学上重要的样本往往是稀疏的。在本文中，我们提出了一种自适应压缩方法，也称为蒸馏传感，以捕获稀疏的微生物群落中的所有不同的基因组，减少测序工作。与组测试中不同事件的数量通常是恒定的，稀疏性相当于事件的稀有性相反，稀疏性在我们的情况下意味着与数据大小相比不同事件的稀缺性。在此之前，我们介绍了这个问题，并提出了一个基于广度优先搜索策略的提取传感解决方案。我们模拟了整个过程，由于其计算强度，限制了我们研究整个系综算法行为的能力。在本文中，我们修改我们以前的广度优先搜索策略，并引入深度优先搜索策略。而不是模拟整个过程，这是棘手的大量的实验，我们提供了一个动态规划算法来分析整个合奏的方法的行为。系综分析算法递归地计算捕获每个不同基因组的概率以及给定群体概况的预期总测序核苷酸。我们的结果表明，预期的总测序核苷酸的增长与细胞数量的$\log$成正比，与不同基因组的数量成线性比例。
2014-04-25 q-bio.GN
The pattern and process of gene family evolution
大规模的数据库是可用的，其包含从跨越生命的三个域的数百个完整基因组序列构建的同源基因家族。在这里，我们讨论的方法越来越复杂，旨在从这样的数据集提取基因家族进化的模式和过程的信息。特别是，我们认为模型调用基因出生（复制和转移）和死亡（损失）的过程来解释基因家族的进化。首先，我们回顾了家庭规模演化的出生和死亡模型及其含义，在不同物种和生命的三个领域中观察到的家庭规模分布的普遍特征。随后，我们进行到最近的事态发展，能够更全面地考虑信息的同源基因家族的序列，通过概率和解的个体基因的系统发育历史与系统发育历史的基因组中，他们居住的模型。为了说明所提出的方法和结果，我们使用HOGENOM数据库的数据，证明真核生物、古细菌和细菌基因组中同源基因家族大小的分布表现出非常相似的形状。我们发现，这些分布是最好的基因家族规模的进化模型，其中个别基因的死亡（损失）率大于出生（复制和转移）率，但新的家庭不断提供给基因组的起源过程。最后，我们使用概率调和方法，考虑到额外的信息，从基因遗传，并发现，对于原核生物，大多数的出生事件是转移的结果。
2011-02-11 q-bio.GN q-bio.PE
Identification and characterization of unique to human regulatory sequences in embryonic stem cells reveal associations with transposable elements, distal enhancers, non-coding RNA, and DNA methylation-driven mechanisms of genome editing
The Stanford University School of Medicine（斯坦福大学医学院）；Sanford-Burnham Medical Research Institute（桑福德-伯纳姆医学研究所）；Genlight Technology Corporation（Genlight科技有限公司）
研究发现人类胚胎干细胞中独特的调控序列与转座子、增强子、非编码RNA及DNA甲基化机制相关，提出NANOG和POU5F1蛋白质在远端调控元件中的功能模型。
2014-04-03 q-bio.GN
Approaching allelic probabilities and Genome-Wide Association Studies from beta distributions
在本文中，我们提出了一个模型的等位基因概率的分布产生尽可能可靠的人口。我们的目标是开发这样一个模型，它将允许模拟不同的观察到的截断和程度的噪音等位基因的概率。此外，我们还介绍了一种全新的方法来分析全基因组关联研究（GWAS）数据集，从一个新的统计分布和每个基因型的两个效应量的关联检验开始。新方法被应用到一个真实的数据集与Monte Carlo实验，表明我们的新方法的功率性能。最后，利用一致性Kappa指数和主成分分析（PCA）对基于Beta分布的新方法和传统方法（基于卡方分布）进行了比较。两种分析均显示，在选择相关的单核苷酸多态性（SNP）时，两种方法之间存在差异。
2014-02-25 q-bio.GN q-bio.PE stat.AP
Guide to k-mer approaches for genomics across the tree of life
本文系统综述了k-mer方法在生物多样性基因组学中的理论基础与实际应用，旨在为应对复杂基因组测序挑战提供参考手册。
2024-04-01 q-bio.GN
Investigating DNA words and their distributions across the tree of life
Division of Pharmacology and Toxicology, College of Pharmacy, The University of Texas at Austin, Dell Paediatric Research Institute（德克萨斯大学奥斯汀分校药学院药理与毒理学系，戴尔儿科研究所）
该研究通过分析超22.5万个跨类群基因组的k-mer分布，发现Zipf定律拟合效果不佳，提出截断幂律和Zipf-Mandelbrot分布优化拟合，并结合Heaps定律分析词汇量变化，为人工基因组生物学合理性评估提供新基准。
2025-09-05 q-bio.GN
Cerulean: A hybrid assembly using high throughput short and long reads
可以说，使用具有短读段的高通量数据的基因组组装在重复基因组中仍然是一项无法解决的任务，因为当重复序列的长度超过读段长度时，很难明确地连接侧翼区域。具有长读段的第三代测序（Pacific Biosciences）的出现使得有机会解析短读段数据无法解析的复杂重复。然而，这些长读段具有高错误率，并且在不使用额外的高质量短读段的情况下组装基因组是一项艰巨的任务。最近，Koren等人2012提出了一种使用高质量短读段数据来校正这些长读段的方法，从而使长读段的组装成为可能。然而，由于两个数据集（短读段和长读段）的大小都很大，这些长读段的纠错需要非常高的计算资源，即使是在小的细菌基因组上。在这项工作中，我们首先组装短读段，然后将这些长读段映射到组装图上以解析重复序列，而不是对长读段进行纠错。贡献：我们提出了一种混合装配方法，既计算效率高，生产高质量的组件。我们的算法首先使用仅由长重叠群组成的简化版本的组装图进行操作，并通过在每次迭代中添加较小的重叠群来逐渐改进组装。与最先进的长读取错误校正技术相比，即使对于细菌基因组数据集，该技术也需要在超级计算机上占用大量计算资源和较长的运行时间，我们的软件可以仅使用标准桌面在短的运行时间内产生可比较的组装。
2013-07-30 q-bio.GN q-bio.QM
Reconstructing Native American Migrations from Whole-genome and Whole-exome Data
有很大的科学和大众的兴趣，了解在美洲人口的遗传史。我们希望了解大陆的不同地区何时有人居住，定居者来自哪里，以及目前的居民与早期人口的遗传关系。最近的研究使用基因分型阵列和单亲标记揭开了非洲大陆遗传史的一部分。1000个基因组计划提供了一个独特的机会，通过提供来自哥伦比亚（CLM），墨西哥裔美国人（MXL）和波多黎各（PUR）人群的100多个测序的低覆盖率基因组和外显子组来提高我们对人群遗传历史的理解。在这里，我们探讨了非洲，欧洲和美洲原住民祖先对这些人群的基因组贡献。估计美洲原住民血统在MXL中占48%，在CLM中占25%，在PUR中占13%。PUR的美洲原住民祖先与奥里诺科河流域周围的人口关系最密切，证实了加勒比地区泰诺人的南美洲祖先。我们提出了新的方法来估计的等位基因频率在美洲原住民部分的人口，并模拟其分布使用的人口模型为三个祖先的美洲原住民人口。这些祖先很可能是连续分裂的：最有可能的情况是，基于16000年前美洲的人口（kya），支持MXL祖先分裂12.2kya，随后分裂为CLM和PUR 11.7kya。该模型还包括墨西哥的62，000人，哥伦比亚的8，700人和波多黎各的1，900人。建模身份的血统和祖先道的长度，我们发现，接触后的人口显着不同的有效规模和迁移模式，波多黎各显示最小的有效规模和早期从欧洲迁移。
2013-11-15 q-bio.GN q-bio.PE
Estimating heterozygosity from a low-coverage genome sequence, leveraging data from other individuals sequenced at the same sites
高通量的鸟枪测序数据使得在原则上准确估计群体遗传参数而不受SNP确定偏倚的干扰成为可能。一个这样的感兴趣的统计数据是个体基因组内杂合位点的比例，这是关于近亲繁殖和有效种群大小的信息。然而，在许多情况下，个体的可用序列数据限于低覆盖度，从而阻止了直接计数杂合位点比例所需的基因型的置信调用。在这里，我们提出了一种方法来估计一个人的全基因组的杂合率从低覆盖率的序列数据，没有一个中间步骤调用基因型。我们的方法共同学习个体和一组其他个体之间的共享等位基因分布，以及测序误差分布和参考偏倚。我们表明，我们的方法工作良好，首先通过它的性能模拟序列数据，其次在真实的序列数据，我们获得的估计使用低覆盖率的数据一致，从较高的覆盖率。我们应用我们的方法来获得估计的杂合性率为11人从不同的世界范围内的人口，并通过这种分析揭示了复杂的依赖本地测序覆盖率的真正潜在的杂合性，这复杂的估计杂合性从序列数据。我们表明过滤器可以通过测序深度校正混杂。我们发现，在实践中，杂合性的比率比绝对估计更可解释，并表明，我们获得了良好的符合率的杂合性与以前的估计，从更高的覆盖率的数据。
2012-12-17 q-bio.GN q-bio.PE
How much non-coding DNA do eukaryotes require?
尽管基因组学领域取得了巨大的进步，但对高等生物基因组中大量非编码部分的数量和功能仍然知之甚少。在这里，我们报告了一个观察，37个完全测序的真核生物基因组，这表明真核生物需要一定的最低量的非编码DNA（ncDNA）。这个最小值与位于外显子中的DNA的量成二次方地增加。基于一个简单的模型的增长的调控网络，我们推导出一个理论预测所需的数量的ncDNA，并发现它是在极好的协议与数据。真核生物需要的额外ncDNA的量（以碱基对计）遵循Ndef = 1/2（Nc / Np）（Nc-Np），其中Nc是外显子DNA的量，并且Np是约10 Mb的常数。这个值Ndef对应于智人和其他哺乳动物基因组的百分之几，以及更简单的真核生物基因组的一半。因此，我们的研究结果证实，真核生物的生命依赖于ncDNA的相当大的一部分，并作出预测，这一部分的大小，这与数据密切匹配。
2008-02-05 q-bio.GN
r/K selection of GC content in prokaryotes
原核生物基因组的GC含量具有物种特异性，其值为16%至77%。对于GC含量选择的多样性，目前没有公认的解释。我们分析了已知的GC含量，基因组大小和氨基酸成本之间的相关性，在数千个原核生物，连同新的或最近汇编的数据，细胞的形状和体积，重复次数，运动，营养同化，孢子形成，防御机制和革兰氏染色。GC含量整合以及这些性状的r/K选择理论时，表型可塑性考虑。高GC含量的原核生物由于较低的平均氨基酸代谢成本和较小的细胞体积而具有较便宜的后代，由于鞭毛和芽孢杆菌形式而定殖于不稳定的环境，并且在资源机会主义和保护自己免受各种危害的能力方面是多面手。低GC含量的原核生物是专门用于稳定环境的K-策略者，其通过高成本的外细胞膜和内生孢子形成来维持体内平衡，作为对营养缺乏的响应，并获得更高的营养/生物质产量。高GC含量原核生物的较低蛋白质组成本是由富含GC的密码子和遗传密码中较便宜的氨基酸之间的关联驱动的，而GC含量和基因组大小之间的相关性可能部分是由于由r/K选择驱动的基因组功能库的转变。总之，我们表明原核生物GC含量的分子多样性和相应的物种多样性〈动〉性<动>可能是生态r/K选择的结果
2022-12-16 q-bio.GN q-bio.PE
Rapidly evolving in humans topologically associating domains
在间期染色质的主要调控结构（即拓扑相关结构域（TADs）和称为超级增强子结构域（SED）的特定亚结构）的背景下，对10，598个HSGRL进行全基因组邻近放置分析，结果显示0.8%-10.3%的TADs包含超过一半的HSGRL。在hESC基因组中的3，127个TAD中，24个（0.8%）; 53个（1.7%）; 259个（8.3%）;和322个（10.3%）分别含有来自四个不同家族的1，110个（52.4%）; 1，936个（50.9%）; 1，151个（59.6%）;和1，601个（58.3%）HSGRL序列。富含HSGRL并被称为在人类中快速进化的TADs（revTADs）的TADs在HSGRL放置和重组率之间表现出不同的相关模式。在hESC-增强子、灵长类特异性CTCF-结合位点、人特异性RNAPII-结合位点、hCONDEL和H3 K4 me 3峰的边界内存在显著富集，其中在前额叶皮层神经元中TSS处具有人特异性富集（在所有情况下p < 0.0001）。在hESC基因组中，504个携带SE的TADs中有331个（66%）含有HSGRL，68%的SE与HSGRL共定位，表明HSGRL通过插入新的和/或删除现有的调控序列在revTADs中重新连接SE驱动的GRNs。因此，与小鼠相比，hESC中的染色质结构演变出明显不同的特征：SE量高3倍，SE尺寸中位数显著更大;伴随着，E2数…
2015-07-20 q-bio.GN
Intraspecific Comparative Genomics of Candida albicans Mitochondria Reveals Non-Coding Regions Under Neutral Evolution
白色念珠菌是一种严重的血源性医院获得性念珠菌病，对世界范围内的公共卫生产生影响。由于其作为医院病原体的重要性，C。白念珠菌基因组已经被大量研究以鉴定种内变异，并且已经开发了几种分型方法以区分密切相关的菌株。线粒体DNA可用于此目的，因为与核DNA相比，其更高的突变负荷和进化速率容易揭示微变体。因此，我们以8倍覆盖率对两个C.白色念珠菌临床分离株（L296和L757）的基因组序列，并将这些序列与参考菌株SC 5314的基因组序列进行比较。对33，928个位点的基因组比对结果显示，共发现372个多态位点，其中编码区230个，非编码区142个。从拉丁美洲18株临床分离株和2株ATCC标准株中扩增并测序了位于tRNAGly/COX 1、NAD 3/COB和ssurRNA/NAD 4L基因之间的3个中性替换位点，分别命名为IG 1、IG 2和IG 3。白色念珠菌菌株。观察到高度的序列和大小变异性，范围高达56 bp的大小差异，并且基于IG 1、IG 2和IG 3的同源性揭示了三个组。插入高达49 bp的观察完全在阿根廷菌株相对于其他序列，这可能表明聚类的地理多态性。由于这些线粒体基因间区具有中性进化、高度变异性、易于PCR分离和测序等特点，为C.白色念珠菌分离株，完善建立多位点序列分型方法。
2012-11-26 q-bio.GN q-bio.PE
Solving Sequences of Generalized Least-Squares Problems on Multi-threaded Architectures
广义线性混合效应模型在全基因组关联研究（GWAS）的背景下代表了一个艰巨的计算挑战：数百万相关的广义最小二乘问题的解决方案，以及TB级数据的处理。我们提出了高性能的核心和核心外的共享内存算法GWAS：通过利用特定领域的知识，利用多核并行，并有效地处理数据，我们的算法达到无与伦比的性能。与GWAS最广泛使用的库之一GenABEL相比，在12核处理器上，我们获得了50倍的加速。因此，我们的常规使基因组研究的规模前所未有。
2012-10-27 cs.CE cs.MS q-bio.GN
Object-Attribute Biclustering for Elimination of Missing Genotypes in Ischemic Stroke Genome-Wide Data
National Research University Higher School of Economics（俄罗斯国立高等经济大学）；Institute of Molecular Genetics of National Research Centre “Kurchatov Institute”（俄罗斯国家研究中心“库尔恰托夫研究所”分子遗传学研究所）；Pirogov Russian National Research Medical University（俄罗斯国家研究型皮罗戈夫医科大学）
缺失的基因型可能会影响机器学习方法识别常见疾病和性状的风险遗传变异的功效。当用不同的DNA微阵列从不同的实验中收集基因型数据时，问题就出现了，每个实验的特征都是其未命名（缺失）的基因型模式。这可能会阻止机器学习分类器正确分配类别。为了解决这个问题，我们使用了良好的概念，对象属性biclusters和正式的概念，对应于密集的子关系的二元关系$\textit{patients} \times \textit{SNPs}$。本文包含的实验结果应用双聚类算法的一个大的真实世界的数据集收集研究缺血性中风的遗传基础。该算法可以识别基因型矩阵中的大的密集双聚类以进行进一步处理，这反过来显著提高了机器学习分类器的质量。该算法还能够生成双聚类的整个数据集的大小限制相比，在封闭4算法生成的正式概念。
2020-10-25 cs.LG q-bio.GN stat.AP
Increasing biological complexity is positively correlated with the relative genome-wide expansion of non-protein-coding DNA sequences
背景资料：在当前的基因组时代之前，有人认为生物体所使用的蛋白质编码基因的数量是衡量其复杂性的有效指标。然而，现在很清楚的是，主要的不一致性存在，生物复杂性和蛋白质编码基因的数量之间只有微弱的关系。例如，使用蛋白质编码基因数量作为评估生物复杂性的基础，将使尾索动物和昆虫的复杂性低于线虫，而人类的复杂性低于水稻。结果如下：我们分析了85个测序物种的非编码基因组DNA与总基因组DNA的比率（ncDNA/tgDNA），发现这个比率与生物学复杂性的增加密切相关。对于原核生物，ncDNA/tgDNA比率通常包含在0.05-0.24的带宽内，但在单细胞真核生物中上升到0.26-0.52，并且对于发育复杂的多细胞生物体上升到0.62-0.985。值得注意的是，原核生物物种的物种分布不均匀，接近平均值0.1177 ncDNA/tgDNA（p=1.58 x 10^-13），ncDNA/tgDNA与基因组大小呈非线性关系（r=0.15）。重要的是，ncDNA/tgDNA比率校正倍性，并且基本上不受重复序列的可变负荷的影响。结论：我们认为，所观察到的非编码DNA的增加和组成模式主要是增加的信息含量的函数。因此，内含子、基因间序列、重复元件和基因组DNA可能对复杂生物的进化和功能库比以前认识到的要重要得多。
2004-01-15 q-bio.GN q-bio.PE
