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
Near-optimal Assembly for Shotgun Sequencing with Noisy Reads
最近的工作确定的基本限制的信息要求方面的读取长度和覆盖深度所需的成功从头基因组重建从鸟枪测序数据,基于理想化的假设,没有错误的读取(无噪声读取)。在这项工作中,我们表明,即使有噪音的读取,可以成功地重建与信息的要求接近无噪声的基本限制。基于基因组的概率模型,设计了一种新的组装算法--X阶段多桥组装算法。通过分析表明,它在模型上表现良好,并通过模拟在真实基因组上表现良好。
2014-02-27 q-bio.GN
Assembly of repetitive regions using next-generation sequencing data
高读取深度可用于组装短序列重复。现有的基因组组装器在比平均读取更长的重复区域中失败。我提出了一个新的算法,它使用的相对频率读取正确地重建重复序列的DNA组装。该数学模型显示了作为读段覆盖率的函数的结果的准确度上限。对于高覆盖度,估计误差线性地依赖于重复序列长度并且与测序覆盖度成反比。该算法需要由下一代测序仪提供的高读取深度,并且可以使用现有数据。对从几个模型基因组中通过计算机生成的无错读段的测试指出了正确重建的重复序列,而现有的组装程序失败了。
2014-11-03 q-bio.GN
Sensitive Long-Indel-Aware Alignment of Sequencing Reads
高通量测序技术的巨大进步使千人基因组计划和荷兰基因组计划中进行的群体规模测序成为可能。下一代测序允许在全基因组范围内发现单核苷酸多态性(SNP)以外的变异,特别是结构变异(SV),如缺失、插入、重复、易位、倒位以及甚至更复杂的重排。在这里,我们设计了一种读段比对器,特别强调以下特性:(1)高灵敏度,即找到所有(合理)比对;(2)找到(长)插入缺失的能力;(3)统计上合理的比对分数;以及(4)运行时间足够快以应用于全基因组数据。我们将性能与BWA,bowtie 2,stampy进行比较,发现我们的方法在包含较大indel的读取上特别有利。
2013-03-14 q-bio.GN
Diminishing Return for Increased Mappability with Longer Sequencing Reads: Implications of the k-mer Distributions in the Human Genome
基因组中非独特序列(非单基因组)的量直接影响高通量测序数据与参考组装的读段比对的难度。尽管更大的长度增加了读段被唯一地映射到参考基因组的机会,但一直缺乏读段长度对可映射性的影响的定量分析。为了解决这个问题,我们评估了人类参考基因组的k-mer分布。k-聚体频率是针对范围从20至1000个碱基对的k确定的。我们使用非单k-mer的比例来评估相应读段长度的读段的可映射性。我们观察到,非单态的比例随着k的增加而缓慢下降,并且可以通过在不同的k范围内具有不同指数的分段幂律函数来拟合。k值越小,衰减越快,表明读取长度> 200个碱基对的增益越有限。k-mer的频率分布呈现出长尾的幂律趋势,秩次图呈现出凹形Zipf曲线。最常见的1000-mer的位置包括172个内切酶范围的区域,包括1号和X染色体上的四个大的延伸,包含具有生物医学意义的基因。即使读取长度1000也不足以可靠地对这些特定区域进行测序。
2013-08-28 q-bio.GN
MeFiT: Merging and Filtering Tool for Illumina Paired-End Reads for 16S rRNA Amplicon Sequencing
下一代测序的最新进展彻底改变了基因组研究。在Illumina,Inc.的MiSeq平台上使用配对末端测序进行16 S rRNA扩增子测序,被用于表征极其复杂/多样的微生物群落的组成和动态。对于Illumina平台上的这种分析,配对末端读数的合并和质量过滤是数据分析的重要第一步,以确保下游分析的准确性和可靠性。我们开发了合并和过滤工具(MeFiT),将这些预处理步骤组合成一个简单直观的管道。MeFiT提供了一种开源解决方案,允许用户根据用户选择的质量参数合并和过滤双端Illumina读数。该工具已在python中实现,源代码可在https://github.com/nisheth/MeFiT上免费获得。
2015-12-10 q-bio.GN
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
Low-bandwidth and non-compute intensive remote identification of microbes from raw sequencing reads
廉价的高通量DNA测序可能很快就会成为常规,不仅适用于人类基因组,而且适用于几乎任何需要从DNA中识别活生物体的工作:追踪传染性病原体、控制食品、生物反应器或环境样本。我们提出了一种新的通用方法来分析测序数据,其中参考基因组不必指定。使用分布式架构,我们能够向远程服务器查询关于引用可能是什么的提示,传输相对少量的数据,并且提示可以用于计算要求更高的工作。我们的系统包括一个服务器与已知的参考DNA索引,和一个客户端与原始测序读取。客户端发送一个未识别读取的样本,并作为回报接收服务器已知的匹配引用列表。可以检索参考的序列,并将其用于读取的穷举计算,例如比对。为了证明这种方法,我们已经实现了一个网络服务器,索引数以万计的公开可用的基因组和基因组区域从各种生物体和查询测序读取匹配命中返回列表。我们还实现了两个客户端,其中一个在Web浏览器中运行,以证明可以在不需要传输非常大量的数据的情况下,并且在适度供电的计算设备上识别未知来源的千兆字节的原始测序读数。可通过http://tapir.cbs.dtu.dk访问网站。python命令行客户端、服务器和补充数据的源代码可以在http://bit.ly/1aURxkc上获得。
2013-06-21 q-bio.GN
DBG2OLC: Efficient Assembly of Large Genomes Using Long Erroneous Reads of the Third Generation Sequencing Technologies
(An该手稿的更新版本已被2016年的科学报告接受,请参考http://www.nature.com/articles/srep31900)从下一代测序(NGS)到第三代测序(3GS)的高度预期的过渡一直很困难,主要是由于高错误率和过高的测序成本。高错误率使得大基因组的长错误读段的组装具有挑战性,因为现有的软件解决方案通常被错误校正任务淹没。在这里,我们报告了一种混合组装方法,同时利用NGS和3GS数据来解决这两个问题。我们从三个一般和基本的设计原则中获得优势:(i)长读段的紧凑表示导致有效的比对。(ii)基本错误可以跳过;结构性错误需要检测和纠正。(iii)结构正确的3GS读数被组装和抛光。在我们的实现中,预组装的NGS重叠群被用于推导长读段的紧凑表示,这建立了从de Bruijn图到重叠图的算法转换,这两个主要的组装范例。此外,由于NGS和3GS数据可以相互补偿,我们的混合组装方法降低了它们的测序要求。实验表明,我们的软件能够比现有的方法更有效地在时间上更有效地组装多个数量级的基因组,同时节省大约一半的测序成本。
2016-09-03 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
COCACOLA: binning metagenomic contigs using sequence COmposition, read CoverAge, CO-alignment, and paired-end read LinkAge
下一代测序(NGS)技术的出现使研究人员能够直接从环境中对复杂的微生物群落进行测序。由于组装通常只产生基因组片段,也称为重叠群,而不是整个基因组,因此将它们分组为操作分类单元(OTU)以进行进一步的分类学分析和下游功能分析至关重要。OTU聚类也被称为分箱。我们提出了COCACOLA,一个通用的框架,基于多个样品的序列组成和覆盖率自动将重叠群分到OTU中。COCACOLA的有效性在模拟和真实数据集中都得到了证明,与CONCOCT,GroopM,MaxBin和MetaBAT等最先进的分箱方法相比。COCACOLA的卓越性能依赖于两个方面。一种是在初始化过程中采用$L_{1}$距离代替欧氏距离来更好地进行分类识别。更重要的是,COCACOLA利用稀疏正则化的硬聚类和软聚类。此外,COCACOLA框架无缝地包含定制的知识,以提高装箱的准确性。在我们的研究中,我们研究了两种类型的额外知识,与参考基因组的共比对和由双端读段提供的重叠群的连锁,以及两者的集合。我们发现,在大多数情况下,共同对齐和链接信息进一步提高装箱。COCACOLA是可扩展的,比CONCOCT,GroopM,MaxBin和MetaBAT更快。该软件可在https://github.com/younglululu/COCACOLA上获得
2016-04-09 q-bio.GN
Clustering pipeline for determining consensus sequences in targeted next-generation sequencing
来自下一代测序(NGS)技术的靶向基因组测序数据的分析通常涉及将读数映射到参考序列或聚类读数。对于许多物种,参考基因组不可用,因此靶向测序数据的分析,例如由可动元件引起的多态性结构变异是困难的;聚类方法优选用于这种数据分析。读段的聚类需要聚类阈值参数,该参数用于比较和分组读段。然而,确定读取数据集的最佳聚类阈值是具有挑战性的,因为不同的序列组成、存在的序列数量以及数据集中的测序错误量。聚类阈值参数的高值可能错误地增加恢复的基因组区域的数量,而聚类阈值的低值可能将来自不同区域的读段合并到单个聚类中。因此,需要一种可以凭经验确定聚类阈值的算法。我们提出了一种用于聚类基因组序列的流水线,其中聚类阈值根据NGS数据凭经验确定。最佳阈值的决定基于两个内部聚类的措施,评估小的簇内直径和大的簇间距离的集群。我们在两个模拟数据集上评估管道,这两个数据集来自模拟不同基因组区域和测序深度的人类基因组序列。与单轮聚类相比,从我们的流水线获得的聚类总数更接近参考序列的实际数量。此外,在我们的流水线中,其共有序列匹配相应参考序列的簇的数量更高。我们观察到,重复区域的存在影响聚类精度。
2016-02-13 q-bio.GN
MEEPTOOLS: A maximum expected error based FASTQ read filtering and trimming toolkit
下一代测序技术快速产生大量数据,并且这种测序数据的质量控制对于任何基因组分析都是必不可少的。在这里,我们介绍了MEEPTOOLS,这是一个开源工具的集合,基于最大预期误差作为读取长度的百分比(MEEP评分)来过滤,修剪,截断和评估FASTQ文件格式的下一代DNA测序数据。MEEPTOOLS提供了一种非传统的读取过滤/修剪方法,该方法基于非对数尺度上读取中碱基的最大错误概率。与传统的质量过滤策略相比,该方法同时保留了更多的可靠基和去除了更多的不可靠基。
2015-12-10 q-bio.GN
DeepNano: Deep Recurrent Neural Networks for Base Calling in MinION Nanopore Reads
动机:Oxford Nanopore的MinION设备是第一个便携式测序设备。MinION能够产生非常长的读段(报道的读段超过100 kBp),然而其遭受高测序错误率。在本文中,我们表明,错误率可以通过改进碱基调用过程来降低。结果:我们为Oxford Nanopore的MinION测序平台提供了第一个开源DNA碱基调用程序。通过采用精心制作的循环神经网络,与制造商提供的默认碱基调用者相比,我们的工具提高了碱基调用的准确性。这一进展可能进一步增强MinION在基因组测序和各种临床应用中的适用性。可用性:DeepNano可以在http://compbio.fmph.uniba.sk/deepnano/下载。联系方式:boza@fmph.uniba.sk
2016-03-30 q-bio.GN
SOAPdenovo-Trans: De novo transcriptome assembly with short RNA-Seq reads
动机:转录组测序长期以来一直是用于快速且廉价地从没有参考基因组的生物体获得大量基因的序列的受欢迎的方法。随着下一代测序的快速增加的通量和降低的成本,RNA测序已经变得流行;但是考虑到该技术的典型短读段(例如2 × 90 bp配对末端),重新组装以恢复完整或全长转录物序列仍然是算法上的挑战。结果:我们提出了SOAPDenovo-Trans,一个专门为RNA测序设计的从头转录组组装程序。在水稻和小鼠的转录组数据集上评估了其性能。使用来自这些注释良好的基因组(十年前测序)的已知转录本作为我们的基准,我们评估了SOAPdenovo- Trans和其他两个流行的软件如何处理可变剪接和可变表达水平的实际问题。我们的结论是,SOAPDenovo-Trans提供了更高的连续性,更低的冗余和更快的执行。可用性和实施:源代码和用户手册位于http://sourceforge.net/projects/soapdenovotrans/联系人:xieyl@genomics.cn或bgi-soap@googlegroups.com
2013-08-09 q-bio.GN
benchNGS : An approach to benchmark short reads alignment tools
在过去的十年中,已经开发了许多算法和相关软件来将下一代测序(NGS)读数与相关参考基因组进行比对。这些程序的准确性可能会有很大差异,特别是当NGS读数与可用的参考基因组完全不同时。我们提出了一个基准,以评估基于预先计算的相关基因组序列的全局比对的短读段映射的准确性。在本文中,我们提出了一个基准,以评估准确性的短读段映射的基础上预先计算的全球比对密切相关的基因组序列。我们概述了该方法,并提出了一个简短的报告,五个流行的比对工具的基础上进行的实验大肠杆菌O6 CFT073基因组与其他七种细菌的基因组的成对比对。
2015-04-24 q-bio.GN
Illumina Sequencing Artifacts Revealed by Connectivity Analysis of Metagenomic Datasets
宏基因组数据集中的测序错误和偏差会影响基于覆盖率的组装,并且在分析过程中经常被忽略。在这里,我们分析了宏基因组中的读取连接,并确定宏基因组组装图中存在问题和可能的生物连接。具体地说,我们鉴定了在每个真实宏基因组内加入大比例读段的高度连接的序列。这些序列在鸟枪法读数中显示位置特异性偏差,提示测序伪影,并且仅通过组装最低限度地并入重叠群中。在组装之前去除这些序列导致大多数宏基因组的相似组装内容,并且使得能够使用图划分来减少组装存储器和时间要求。
2012-12-01 q-bio.GN
Minimap and miniasm: fast mapping and de novo assembly for noisy long sequences
动机:单分子实时(SMRT)测序技术和Oxford Nanopore技术(ONT)产生长度超过10 kbp的读段,这使得能够以负担得起的成本进行高质量的基因组组装。然而,目前,长读取的错误率高达10- 15%。需要复杂且计算密集的流水线来组装这样的读取。结果如下:我们提出了一个新的映射器,minimap,和从头汇编,miniasm,有效地映射和组装SMRT和ONT读取没有纠错阶段。他们通常可以在几分钟内将细菌数据的测序运行组装成单个重叠群,并组装45倍C。elegans数据在9分钟内,比现有管道快了几个数量级。我们还介绍了成对读取映射格式(PAF)和图形片段组装格式(GFA),并展示了我们和当前工具之间的互操作性。可用性和实施:https://github.com/lh3/minimap和https://github.com/lh3/miniasm联系方式:hengli@broadinstitute.org
2017-08-03 q-bio.GN
Linking de novo assembly results with long DNA reads by dnaasm-link application
目前,与下一代测序技术相比,允许获得更长的DNA读数的第三代测序技术正变得越来越流行。有许多可能性可以将下一代和第三代测序的数据结合起来。在此,我们提出了一个新的应用程序称为dnaasm-link连接重叠群,\textit{de novo}组装的第二代测序数据的结果,与长的DNA读取。我们的工具包括一个集成模块,用于使用适当长的DNA读段的合适片段来填补空白,这提高了所得DNA序列的一致性。该特征非常重要,特别是对于复杂的DNA区域,如本文所述。最后,我们的实现在速度和内存要求方面优于其他最先进的工具,这可能使所呈现的应用程序能够用于具有大基因组的生物体,这在现有应用程序中是不可能的。所提出的应用具有许多优点,如(i)显著的存储器优化和计算时间的减少(ii)通过指定的长DNA读段的适当片段填充缺口(iii)减少现有基因组草图中跨越和未跨越缺口的数量。该应用程序在GNU Library或Lesser General Public License version 3.0(LGPLv3)下免费提供给所有用户。演示应用程序、Docker镜像和源代码可在www.example.com上获得。
2018-11-13 q-bio.GN
Accurate selfcorrection of errors in long reads using de Bruijn graphs
新的长读段测序技术,如PacBio SMRT和Oxford NanoPore,可以产生长达50,000 bp的测序读段,但错误率至少为15%。降低错误率对于随后利用读取是必要的,例如,从头基因组组装。错误校正问题已经通过将长读段彼此比对或通过使用由第二代测序技术产生的更准确的短读段来校正长读段的混合方法来解决。我们提出了一个错误纠正方法,只使用长读。该方法由两个阶段组成:首先,我们使用基于de Bruijn图的迭代无重复校正方法,其中k聚体的长度增加,其次,使用使用多重比对发现的长距离依赖性进一步抛光校正的读数。根据我们的实验,所提出的方法是最准确的一个依赖于长读段只为读段集具有高覆盖率。此外,当读段集的覆盖率至少为75倍时,新方法的吞吐量至少高出20%。LoRMA可在http://www.cs.helsinki.fi/u/lmsalmel/LoRMA/上免费获得。
2016-04-08 q-bio.GN
Alignment-free comparison of next-generation sequencing data using compression-based distance measures
来自下一代测序(NGS)技术的大量短读段数据对基因组序列比较领域提出了新的挑战。由于短读段组装的挑战性问题,多序列比对方法几乎不适用于NGS数据。因此,需要开发无干扰的方法来比较短读段的NGS样品。最近,已经提出了新的基于$k$聚体的距离测量,例如{ \it CV树}、$d_{2}^{S}$、{ \it共系}来解决该问题。然而,这些距离在很大程度上取决于参数$k$,并且如何选择最佳的$k$并不简单,因为它可能取决于序列数据的不同方面。因此,在本文中,我们考虑一种替代的无参数方法:基于压缩的距离测量。这些措施在以前的研究中对长基因组序列表现出令人印象深刻的性能,但它们尚未在NGS短读段上进行测试。在这项研究中,我们进行了广泛的验证,并表明,基于压缩的距离是高度一致的那些距离从$k$ -mer为基础的方法,从基于压缩的方法,并从现有的基准文献。此外,由于这些措施是无参数的,不需要优化,他们仍然表现出一贯良好的多种类型的序列数据,不同种类的物种和分类水平。基于压缩的距离测量是无装配、无装配、无参数的,因此代表了用于比较长基因组序列和短读段的NGS样品的有用工具。
2014-02-04 q-bio.GN
STUART: Sequence Triage and qUAntification of Read Transcripts for Rapid Ionizing Radiation Exposure Assessment
Silesian University of Technology(西里西亚理工大学);UK Health Security Agency(英国卫生安全局)
STUART是一种无比对机器学习框架,利用k-mer特征和特征选择将辐射暴露评估所需的转录组特征降至17个,实现高精度快速分诊,支持便携式测序实时分析。
2026-09-16 q-bio.GN
biobambam: tools for read pair collation based algorithms on BAM files
当存储在BAM文件中时,序列比对数据通常按坐标(参考序列的id加上片段被映射的序列上的位置)排序,因为这简化了映射数据和参考之间的变体或映射数据内的变体的提取。按照这种顺序,配对读段通常在文件中分开,这使得一些其他应用复杂化,例如重复标记或转换为FastQ格式,这些应用需要访问配对的全部信息。在本文中,我们介绍biobambam,一个API的高效BAM文件读取支持有效整理的路线读名称,而不执行一个完整的重新排序的输入文件和一些工具,基于这个API执行的任务,如标记重复读取和转换为FastQ格式。与以前的方法相比,涉及通过读段名称整理比对的问题,如BAM到FastQ或Picard套件中的重复标记实用程序,biobambam的方法通常可以在所需的主内存和运行时间方面更有效地执行等效任务。
2013-06-04 q-bio.GN
Sashimi plots: Quantitative visualization of RNA sequencing read alignments
我们引入了Sashimi图,这是一种与基因注释对齐的mRNA测序读数的定量多样本可视化。生鱼片图是使用比对(以SAM/BAM格式存储)和基因模型注释(以GFF格式存储)制作的,其可以由用户定制或从数据库如Ensembl或UCSC获得。我们描述了两种实现的刺身图:(1)一个独立的命令行实现,旨在使可定制的出版物质量的数字,和(2)一个实现内置到集成基因组查看器(IGV)浏览器,它可以快速和动态创建刺身图的任何感兴趣的基因组区域,适合探索性分析的转录组的可变剪接区域。由MISO程序输出的异构体表达估计值可以任选地与生鱼片图一起绘制。生鱼片图可用于快速筛选感兴趣的基因组区域的差异剪接外显子,并可用于出版质量图。Sashimi绘图软件和文档可从http://genes.mit.edu/burgelab/miso/docs/sashimi.html获得
2013-06-14 q-bio.GN
pgMAP: a pipeline to enable guide RNA read mapping from dual-targeting CRISPR screens
本文开发了pgMAP分析流程,用于双靶向CRISPR筛选的gRNA读段比对,输出双gRNA计数表和质控指标,并以Snakemake实现开源发布。
2023-06-01 q-bio.GN
RNA-Seq Mapping Errors When Using Incomplete Reference Transcriptomes of Vertebrates
全转录组测序越来越多地被用作研究非模式生物的功能基因组学工具。然而,当用于计算差异表达的参考转录组不完整时,可能导致推断的表达水平的显著误差。在这项研究中,我们使用从真实转录组生成的模拟读段来确定读段映射的准确性,并测量使用不完整转录组所导致的误差。我们发现计数错误的两个主要来源是1)共享读段的选择性剪接变体和2)来自参考的缺失转录本。选择性剪接变体增加了定位的假阳性率,而不完整的参考转录组降低了真阳性率,导致不准确的转录表达水平。通过基因或读段共享(类似于映射到参考基因组)来识别转录物显著减少了假阳性,但只有通过改进参考转录组本身才能解决缺失转录物的问题。我们还表明,采用不同的映射软件不会产生模拟数据的准确性大幅增加。最后,我们表明,读取长度或插入大小必须增加超过1kb,以解决映射的模糊性。
2013-03-11 q-bio.GN
A spectral algorithm for fast de novo layout of uncorrected long nanopore reads
动机:新的长读段测序仪有望通过产生数十个碱基长的读段来改变测序和基因组组装。然而,它们的高错误率显著地使组装复杂化,并且需要昂贵的校正步骤来使用标准组装引擎来布局读段。结果如下:我们提出了一个原始的和有效的光谱算法来布局未校正的纳米孔读取,并将其无缝集成到一个简单的重叠/布局/共识(OLC)组装方案。该方法显示将来自几种细菌基因组的Oxford Nanopore读数组装成高质量(与参考的同一性约99%)基因组大小的重叠群,同时从酿酒酵母参考菌株产生更多片段化的组装体。可用性和实施:http://github.com/antrec/spectrassembler联系人:antoine. inria.fr
2017-07-17 q-bio.GN
grenepipe: A flexible, scalable, and reproducible pipeline to automate variant and frequency calling from sequence reads
本文提出 grenepipe,这是一个基于 Snakemake 的端到端可复现测序数据处理流程,支持灵活配置工具、自动安装依赖、集群并行扩展,并生成基因型或种群频率表。
2021-03-28 q-bio.GN
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
A mapping-free NLP-based technique for sequence search in Nanopore long-reads
本研究针对突发辐射事故下快速基因表达测定需求,提出基于NLP的纳米孔长读长序列识别方法,无需传统比对,在FDXR基因检测中实现高NPV与准确率,可替代经典比对用于应急场景且易重训练。
2024-06-20 q-bio.GN
Dynamic read mapping and online consensus calling for better variant detection
从高通量测序数据中检测变异是鉴定复杂疾病和癌症中涉及的等位基因的重要步骤。为了处理这些海量数据,采用了精心设计的序列分析管道。这种流水线的核心组件是读段映射模块,其准确性强烈影响所得变体调用的质量。我们提出了一种动态读取映射方法,显着提高读取比对精度。动态映射的一般思想是基于先前计算的读段比对连续更新参考序列。尽管这一概念已经出现在文献中,我们认为,我们的工作提供了第一个全面的分析这种方法。为了评估动态映射的好处,我们开发了一个模拟不同动态映射场景的软件管道(http://github.com/karel-brinda/dymas)。该流水线被应用于比较动态映射与传统的静态映射,另一方面,与所谓的迭代参考-一个计算昂贵的程序计算的最佳修改的参考,最大限度地提高了所有的比对的整体质量。我们的结论是,在所有的替代品,动态映射的结果在一个更好的精度比静态映射,接近迭代参考的准确性。为了在动态映射过程中校正参考序列,我们开发了名为OCOCO的在线共识调用程序(http://github.com/karel-brinda/ococo)。OCOCO是第一个能够以在线方式处理输入读取的共识调用者。最后,我们提供的结论动态映射的可行性和讨论的主要障碍,必须克服实施it. We还审查了广泛的可能的应用动态映射,特别强调变异检测。
2016-05-29 q-bio.GN
ntLink: a toolkit for de novo genome assembly scaffolding and mapping using long reads
本文介绍开源工具ntLink,利用基于minimizer的轻量级长读长定位实现高效基因组支架搭建、重叠检测、缺口填充与迭代,并支持错误组装检测等下游应用。
2023-01-20 q-bio.GN
Statistical models for RNA-seq data derived from a two-condition 48-replicate experiment
高通量RNA测序(RNA测序)现在是确定差异基因表达的标准方法。鉴定差异表达基因关键取决于对读段计数变异性的估计。这些估计值通常基于统计模型,如负二项分布,由工具edgeR,DESeq和cuffdiff使用。到目前为止,这些模型的有效性通常在低重复RNA测序数据或模拟上进行测试。在酵母中进行48次重复的RNA测序实验,并针对理论模型测试数据。观察到的基因读段计数与对数正态和负二项分布一致,而均值-方差关系遵循约0.01的恒定离散参数线。高重复数据还允许严格的质量控制和不良重复的筛选,这可能会极大地影响基因读数分布。RNA测序数据已提交至ENA档案室,项目ID为PRJEB 5348。
2015-05-04 q-bio.GN
Extraction of long k-mers using spaced seeds
从测序读数中提取k-mer是许多生物信息学应用中的重要任务,例如基于de Bruijn图的所有DNA序列分析方法。当使用的k-mer在分析的DNA中是独特的时,这些方法往往更准确,因此优选使用较长的k-mer。当短读段测序技术的读段长度增加时,错误率将成为k的最大可能值的决定因素。在这里,我们提出了LoMeX,它使用间隔种子准确地提取长k-mer,即使在存在测序错误的情况下。我们的实验表明,LoMeX可以从当前Illumina读取中提取长k-mer,其召回率高于标准k-mer计数工具。此外,我们对模拟数据的实验表明,当读长进一步增加时,标准k-mer计数器的性能下降,而LoMeX仍然成功地提取长k-mer。
2020-10-23 q-bio.GN
Isoform reconstruction using short RNA-Seq reads by maximum likelihood is NP-hard
最大似然法是一种流行的异构体重建技术。在这里,我们证明了通过最大似然法使用短RNA测序读数的同种型重建是NP困难的。
2013-05-04 q-bio.GN q-bio.QM
Estimating Sequence Similarity from Read Sets for Clustering Next-Generation Sequencing data
为了对仅给出其读段集表示的序列进行聚类,可以尝试从相应的读段集重建每一个,然后采用常规的(不)相似性度量,例如对组装的序列的编辑距离。然而,这种方法是有问题的,我们建议,而不是估计直接从读取集的相似性。我们的方法是基于适应的Monge-Elkan相似性从数据库领域已知的。它避免了序列组装的NP难问题。对于低覆盖率数据,与先组装后聚类方法相比,它导致更好地近似真实序列相似性,从而更好地聚类。
2017-05-16 cs.DS q-bio.GN
Indexing arbitrary-length $k$-mers in sequencing reads
我们提出了一个轻量级的数据结构的索引和查询收集的NGS读数据在主存中。该数据结构支持Philippe等人在开创性工作中提出的接口,用于计数和定位测序读数中的$k$ -聚体。我们的解决方案,PgSA(伪基因组后缀阵列),基于寻找重叠读段,是竞争力的空间使用,查询时间,或两者兼而有之的现有算法。我们的索引的主要应用包括变体调用,错误校正和RNA-seq实验的读数分析。
2015-02-13 cs.DS q-bio.GN
MOSAIK: A hash-based algorithm for accurate next-generation sequencing read mapping
本文介绍了一种精确的短读映射器,用于下一代测序数据,广泛用于1000个基因组计划,人类临床和其他物种的基因组研究。
2013-09-04 q-bio.GN q-bio.QM
Fast construction of FM-index for long sequence reads
总结:我们提出了一种新的方法来递增地构建短序列和长序列读段的FM索引,直到基因组的大小。它是第一个可以构建索引的算法,同时隐式地以相反的(补充)字典顺序对序列进行排序,而无需单独的排序步骤。该实现是索引短读段最快的实现之一,也是唯一一个实际上适用于平均长度的读段的实现。可用性和实施:https://github.com/lh3/ropebwt2联系方式:hengli@broadinstitute.org
2014-06-02 cs.DS q-bio.GN
SInC: An accurate and fast error-model based simulator for SNPs, Indels and CNVs coupled with a read generator for short-read sequence data
我们报告了SInC(SNV、Indel和CNV)模拟器和读取生成器,这是一个开源工具,能够在考虑特定于平台的错误模型的情况下模拟生物变体。SInC能够模拟和生成具有用户定义的插入大小的单端和双端读段,与其他现有工具相比效率更高。SInC由于其在读取生成期间的多线程能力而具有较低的时间占用。SInC目前经过优化,可以在有限的基础设施设置中工作,并且可以有效地利用常用的四核桌面架构来模拟大基因组深度覆盖的短序列读取。Sinc可以从www.example.com下载。
2013-08-16 q-bio.GN q-bio.QM
Haplotype-based variant detection from short-read sequencing
从短读段DNA测序数据中直接检测单倍型需要改变现有的小变异检测方法。在这里,我们开发了一个贝叶斯统计框架,这是能够建模的多等位基因位点的个人与非均匀的拷贝数。然后,我们描述了我们的实现这个框架中的单倍型为基础的变异检测器,FreeBayes。
2012-07-20 q-bio.GN q-bio.QM
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
featureCounts: An efficient general-purpose program for assigning sequence reads to genomic features
下一代测序技术产生数百万个短序列读数,这些读数通常与参考基因组对齐。在许多应用中,下游分析所需的关键信息是映射到每个基因组特征(例如映射到每个外显子或每个基因)的读段的数量。计数读段的过程称为读段摘要。阅读摘要是需要各种各样的基因组分析,但迄今为止,在文献中得到的关注相对较少。我们提出了featureCounts,一个读段总结程序,适用于计算从RNA或基因组DNA测序实验产生的读段。featureCounts实现了高效的染色体哈希和特征块技术。它比现有的方法快得多(基因级总结的数量级),需要的计算机内存也少得多。它可用于单端或双端读取,并提供适用于不同测序应用的广泛选项。featureCounts在GNU通用公共许可证下作为Subread(http://www.example.com)或Rsubread(www.bioconductor.org)软件包的一部分提供。subread.sourceforge.net
2013-11-14 q-bio.GN q-bio.QM
Optimal DNA shotgun sequencing: Noisy reads are as good as noiseless reads
我们建立了噪音读取下的DNA鸟枪测序的基本限制。我们展示了一个令人惊讶的结果:对于i.i.d.在DNA模型中,噪声读取与无噪声读取一样好,前提是噪声水平低于某个阈值,该阈值可能高得令人惊讶。例如,对于均匀分布的DNA序列和对称置换噪声读取通道,阈值高达19%。
2013-04-09 cs.IT math.IT q-bio.GN
Methylation Operation Wizard (MeOW): Identification of differentially methylated regions in long-read sequencing data
本文提出MeOW程序,利用长读长测序数据在全基因组范围内识别和优先排序差异甲基化区域,支持计数文件或含修饰碱基标签的bam文件作为输入。
2024-02-27 q-bio.GN q-bio.QM
ProDOMA: improve PROtein DOMAin classification for third-generation sequencing reads using deep learning
Michigan State University(密歇根州立大学);City University of Hong Kong(香港城市大学)
动机:随着第三代测序技术的发展,人们可以获得几十到几百kb的DNA序列。这些长读段允许蛋白质结构域注释而无需组装,因此可以对基础数据的生物学功能产生重要的见解。然而,第三代测序数据中的高错误率对已建立的域分析管道提出了新的挑战。现有技术的方法没有针对噪声读数进行优化,并且在第三代测序数据中显示出不令人满意的结构域分类准确性。仍然需要新的计算方法来提高在长噪声读取中的域预测的性能。结果:在这项工作中,我们引入了ProDOMA,这是一种深度学习模型,可以对第三代测序读数进行域分类。它使用具有3帧翻译编码的深度神经网络从部分正确的翻译中学习保守特征。此外,我们将我们的问题表述为开集问题,因此我们的模型可以拒绝不相关的DNA读取,例如来自非编码区的DNA读取。在对蛋白质编码序列的模拟读段和来自人类基因组的真实读段的实验中,我们的模型在蛋白质结构域分类上优于HMMER和DeepFam。总之,ProDOMA是一种有用的端到端蛋白质结构域分析工具,用于长噪声读取,而不依赖于纠错。可用性:源代码和训练模型可以在https://github.com/strideradu/ProDOMA上免费获得。联系方式:yannisun@cityu.edu.hk
2020-09-26 cs.LG q-bio.GN
Sailfish: Alignment-free Isoform Quantification from RNA-seq Reads using Lightweight Algorithms
RNA测序已迅速成为测量基因表达的事实上的技术。然而,分析所需的时间跟不上数据生成的速度。在这里,我们介绍Sailfish,一种新的计算方法,用于从RNA测序数据中量化先前注释的RNA异构体的丰度。Sailfish完全避免了映射读取,这在所有当前方法中都是一个耗时的步骤。Sailfish提供的量化估计比现有方法快得多(通常快20倍),而不会损失准确性。
2013-08-16 cs.CE q-bio.GN
SnakeLines: integrated set of computational pipelines for sequencing reads
背景资料:随着大规模并行测序技术的快速发展,更多的实验室正在利用测序的DNA片段进行基因组分析。然而,测序数据的解释强烈依赖于生物信息学处理,这对于没有计算背景的临床医生和研究人员来说通常要求太高。另一个问题是,在不同的计算中心之间,由于安装的文库和生物信息学工具的版本不一致,计算分析的可重复性。结果如下:我们提出了一个易于扩展的计算管道集,称为SnakeLines,用于处理测序读取;包括映射,组装,变异检测,病毒鉴定,转录组学,宏基因组学和甲基化分析。分析的各个步骤以及方法及其参数可以在单个配置文件中轻松修改。提供的管道嵌入在虚拟环境中,确保所需资源与主机操作系统隔离,快速部署,以及跨不同Unix平台的分析重现性。结论:SnakeLines是一个强大的生物信息学分析自动化框架,强调简单的设置,修改,可扩展性和再现性。关键词:计算流水线,框架,大规模并行测序,再现性,虚拟环境
2021-06-25 cs.CE q-bio.GN
A read-filtering algorithm for high-throughput marker-gene studies that greatly improves OTU accuracy
在基于标记基因的研究中处理高通量数据时,充分的读段过滤至关重要。测序错误可能导致其他相似读数的错误聚类,人为增加检索到的操作分类单位(OTU)的数量,从而导致高估微生物多样性。测序错误还将导致OTU不是原始生物序列的准确重建。在这里,我们提出了一种新的和敏感的序列过滤算法,最大限度地减少这两个问题,通过计算准确的错误概率分布的序列,其质量分数。为了验证我们的方法,我们对通过Roche 454,Illumina MiSeq和IonTorrent PGM平台对模拟和环境微生物群落进行测序获得的37个公开可用的数据集进行了质量过滤,并将我们的结果与以前的方法(如mothur,QIIME和UPARSE中的方法)进行了比较。我们的算法比其前辈保留了更多的读数,同时导致更少和更准确的OTU。这种改进的灵敏度产生了更忠实的代表性,定量和定性,研究样品中存在的真实微生物多样性。此外,在这项工作中介绍的方法是计算成本低廉,可以很容易地应用于任何现有的分析管道。
2015-06-01 q-bio.GN q-bio.QM
Estimators for Substitution Rates in Genomes from Read Data
Indian Institute of Science, Bengaluru(班加罗尔印度科学学院)
本文提出了一种基于噪声测序读数据估计基因组替代率的方法,通过理论分析和模拟验证了多种估计器的性能。
2026-01-12 cs.IT math.IT q-bio.GN
Numeric Lyndon-based feature embedding of sequencing reads for machine learning approaches
University of Milano-Bicocca(米兰比可卡大学);University of Salerno(萨勒诺大学);University of Bielefeld(比勒费尔德大学)
文献中已经提出了特征嵌入方法来将序列表示为数字向量,以用于一些生物信息学研究,例如家族分类和蛋白质结构预测。最近的理论结果表明,著名的林登因子分解保持公共因子重叠字符串。令人惊讶的是,测序读段的指纹(其是读段的林登因子分解的变体中的连续因子的长度的序列)在保留序列相似性方面是有效的,这表明其作为定义测序读段的新颖表示的基础。我们提出了一种新的特征嵌入方法的下一代测序(NGS)数据使用指纹的概念。我们提供了一个理论和实验框架,以估计指纹的行为和从它提取的$k$ -聚体,称为$k$ -手指,作为可能的特征嵌入测序读取。作为评估这种嵌入有效性的案例研究,我们使用指纹来表示RNA-Seq读数,并将它们分配给最可能的基因,它们作为基因转录本的片段起源。我们在工具lyn 2 vec中提供了所提出的方法的实现,该工具产生测序读取的基于Lyndon的特征嵌入。
2022-06-02 cs.FL cs.LG q-bio.GN
Efficient construction of the extended BWT from grammar-compressed DNA sequencing reads
我们提出了一个算法,用于建立扩展的BWT(eBWT)的字符串集合从其语法压缩表示。我们的技术利用语法捕获的字符串重复来提高eBWT的计算。因此,集合的重复性越高,每个输入符号使用的资源就越少。我们依赖于一个新的语法最近提出的DCC'21,其非终端作为积木诱导eBWT。这个想法的一个相关应用是构建用于分析测序读数的自索引-原始基因组数据的大量重复字符串集合。自索引在生物信息学中越来越受欢迎,因为它们可以在更少的空间中编码更多的信息。我们高效的eBWT构建为在更大规模的序列数据集上执行准确的生物信息学分析打开了大门,这些数据集不适合当前的eBWT构建技术。
2021-02-08 cs.DS q-bio.GN
Sequence assembly from corrupted shotgun reads
DNA测序的流行技术包括两个主要步骤:鸟枪测序,其中从整个序列中提取许多随机定位的片段,称为读取,然后是旨在重建原始序列的组装算法。有许多不同的技术可以生成读段:广泛使用的第二代方法创建错误率低的短读段,而新兴的第三代方法创建错误率高的长读段。错误率和错误概况在方法之间不同,因此重建算法通常针对特定的鸟枪测序技术进行定制。由于这些方法随时间变化,一个基本问题是是否存在鲁棒的重建算法,即,其在宽范围的误差分布下表现良好。在这里,我们研究这个问题的序列组装从损坏的读取。我们不假设读取中的错误类型,而只是假设它们的大小的界限。更准确地说,对于每个读段,我们假设不是接收没有错误的真实读段,而是接收到与真实读段的编辑距离最多为读段长度的$ε$倍的损坏读段。我们表明,如果读段足够长,有足够多的,那么近似重建是可能的:我们构建一个简单的算法,使得几乎所有的原始序列的算法的输出是一个序列,其编辑距离从原始的一个是最多$O(ε)$倍的原始序列的长度。
2016-01-26 cs.IT math.IT math.PR
XORRO: Rapid Paired-End Read Overlapper
背景:在许多情况下,下一代测序数据的计算分析被数据生成所超越。在一种这样的情况下,可以从Illumina测序方法产生双端读段,比它们可以通过下游分析重叠更快。重叠双端读段在读段长度和准确性方面的优势证明了软件有效解决这一问题的必要性。结果:XORRO是一个非常有效的双端读段重叠程序。XORRO可以在几分钟内重叠数百万个短的双端读段。它使用64位寄存器和2位字母表来表示序列,并使用XOR、AND、移位和popcount等低级逻辑运算进行比较。结论:截至撰写本文时,XORRO为双端读取重叠问题提供了最快的解决方案。XORRO可在以下网址下载:sourceforge.net/projects/xorro-overlap/
2013-04-16 q-bio.GN q-bio.QM