Genome-on-Diet: Taming Large-Scale Genomic Analyses via Sparsified Genomics
针对基因组测序数据指数增长导致现有分析方法算力不足的问题，提出稀疏化基因组学概念，开发开源框架Genome-on-Diet，在序列比对、包含性搜索、宏基因组分析等任务中大幅提升运算速度与存储效率且准确性更优。
2024-07-09 cs.DS q-bio.GN q-bio.QM
Biological Database of Images and Genomes: tools for community annotations linking image and genomic information
基因组数据和生物医学成像数据正在经历指数级增长。然而，我们对连接两种类型数据的表型-基因型连接的理解是滞后的。虽然有许多类型的软件可以将图像数据和基因组数据作为单独的实体进行操作和分析，但没有建立将两者联系起来的框架。我们提出了一套通用的软件工具，BioDIG，允许图像数据的基因组数据的链接。BioDIG工具可以应用于需要将图像与基因组连接的广泛研究问题。BioDIG具有以下特点：快速构建基于Web的工作台，基于社区的注释，用户管理和Web服务。通过使用BioDIG创建网站，研究人员和策展人可以快速地用基因组信息注释大量图像。在这里，我们提出了BioDIG软件工具，包括图像模块，基因组模块和用户管理模块。我们还介绍了一个基于BioDIG的网站，MyDIG，它被用来注释支原体的图像。
2012-12-03 q-bio.GN
Combining detection and reconstruction of correlational and quasi-periodic motifs in viral genomic sequences with transitional genome mapping: Application to COVID-19
基因组自身的过渡自同构映射（Transitional Automorphic Mapping of the Genome on Itself，TAMGI）方法旨在结合病毒基因组RNA/DNA序列中相关和准周期模体的检测和重建。通过TAMGI重建的基序对于插入缺失和点突变是稳健的，并且可以尝试作为推定的治疗靶标。我们开发并测试了相关的理论和统计标准的TAMGI应用程序。TAMGI的应用通过研究包装在类似病毒的螺旋衣壳中的严重急性呼吸道综合征冠状病毒SARS-CoV和SARS-CoV-2（后者的冠状病毒SARS-CoV-2负责COVID-19大流行）的基因组中的基序来说明。这样的核糖核衣壳被转运到球形膜被膜与掺入刺突糖蛋白。另外两个例子涉及二十面体衣壳病毒的基因组，卫星烟草花叶病毒（STMV）和噬菌体PHIX 174。这些病毒基因组中的部分准周期基序是由于基因组ssRNA/ssDNA与核衣壳蛋白之间的弱特异性合作相互作用而进化的。衣壳的对称性导致相关基因组序列中特定准周期基序的自然选择。一般来说，TAMGI为研究许多分子机制提供了一个方便的工具，这些机制涉及准周期基序和完整重复序列、基因组组织、顺式/反式调节元件的背景分析、数据挖掘以及基因组序列中的相关性。
2021-05-30 q-bio.GN q-bio.QM
Towards a core genome: pairwise similarity searches on interspecific genomic data
基因保守现象是与物种形成和适应有关的一个有趣的进化问题。保守基因在进化中以一种保持其功能的方式起作用，尽管周围发生了其他结构和功能变化。最近可用的全基因组数据，从密切相关的物种，使我们能够测试的假设，一个核心基因组存在于一个假设的共同祖先是继承的所有姐妹类群。此外，这个核心基因组应该发挥重要的功能，如遗传调控和细胞修复。从三株细菌（希瓦氏菌属）的全基因组序列。在本分析中使用。将每个鉴定和推定基因的开放阅读框（ORF）用于每个基因组。对所有三个基因组进行了相互Blast搜索，将数千个基因的列表提炼为68个在分类群中相同的基因。基于功能注释，这些基因被鉴定为管家基因，证实了最初的假设。这种方法也可以用于真核生物，特别是人类，黑猩猩和猕猴之间的关系。
2008-07-21 q-bio.GN q-bio.PE
Applied Category Theory for Genomics -- An Initiative
地球上所有生命的终极秘密都隐藏在它们的基因组中--DNA序列的总和。我们目前知道许多生物体的整个基因组序列，而我们对系统水平上的基因组结构的理解仍然是初步的。应用范畴理论为整合基因组学中大量的异质信息，推进我们对基因组组织的认识，并为我们提供对自身基因组的深入和全面的看法开辟了一条有前途的道路。在这项工作中，我们解释了为什么应用范畴理论带来了这样的希望，我们继续展示它实际上是如何做到这一点的，尽管是在婴儿阶段。手稿的目的是可读的数学家和生物学家，因此没有事先的知识是需要从任何一方。
2020-09-06 math.CT q-bio.GN
The big challenge for livestock genomics is to make sequence data pay
本文针对畜牧基因组学中全基因组测序数据难提升基因组预测准确性、难以落地育种实践的挑战，分析了潜在原因并提出三种解决思路。
2023-07-24 q-bio.GN
GDC 2: Compression of large collections of genomes
高通量基因组测序价格的下降改变了现代基因组学的格局。一些旨在对许多人类基因组进行测序的大规模项目正在进行中。基因组测序也成为个性化医疗的重要辅助手段。这种变化的一个重要副作用是需要存储和传输大量的基因组数据。在本文中，我们处理的问题，压缩大量的完整的基因组序列。我们提出了一种算法，能够压缩1092人类二倍体基因组的集合约9,500倍。这个结果比其他现有压缩机提供的效果好大约4倍。此外，我们的算法是非常快的，因为它处理数据的速度200 MB/s的现代工作站上。因此，所提出的算法允许以低成本存储完整的基因组集合，例如，1092个人类基因组的检查集合在压缩时仅需要约700 MB，这可以与约6.7TB的未压缩FASTA文件相比较。源代码可在http://sun.aei.polsl.pl/REFRESH/index.php?上获得page=projects&project=gdc&subpage=about.
2015-03-05 cs.CE cs.DS q-bio.GN
A Comparison of Microbial Genome Web Portals
微生物基因组门户网站具有广泛的功能，可满足科学家的许多信息查找和分析需求。本文比较了主要微生物基因组门户网站的功能，以帮助研究人员确定哪些门户网站最适合解决他们的信息查找和分析需求。我们评估了BioCyc、KEGG、Ensembl Bacteria、KBase、IMG和PATRIC的生物信息学工具和数据内容。对于每个门户，我们的评估比较并统计了可用的功能。BioCyc的优势包括其基因组和代谢工具、多重搜索能力、基于表格的分析工具、调控网络工具和数据、组学数据分析工具、数据内容的广度以及大量的策展数据。KEGG的优势包括其基因组和代谢工具。Ensembl Bacteria的优势包括其基因组工具和大量的基因组。KBase的优势包括其基因组工具和代谢模型。IMG的优势包括其基因组工具，多搜索能力，大量的基因组，基于表格的分析工具和数据内容的广度。PATRIC的优势包括其大量的基因组，基于表格的分析工具，代谢模型和数据内容的广度。
2018-10-30 q-bio.GN
Predicting genome-wide DNA methylation using methylation marks, genomic position, and DNA regulatory elements
背景资料：最近个体特异性全基因组DNA甲基化谱的测定使得表观基因组关联研究能够鉴定与表型相关的特定CpG位点。CpG位点特异性甲基化水平的计算预测是重要的，但目前的方法处理基因组基因座内的平均甲基化，并且通常限于特定的基因组区域。结果如下：我们描述了全基因组DNA甲基化模式，并表明CpG位点之间的相关性迅速衰减，仅基于相邻位点进行预测具有挑战性。我们构建了一个随机森林分类器，使用邻近CpG位点甲基化水平和基因组距离作为特征，以及与编码区、CGI和来自ENCODE项目的调控元件的共定位来预测CpG位点甲基化水平。我们的方法实现了91% - 94%的全基因组甲基化水平的预测准确率在单个CpG位点的精度。当仅限于CGI内的CpG位点时，准确性增加到98%。我们的分类器优于最先进的甲基化分类器，并识别有助于预测准确性的特征：相邻CpG位点甲基化状态、CpG岛状态、共定位DNA酶I超敏位点和特异性转录因子结合位点被认为是最能预测甲基化水平的。结论：我们对DNA甲基化模式的观察使我们开发了一种分类器来预测位点特异性甲基化水平，该分类器实现了迄今为止最好的DNA甲基化预测准确性。此外，我们的方法确定了与DNA甲基化相互作用的基因组特征，阐明了DNA甲基化修饰和调控所涉及的机制，并将不同的表观遗传过程联系起来。
2013-08-09 q-bio.GN
Cancer-inspired Genomics Mapper Model for the Generation of Synthetic DNA Sequences with Desired Genomics Signatures
School of Mechanical Engineering, Tel Aviv University（特拉维夫大学机械工程学院）；Department of Cancer Biology, Cancer Institute, University College London（伦敦大学学院癌症研究所癌症生物学系）
针对现有基因组生成器忽视生物学关系约束的问题，本文提出结合GA与DL的CGMM，将对照基因组转化为目标表型合成基因组，并在两项任务上优于四种现有生成器。
2023-05-01 cs.LG cs.NE q-bio.GN
Joint analysis of functional genomic data and genome-wide association studies of 18 human traits
基因结构和调控元件的注释可以为全基因组关联研究（GWAS）提供信息。然而，选择相关的注释解释一个给定的性状的关联研究仍然具有挑战性。我们描述了一个统计模型，它使用跨基因组计算的关联统计来识别基因组元件的类别，这些基因组元件对于影响性状的基因座是富集的还是耗尽的。该模型自然包含多种类型的注释。我们将该模型应用于18个人类特征的GWAS，包括红细胞特征、血小板特征、葡萄糖水平、脂质水平、身高、BMI和克罗恩病。对于每一个性状，我们评估了450种不同基因组注释的相关性，包括蛋白质编码基因、增强子和100多种组织和细胞系中的DNase-I超敏位点。我们表明，影响蛋白质序列的表型相关SNP的比例范围从约2%（对于血小板体积）到约20%（对于低密度脂蛋白胆固醇）;与多种性状相关的SNP被抑制的染色质显着耗尽;细胞类型特异性DNase-I超敏位点富含与多种性状相关的SNP（例如，血小板体积中的脾脏）。最后，通过使用功能基因组学的信息重新加权每个GWAS，我们将具有高置信度关联的位点数量增加了约5%。
2014-02-25 q-bio.GN
Comparative Assembly Hubs: Web Accessible Browsers for Comparative Genomics
我们引入了一个管道，可以很容易地生成网络访问的UCSC基因组浏览器的集合，通过对齐相互关联。使用比对，可以参照集合中的任何基因组对称地有效地查看所有注释和比对本身。一个新的，智能缩放的比对显示，使它可以简单地查看所有分辨率水平的基因组之间的所有变化，从取代到复杂的结构重排，包括重复。
2013-11-05 q-bio.GN
Going From Molecules to Genomic Variations to Scientific Discovery: Intelligent Algorithms and Architectures for Intelligent Genome Analysis
我们现在比以往任何时候都更需要使基因组分析更加智能化。我们不仅需要快速地阅读、分析和解释我们的基因组，而且需要足够准确和有效地将分析扩展到人群水平。目前在整个基因组分析管道中存在主要的计算瓶颈和低效率，因为最先进的基因组测序技术仍然不能完整地读取基因组。我们描述了使用智能算法和硬件架构显着提高基因组分析的性能，准确性和效率的持续旅程。我们解释了最先进的算法方法和基于硬件的加速方法的基因组分析管道的每一步，并提供实验评估。生物学方法利用基因组的结构以及底层硬件的结构。基于硬件的加速方法利用专门的微体系结构或各种执行范例（例如，在存储器内部或附近处理）以及算法变化，导致新的硬件/软件协同设计系统。我们的结论与未来的挑战，利益和研究方向的发展所引发的非常低的成本，但高度容易出错的新的测序技术和专门的硬件芯片的基因组学的伏笔。我们希望这些努力和我们讨论的挑战为未来使基因组分析更加智能化的工作提供基础。在我们的实验评估中使用的分析脚本和数据可在以下网址获得：https://github.com/CMU-SAFARI/Molecules2Variations
2022-05-16 cs.AR q-bio.GN q-bio.QM
VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling
Westlake University（西湖大学）；Zhejiang University（浙江大学）
本文提出通用框架VQDNA，利用向量量化码本作为可学习词表实现自适应基因组分词，并引入分层残差量化（HRQ）由粗到细丰富词表，在32个数据集上展现优越性能与参数效率，且揭示了SARS-CoV-2突变的生物学意义。
2024-06-02 cs.AI q-bio.GN
Fast genomic optical map assembly algorithm using binary representation
降低下一代测序技术提供的基因组测序成本，大大增加了基因组项目的数量。因此，越来越需要更好的组装和组装验证方法。一个很有前途的想法是在装配项目中使用异构数据。光学作图（OM）在验证基因组组装、校正和支架方面是有益的。单个原始OM读数描述了DNA分子的长片段，高达1 Mbp。来自相同基因组的原始OM数据可以被组装以创建跨越整个染色体的共有图谱。由于输入数据中存在大量错误，组装过程在计算上很困难。这项工作描述了一种新的算法和计算机程序，组装OM读取没有参考基因组。在我们的算法中，我们探索了基因组图谱的二进制表示。我们专注于数据结构和算法的效率以及并行平台上的规模。该算法由几个步骤组成，其中最重要的是：（1）限制性图谱转换为二进制字符串，（2）限制性图谱之间的重叠检测，（3）确定限制性图谱集的布局，（4）创建共有基因组图谱。我们的算法处理光学映射数据与低错误水平，但与高级别的错误读取失败。我们为Python语言开发了一个软件库、控制台应用程序和模块。在本文中提出的方法被证明是比动态规划方法更快，并执行良好的无错误的数据。它可以用作\textit{de~novo}组装管道的一个步骤或检测错误组装。该软件在GNU LGPL v3许可证下的公共存储库中免费提供（https：//sourceforge.net/p/binary-genome-maps/code）。
2022-10-13 cs.CE q-bio.GN
Unambiguosly expressing expectations about the content of prokaryotic genomes
针对比较基因组学中基因组内容预期难以自动化分析的问题，提出了基于两个本体的理论框架，可明确定义绝对与相对基因组内容预期规则。
2023-05-05 q-bio.GN
Revolutionising Bacterial Genomics: Graph-Based Strategies for Improved Variant Identification
本文提出基于 PGGB 与 vg giraffe 的泛基因组图流程，用于细菌全基因组测序数据比对、图形参考变异调用和泛基因组构建，显著提升模拟及真实病原体数据的映射率与变异识别准确性。
2025-05-12 q-bio.GN
The Foundations of Genodynamics: The Development of Metrics for Genomic-Environmental Interactions
单核苷酸多态性（SNP）代表人类基因组内的一种重要类型的动态位点。这些常见的变异通常在局部关联成更复杂的多SNP单倍块，其在稳定群体中保持世代。编码在常见SNP和SNP单块变异的结构中的信息可以通过归一化信息内容（NIC）度量来表征。这种内在的测量允许个体基因组的不同区域和各种群体的基因组以有意义的方式进行定量比较。使用我们定义的基因组信息的措施，由于环境浴内存在稳定的人口，可以询问保持统计变化的相互作用。我们开发了类似的“热力学”特征的状态变量的基因组种群是稳定的随机环境压力下。由于生命系统还没有被发现在没有环境影响的情况下发展，我们专注于描述类似的基因组自由能措施，在这个发展。描述环境如何驱动基因组多样性的密集参数被发现反向依赖于该环境中的稳定种群的基因组的NIC。一旦从群体的整个基因组确定了这种环境潜力，加性状态变量就可以直接与该基因组内给定的基于可行SNP的单元（等位基因）的出现概率相关。该公式允许确定群体平均状态变量以及个体等位基因及其组合的基因组能量。个体等位基因潜力的确定，然后应允许参数化的特定环境影响共享等位基因在不同环境中的人群。
2013-12-11 physics.bio-ph q-bio.GN q-bio.PE
Weighted genomic distance can hardly impose a bound on the proportion of transpositions
两个基因组之间的基因组距离，即，在比较基因组学研究中，将一个基因组转化为另一个基因组所需的最小数量的基因组重排通常被用作基因组进化接近性的量度。然而，在包括具有显著不同“功率”的重排的模型中，例如反转（其是“弱”且最频繁的重排）和易位（其更“功率”但罕见），基因组距离通常对应于具有大比例易位的转化，这在生物学上是不适当的。加权基因组距离是一种传统的方法，通过分配相对权重α > 1来限制易位的比例。许多先前的研究解决了使用α \leq 2计算加权基因组距离的问题。利用环形基因组上的多断点重排模型，该模型同时捕获反转（建模为2-断点）和易位（建模为3-断点），我们证明了对于α \in（1，2]），最小权重变换可能完全由易位组成，这意味着相应的加权基因组距离实际上并没有达到限制易位比例的目的。我们进一步证明了对于α \in（1，2），最小权变换不依赖于α在这个区间的特定选择.我们给出了一个完整的特征，这样的转换，并表明，他们符合的转换，在同一时间具有最短的长度，使最小数量的基因组中的断裂。我们的结果也提供了一个理论基础的经验观察，对于α < 2，在最小重量的转换，换位优于反转。
2010-12-11 cs.DM q-bio.GN q-bio.PE
Four basic symmetry types in the universal 7-cluster structure of 143 complete bacterial genomic sequences
编码信息是细菌基因组序列异质性（非随机性）的主要来源。该信息可以通过分析相对短的基因组片段（200- 400 bp）的“同相”三联体分布中的簇结构来自然地建模。我们在细菌基因组序列中发现了一个普遍的7簇结构，并解释了它的性质。我们表明，细菌基因组的密码子使用是一个多线性函数的基因组G+ C-含量与高精度。基于2004年8月在Genbank中可获得的143个完全测序的细菌基因组的分析，我们发现观察到的7簇结构有四种“纯”类型。所有143个簇动画3D散射被收集在一个数据库中，并可在我们的网站上获得：http://www.ihes.fr/~zinovyev/7clusters该发现可以很容易地引入任何软件的基因预测，序列比对或细菌基因组分类。
2004-10-27 math.ST q-bio.GN stat.TH
I-GWAS: Privacy-Preserving Interdependent Genome-Wide Association Studies
全基因组关联研究（GWASes）鉴定在一组个体中与性状（例如疾病）统计学相关的基因组变异。不幸的是，不小心共享GWAS统计数据可能会导致隐私攻击。一些作品试图调和安全处理与隐私保护版本的GWAS。然而，我们强调，如果GWASes利用重叠的个体和基因组变异，这些方法仍然很脆弱。在这种情况下，我们表明，即使依靠最先进的技术来保护发布，攻击者也可以重建高达28.6%的参与者的基因组变异，并且高达92.3%的基因组变异的发布统计数据将使成员推断攻击成为可能。我们介绍I-GWAS，一个新的框架，安全地计算和发布多个可能相互依赖的GWAS的结果。随着新的基因组的出现，I-GWAS不断发布隐私保护和无噪声的GWAS结果。
2022-09-20 cs.CR cs.DC cs.IR
Efficient and Scalable Fine-Tune of Language Models for Genome Understanding
Cedars-Sinai Medical Center（西达赛奈医疗中心）；University of California, Los Angeles（加州大学洛杉矶分校）
针对DNA基础模型数据规模受限及下游任务异构问题，提出Lingo方法，利用语言前缀微调与自适应秩采样技术，以不到2%的可训练参数在14项基因组任务上超越现有方法，性能媲美甚至超越DNA基础模型。
2024-02-12 cs.AI cs.LG q-bio.GN
Whole genome sequencing identifies putative associations between genomic polymorphisms and clinical response to the antiepileptic drug levetiracetam
在药物基因组学的背景下，全基因组测序提供了一种强有力的方法，用于以无偏倚的方式鉴定对特定药物的反应变异性与群体中的基因组多态性之间的相关性。在这项研究中，我们采用全基因组测序的DNA样本显示极端反应（n=72）和非响应（n=27）的抗癫痫药物左乙拉西坦，以确定基因组变异的基础上对药物的反应。虽然没有常见的SNP（MAF>5%）超过5e-8的常规全基因组显著性阈值，但我们在基因SPNS 3、HDC、MDGA 2、NSG 1和RASGEF 1C中发现了常见的多态性，这些基因共同预测了我们队列中左乙拉西坦的临床反应，预测准确率约为91%。在这些基因中，HDC、NSG 1、MDGA 2和RASGEF 1C可能涉及突触神经传递，而SPNS 3是与左乙拉西坦的已知分子靶SV 2A同源的非典型溶质载体转运蛋白。此外，我们对一组罕见和低频率变异体（MAF<5%）进行了基于基因和途径的统计分析，并确定了以下基因或途径与左乙拉西坦反应之间的关联：a）基因PRKCB和DLG 2，其参与多巴胺能神经传递，抗惊厥药（包括左乙拉西坦）的已知靶点; c）在突触神经传递中起作用的途径，如FZD 4的WNT 5A依赖性内化和SNARE形成的去抑制。总之，我们的方法，利用全基因组测序的极端反应表型的受试者是一个可行的路线，以产生合理的假设，调查遗传因素的药物反应变异性的耐药性癫痫的情况下。
2019-09-23 q-bio.GN
Temporal epistasis inference from more than 3,500,000 SARS-CoV-2 Genomic Sequences
我们使用直接偶联分析（DCA）来确定SARS-CoV-2病毒变异位点之间的上位相互作用，按采样月份分割基因组。截至2021年10月，我们使用GISAID库中的全长高质量基因组，总计超过3，500，000个基因组。我们发现，DCA条款随时间的推移比相关性更稳定，但随着时间的推移，突变从全球人口中消失或达到固定。相关性丰富的系统发育的影响，特别是在短的基因组距离的统计依赖性，而DCA带来了较长的基因组距离的链接。我们讨论了DCA分析的有效性，在这些条件下的一个短暂的准连锁平衡状态。我们确定了假定的上位相互作用突变，涉及位点穗。
2022-06-06 q-bio.GN
Whole-Genome Phenotype Prediction with Machine Learning: Open Problems in Bacterial Genomics
University of Birmingham（伯明翰大学）；Institute of Microbiology and Infection（微生物与感染研究所）
针对识别细菌性状因果遗传机制的问题，指出机器学习模型从基因型预测表型虽准确率高但提取因果特征易出错，提出细菌全基因组表型预测及因果效应学习的开放问题并讨论相关挑战。
2025-02-11 cs.LG q-bio.GN
Accelerating Genome Analysis via Algorithm-Architecture Co-Design
本文综述了通过算法-架构协同设计加速基因组分析的最新进展，指出整合多个分析步骤并采用合适架构可显著提升性能、降低数据移动与能耗，并呼吁开发新策略以应对基因组数据不断增长的需求。
2023-05-31 cs.AR q-bio.GN
OmniGenBench: A Modular Platform for Reproducible Genomic Foundation Models Benchmarking
University of Exeter（埃克塞特大学）；National University of Defense Technology（国防科技大学）；Qiyuan Lab（启元实验室）
针对基因组基础模型领域缺乏严谨可复现评估的问题，研究人员提出模块化基准平台OmniGenBench，统一多层级架构，支持多套件单命令评估与多模型集成，解决可复现性难题，助力可信基因组AI研究。
2025-05-20 cs.CL q-bio.GN
Target enrichment of ultraconserved elements from arthropods provides a genomic perspective on relationships among Hymenoptera
从基因组学的角度来看待基因组学需要从基因组中收集的许多与基因组无关的基因座收集数据。在昆虫中，收集这类数据的一种越来越常见的方法涉及转录组测序，因为很少有昆虫拥有高质量的基因组序列;组装新的基因组仍然是一个限制因素;基因组的转录部分是目标基因组的一个合理的、精简的子集;并且从基因组的转录部分收集的数据在组成上类似于生物学家传统上使用的数据类型（例如，外显子）。然而，需要RNA作为模板的分子技术仅限于使用非常高质量的源材料，这些材料通常无法从大部分生物学上重要的昆虫样品中获得。最近的研究表明，基于DNA的目标富集的保守基因组元件提供了另一种途径来收集跨昆虫类群的昆虫基因组数据，前提是保守元件存在于昆虫基因组中并且可以从昆虫基因组中收集。在此，我们鉴定了在昆虫目中共享的超保守元件（UCE）的大集合（n $=$ 1510）。我们使用计算机模拟分析表明，这些位点准确地重建基因组激活的Hyquitera之间的关系，我们设计了一套诱饵，以丰富这些位点，研究人员可以使用从各种来源提取的DNA模板。我们使用我们的UCE诱饵集，以丰富平均721 UCE位点从30个hyperteran类群，我们使用这些UCE位点重建系统发育关系跨越非常古老的（$\geq$ 220 MYA）非常年轻的（$\leq$ 1 MYA）之间的分歧hyperteran谱系。与最近一项使用转录组数据解决hyperteran基因发生…
2014-09-11 q-bio.GN q-bio.PE
Inferring selective constraint from population genomic data suggests recent regulatory turnover in the human brain
过去十年的比较基因组学革命使得能够通过序列比较发现人类基因组中的功能元件。虽然如此，但在寻找物种间的序列保守性时，完全错过了一类重要的元素，即人类特有的元素。在这里，我们提出了一个分析的基础上，利用监督机器学习的方法来识别人类基因组中的特定净化选择的人类基因组之间的变异数据。仅使用来自完整的低覆盖率1000基因组计划数据集的等位基因频率信息，结合从基因组的已知功能和非功能部分训练的支持向量机，我们能够准确地识别受纯化选择约束的基因组部分。我们的方法确定了以前已知的人类特定的功能增益或损失，并发现了许多新的候选人。沿着人类谱系的功能获得和丧失的候选靶标包括中枢神经系统正常发育所必需的基因的许多推定的调节区域，包括神经递质受体基因附近的功能获得事件的显著富集。这些结果是一致的监管营业额是一个关键的机制，在人类特有的大脑发育特征的演变。最后，我们表明，目前大部分基因组不受自然选择的约束，这与系统发育方法的估计一致，但与基于转录组学或其他高通量功能方法的估计形成鲜明对比。
2015-11-22 q-bio.GN q-bio.PE
FindeR: Accelerating FM-Index-based Exact Pattern Matching in Genomic Sequences through ReRAM technology
基因组学是实现精准医学、确保全球粮食安全和实施野生动物保护的关键。各种基因组测序技术产生的大量基因组数据对基因组分析提出了重大挑战。由于测序仪器和遗传变异的误差，近似模式匹配（APM）是实际基因组分析的必要条件。最近的工作提出了FPGA、ASIC甚至基于内存中进程的加速器，通过加速基于动态编程的算法（例如，Smith-Waterman）。然而，现有的加速器缺乏用于精确模式匹配（exact pattern matching，RTMP）的有效硬件加速，精确模式匹配（RTMP）是在基因组分析的几乎每个步骤（包括组装、比对、注释和压缩）中广泛使用的甚至更关键和基本的功能。最先进的基因组分析采用FM索引，该索引通过允许快速重复操作的额外数据结构来增强空间高效的BWT。但是FM索引以空间局部性差和大量随机内存访问而闻名。在本文中，我们提出了一个基于ReRAM的内存处理架构，FindeR，以提高FM-Index的搜索吞吐量在基因组序列。我们构建了一个可靠且节能的汉明距离单元，使用商品ReRAM芯片来加速FM-Index搜索的计算内核，而无需引入额外的CMOS逻辑。我们进一步构建了一个成熟的FM-Index搜索管道，并通过在NVDIMM上进行轻量级调度来提高其搜索吞吐量。我们还创建了一个系统库，供程序员调用FindeR在基因组分析中执行EPM。与最先进的加速器相比，FindeR将FM索引搜索吞吐量…
2019-10-01 q-bio.GN q-bio.QM
A Misclassification Network-Based Method for Comparative Genomic Analysis
Northeastern University（东北大学）；Santa Fe Institute（圣达菲研究所）；University of Vermont（佛蒙特大学）
针对现有基因组分类方法计算成本高或评分规则缺乏灵活性的问题，研究提出基因组误分类网络分析框架，结合AI与网络科学，利用超50万条SARS-CoV-2序列验证其效用，并证明其在全球健康领域的应用潜力。
2025-01-15 cs.LG q-bio.GN
Anchor points for genome alignment based on Filtered Spaced Word Matches
大基因组序列的比对是计算基因组分析中的一项基本任务。大多数用于基因组比对的方法使用高得分局部比对作为{ \em锚点}以减少比对过程的搜索空间。因此，这些方法的速度和质量取决于底层的锚点。在此，我们建议使用{ \em过滤间隔字匹配}来计算基因组比对的锚点。为了评估这种方法，我们在广泛使用的对齐流水线{ \em Mugsy}中使用这些锚点。对于远距离相关的序列集，我们可以大大提高由{ \em Mugsy}产生的比对的质量。
2017-03-26 q-bio.GN
An investigation into inter- and intragenomic variations of graphic genomic signatures
我们提供了，在一个广泛的数据集，并使用几个不同的距离，确认CGR模式沿基因组DNA序列保存的假设，是不同的DNA序列起源于不同物种的基因组。这一发现支持了基因组序列的CGR可以作为图形基因组签名的理论。特别是，我们比较了来自六种生物基因组的500多个不同的150，000 bp基因组序列的CGR模式，每种生物都属于生命王国之一：H。sapiens，S. cerevisiae，A. thaliana、恶性疟原虫（P. falciparum）、E. coli和P. furiosus。我们还提供了初步的证据，这种方法的适用性密切相关的物种，通过比较H。sapiens（21号染色体）序列和来自P. troglodytes（Animalia; Y染色体）的超过150个基因组序列，也是150，000 bp长，分析的总长度超过1.01亿个碱基对。我们使用六种不同的距离计算这些基因组序列的CGR之间的成对距离，并构建分子距离图，将所有序列可视化为二维或三维空间中的点，以同时显示它们的相互关系。我们的分析证实，来自相同基因组的DNA序列的CGR模式通常在数量上相似，而来自不同物种基因组的DNA序列则不同。我们对评估距离性能的分析使用了三种不同的质量指标，并表明几种距离优于欧几里得距离，到目前为止，欧几里得距离几乎只用于此类研究。特别是，我们表明，对于这个数据集，DSSIM（结构相异指数）和描述符距离（…
2015-03-10 q-bio.GN
To Transformers and Beyond: Large Language Models for the Genome
University of Toronto（多伦多大学）；Vector Institute for Artificial Intelligence（向量人工智能研究所）；University Health Network（大学健康网络）；Lunenfeld-Tanenbaum Research Institute（卢南菲尔德-塔南鲍姆研究所）；University of California, San Francisco（加利福尼亚大学旧金山分校）
本综述探讨大语言模型在基因组学中的变革作用，分析Transformer架构的优势与局限，并展望未来建模趋势，为计算生物学家和生物学家提供指南。
2023-11-13 cs.LG q-bio.GN
Are there laws of genome evolution?
定量进化基因组学和系统生物学的研究发现了几个连接基因组和分子表型变量的通用变量。这些共性包括：同源基因进化速率的对数正态分布;各种生物网络中旁系同源家族规模和节点度的幂律分布;基因序列进化速率与表达水平之间的负相关性;基因功能类与基因组大小的差异标度。基因组进化的普遍性可以用简单的数学模型来解释，类似于统计物理学中使用的模型，比如出生-死亡-创新模型。这些模型没有明确纳入选择，因此，观察到的普遍性不似乎是由选择塑造，而是基因集合的涌现属性。虽然进化生物学的完整物理理论是不可想象的，但基因组进化的普遍性可能符合“进化基因组学定律”，就像现代物理学中理解的“定律”一样。
2011-08-17 q-bio.GN q-bio.MN q-bio.PE
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
Gene silencing and large-scale domain structure of the E. coli genome
H-NS染色体组织蛋白在E.大肠杆菌可以稳定基因组DNA环，并形成与基因表达抑制有关的寡聚体结构。受染色体组织、蛋白质结合和基因表达之间的联系的启发，我们分析了各种来源的公开可用的基因组数据集，从全基因组蛋白质结合谱到进化信息，探索染色体组织、基因沉默、假基因定位和水平基因转移之间的联系。我们报告存在的转录沉默的连续区域对应的大区域的H-NS蛋白结合沿基因组，其位置表明可能与已知的大规模的染色体组织的功能。
2012-09-28 q-bio.GN
Divergence and Shannon information in genomes
香农信息（SI）和它的特殊情况下，分歧，定义为一个DNA序列的化学字的概率在序列中，并计算一组完整的基因组高度不同的长度和组成。我们发现：随机序列的SI（但不发散）与序列长度成反比，但与基因组的长度无关;基因组SI总是更大，并且对于较短的单词和较长的序列，比长度和组成与基因组匹配的随机序列中的SI大数百至数千倍;基因组SI似乎具有单词长度依赖的普适值。普遍性被推断为基因组增长的普遍模式的进化足迹。
2004-12-18 q-bio.GN
Annotation of protein-coding genes in 49 diatom genomes from the Bacillariophyta clade
本研究对49种硅藻物种的基因组组装进行蛋白质编码基因注释，使用BRAKER2/3、BUSCO和EnTAP等工具确保高质量，丰富了硅藻基因组工具包，促进未来生物学、生态学和进化研究。
2024-10-11 q-bio.GN
Palaeosymbiosis revealed by genomic fossils of Wolbachia in a strongyloidean nematode
沃尔巴克氏体是陆生节肢动物常见的内共生体，也存在于线虫中：动物寄生的丝虫和植物寄生的相似穿孔线虫。沃尔巴克氏体DNA横向转移到宿主基因组是常见的。我们为圆线虫寄生虫胎生网尾线虫（Dictyocaulus viviparus）（牛肺虫）绘制了基因组序列草图。在组装中，我们鉴定了近1 Mb与沃尔巴克氏体相似的序列。这些片段不太可能来自活的沃尔巴克氏体感染：大多数都很短，并且基因通过失活突变而丧失功能。许多片段与确定的线虫来源的序列共组装。我们发现了有限的证据表达的沃尔巴克氏体衍生的基因。地方胎生沃尔巴克氏体基因与丝虫株最相似，来自宿主混杂进化枝F.我们的结论是D.在过去，胎生鱼被沃尔巴克氏体感染。基于基因组序列的调查是揭示感染和共生的基因组考古学的有力工具。
2014-01-10 q-bio.GN
Discovering functional DNA elements using population genomic information: A proof of concept using human mtDNA
在人类基因组中识别出完整的功能元件对包括医学、分子生物学和进化在内的多个生物学研究领域来说将是一笔意外之财。当寻找疾病或适应性表型的遗传基础时，对功能的完整了解将有助于对基因座进行优先排序。由于破坏功能的突变不受自然选择的青睐，纯化选择在功能元件中留下了可检测的信号;因此，通过使用远亲物种的基因组比较，这种信号已经被利用。然而，基因组的功能互补随着时间的推移和血统之间的广泛变化，因此，目前的纯化选择行为的证据是必不可少的。由于通过自然选择去除有害突变也会减少功能基因座内的种内遗传多样性〈动〉<动>，因此密集的群体遗传数据有可能揭示目前具有功能的基因组元件。在这里，我们使用16，411个人类线粒体基因组来评估这种方法的潜力。我们发现，在这个数据集中的多态性的高密度精确地描绘区域经历净化选择。此外，我们发现，在一个网站上的分离等位基因的数量是强烈相关的，其跨物种的分歧后，占已知的人类mtDNA突变的偏见。这两个指标在许多位点上以非常精细的尺度相互跟踪-这种相关性纯粹是自然选择的结果。我们的研究结果表明，遗传变异有可能准确地揭示基因组中哪些核苷酸目前正在执行重要功能，并且在突变时可能具有有害的适应性效应。随着更完整的基因组被测序，在人类核基因组中也可能实现类似的揭示纯化选择的能力。
2014-02-07 q-bio.GN q-bio.PE
Comparative genomic analysis of the human gut microbiome reveals a broad distribution of metabolic pathways for the degradation of host-synthetized mucin glycans
结肠粘液层是由分泌型和跨膜型粘蛋白组成的动态复杂结构，粘蛋白是高分子量和高度糖基化的蛋白质。结肠粘液由疏松的外层和致密的上皮附着层组成。外层由人类肠道微生物群（HGM）的各种代表居住。当膳食纤维不充足时，结肠粘液的聚糖可以被HGM用作碳和能量的来源。在这里，我们分析了397个单独的HGM基因组，以确定宿主合成的粘蛋白聚糖裂解为单糖的途径，以及衍生单糖的催化剂。我们的主要结果如下：（i）在86%的分析基因组中发现了粘蛋白聚糖切割基因，而在89%的分析基因组中发现了衍生单糖的催化基因。(ii)比较基因组分析确定了四种替代形式的单糖分解代谢酶和四种替代形式的单糖转运蛋白。(iii)百分之八十五的分析基因组可能涉及交换途径的单糖来自切割粘蛋白聚糖。(iv)所分析的基因组显示出降解已知粘蛋白聚糖的不同能力。通常，预测81%的分析基因组具有降解至少一种粘蛋白聚糖的能力。(v)82%的分析基因组可以形成互惠配对，能够降解粘蛋白聚糖，并且不能被任何配对生物单独降解。总之，这些发现提供了对HGM的微生物间通信以及宿主-HGM相互作用的进一步了解。
2017-03-30 q-bio.GN
Information Theory of Genomes
基因组大小与生物体复杂性的关系仍然被描述得相当含糊。基因的数量（G值）和DNA的总量（C值）都与表型复杂性无关。使用信息论的考虑，我们开发了一个模型，允许一个定量估计的基因组序列中的功能信息的量。这个模型很容易回答长期存在的问题，为什么GC含量在功能区域增加。该模型允许一致的估计基因组的复杂性，解决G-和C-值的主要差异。对于具有类似复杂表型的相关生物，这种估计提供了对它们的生态位复杂性的生物学见解。这一理论框架表明，生物信息可以根据环境的需求快速进化，主要是在非编码基因组序列中，并解释了复制在生物信息进化中的作用。了解基因组序列中功能性的近似量对于许多应用是有用的，例如基因组遗传学分析、计算机模拟功能元件发现或对基因分型和测序的靶进行优先排序。
2007-01-12 q-bio.GN q-bio.PE
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
Investigating the genomic background of CRISPR-Cas genomes for CRISPR-based antimicrobials
CRISPR-Cas系统是一种适应性免疫，可保护原核生物免受外来遗传因子的影响。在过去的感染事件中获得的遗传模板使DNA相互作用酶能够识别外来DNA并进行破坏。由于这些遗传模板的可编程性和特异性，CRISPR-Cas系统是潜在的替代抗生素，可以被工程化以自靶向染色体或质粒上的抗微生物剂抗性基因。然而，一些基本问题仍然存在，以重新利用这些工具来对抗耐药细菌。对于内源性CRISPR-Cas自我靶向，抗微生物剂抗性基因和功能性CRISPR-Cas系统必须在靶细胞中共存。此外，这些工具必须胜过响应Cas蛋白的核酸酶活性的DNA修复途径，即使对于外源性CRISPR-Cas递送也是如此。在这里，我们对CRISPR-Cas基因组进行了全面的调查。首先，我们解决了CRISPR-Cas系统和CRISPR-Cas基因组中抗菌素耐药基因的共同出现。我们发现这些基因的平均数量因CRISPR-Cas类型而异，一些CRISPR-Cas类型（IE和IIIA）每个基因组有超过20个基因。接下来，我们研究了这些CRISPR-Cas基因组的DNA修复途径，揭示了这些途径的多样性和频率因CRISPR-Cas类型而异。CRISPR-Cas系统和DNA修复途径之间的相互作用对于在CRISPR阵列中获得新的间隔区至关重要。我们进行模拟研究，以证明这些DNA修复途径的效率可以从CRISPR重复序列的RNA结构中的时间序列模式推…
2022-02-15 q-bio.GN
Population genomics of the Wolbachia endosymbiont in Drosophila melanogaster
沃尔巴克氏体是节肢动物中常见的母系遗传的共生细菌，它们能够操纵宿主的繁殖，以最大限度地提高其传播。在这里，我们使用来自北美，欧洲和非洲的290个果蝇品系的全基因组重测序数据来预测沃尔巴克氏体感染状态，估计细胞质基因组拷贝数，并重建沃尔巴克氏体和mtDNA基因组序列。完整的沃尔巴克氏体和线粒体基因组显示一致的遗传，符合严格的垂直传递通过母体细胞质和沃尔巴克氏体的不完善的传输。贝叶斯系统发育分析表明，所有沃尔巴克氏体和线粒体基因组最近的共同祖先在D。黑腹鱼的历史可以追溯到8,000年前我们发现了祖先沃尔巴克氏体和mtDNA谱系最近全球不完全替换的证据，这可能是自非洲移民以来发生的几个类似的不完全替换事件之一，这些事件允许D.黑腹果蝇在世界各地定居
2012-11-06 q-bio.GN q-bio.PE
Correspondence on ACMG STATEMENT: ACMG SF v3.0 list for reporting of secondary findings in clinical exome and genome sequencing: a policy statement of the American College of Medical Genetics and Genomics (ACMG) by Miller et al
我们有兴趣阅读最近更新的关于临床测序中报告次要结果的建议1，以及随附的应寻求次要结果的基因更新列表（ACMG SF v3.0）2。虽然作者相当详细地讨论了不完全突变的挑战，但我们担心这些建议并没有完全传达与遗传性心肌病相关的基因变异的不确定性程度，这些基因占该列表的近四分之一。由于突变是不完全的，并且与年龄有关，发现携带变异的个体通常需要监测，而不是一次性的明确诊断评估。目前缺乏证据证明机会性筛查的益处、危害和医疗成本。
2022-03-09 q-bio.GN
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
Genome-wide nucleotide-resolution model of single-strand break site reveals species evolutionary hierarchy
单链断裂（Single-strand breaks，SSBs）是基因组中主要的DNA损伤，是遗传毒素和DNA交换过程中的中间产物。SSB在各种生物过程中起着至关重要的作用，并在基因组中显示出非随机分布。出现了几种SSB检测方法，如S1 END-seq和SSiNGLe-ILM，以通过核苷酸分辨率来表征SSB的基因组景观。然而，这些基于测序的方法是昂贵的，并且对于不同物种的大规模分析是不可行的。因此，我们提出了第一种计算方法SSBlazer，这是一种用于全基因组核苷酸分辨率SSB位点预测的可解释和可扩展的深度学习框架。我们证明，SSBlazer可以准确地预测SSB网站，并通过构建一个不平衡的数据集来模拟现实的SSB分布，充分减轻误报。模型解释分析表明，SSBlazer捕获了基因组背景下的单个CpG的模式和中心区域的TGCC基序作为关键特征。此外，SSBlazer是一个轻量级模型，在跨物种评估中具有强大的跨物种泛化能力，可以在不同物种中进行大规模全基因组应用。引人注目的是，216种脊椎动物的推定SSB基因组景观揭示了SSB频率与进化等级之间的负相关，表明基因组在进化过程中趋于完整。
2022-08-21 q-bio.GN q-bio.QM
Screening Genome Sequences for Known RNA Genes and Motifs
本文介绍了非编码RNA基因或RNA基序内的基因组序列的识别计算协议。提出了细菌小RNA的应用。
2015-12-22 q-bio.GN q-bio.QM
A Solvable Sequence Evolution Model and Genomic Correlations
研究了基因组进化的一个最小模型，其基本过程是单位点突变、序列区的重复和缺失以及随机片段的插入。发现这些过程在字母的组成中产生长距离相关性，只要序列长度在增长，即，重复和插入的组合率高于缺失率。另一方面，对于恒定的序列长度，所有初始相关性都呈指数衰减。这些结果是通过分析和模拟得到的。它们进行了比较，在基因组DNA中观察到的长程相关性，并讨论了基因组进化的影响。
2005-01-09 cond-mat.stat-mech q-bio.GN
Population genomics of intrapatient HIV-1 evolution
许多微生物种群迅速适应不断变化的环境，多种变体竞争生存。为了在体内量化这种复杂的演化动力学，时间分辨的和包括罕见变体的全基因组数据是必不可少的。我们对9名未经治疗的患者进行了HIV-1群体的全基因组深度测序，每位患者有6-12个纵向样本，跨越5-8年的感染。我们发现，轻微的多样性模式在患者之间是可重复的，并反映了全球HIV-1的多样性，这表明控制多样性的健身成本的普遍景观。在整个感染过程中观察到向祖先HIV-1序列的逆转，几乎占所有序列变化的三分之一。回复率强烈依赖于守恒。频繁的重组将大部分基因组的连锁不平衡限制在约100 bp，但由于短程连锁而导致的强烈搭便车限制了多样性。
2015-09-08 q-bio.GN q-bio.PE
When repeats drive the vocabulary: a Byte-Pair Encoding analysis of T2T primate genomes
JetBrains Neapolis University（JetBrains尼泊利大学）；aglabx
本文用 dnaBPE 对九个 T2T 灵长类基因组训练固定 512,000 词表的 BPE 分词器，发现高拷贝重复序列导致共享词表锐减且系统发育信号失真，指出需结合重复屏蔽等领域适配。
2025-05-13 cs.AI q-bio.GN
OmniGenBench: Automating Large-scale in-silico Benchmarking for Genomic Foundation Models
University of Exeter（埃克塞特大学）
针对基因组基础模型缺乏统一基准与开源评测工具的问题，本文提出 GFMBench，整合四大基准、数百任务和数百万序列，自动化评测开源 GFM，并发布开源软件与公开排行榜。
2024-10-02 cs.CL q-bio.GN
