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
JS-MA: A Jensen-Shannon Divergence Based Method for Mapping Genome-wide Associations on Multiple Diseases
大规模全基因组关联研究(GWASs)利用单核苷酸多态性(SNP)的高通量基因分型技术,有望揭示基因型与表型之间的复杂关系,尤其是常见疾病的基因型与表型之间的关系。然而,目前的多位点为基础的方法是不够的,在计算成本和歧视的权力,以检测统计上显着的相互作用,他们缺乏的能力,发现不同的遗传效应对多种疾病。特别是高阶上位性($ \geq $ 2 SNPs)的多重统计检验将带来巨大的分析挑战,因为计算成本随着上位性模块中SNPs基数的增长而呈指数级增加。在本文中,我们开发了一个简单,快速和强大的方法,命名为JS-MA,使用詹森-香农分歧和高维$ k $ -平均聚类算法映射多个疾病的全基因组多位点上位性相互作用。与一些最先进的关联映射工具相比,我们的方法被证明是更强大和有效的系统模拟的实验结果。我们还将JS-MA应用于来自WTCCC的两种常见疾病的GWAS数据集,即风湿性关节炎和1型糖尿病。JS-MA不仅证实了最近报道的一些有生物学意义的关联,而且还确定了一些新的发现。因此,我们相信,我们的方法是合适的和有效的全面分析的多疾病相关的相互作用在大型GWAS。
2018-11-17 q-bio.GN
The Qatar Genome: A Population-Specific Tool for Precision Medicine in the Middle East
发挥精准医学的全部潜力取决于个性化基因组解读的质量。为了促进中东和北非地区(MENA)的精准医疗,通过整合来自1,161名卡塔尔人(占人口的0.4%)测序的等位基因频率数据,构建了卡塔尔土著阿拉伯人口(QTRG)的人群特异性参考基因组。在卡塔尔共观察到2090万个SNP和310万个indel,其中每个基因组平均有1.79%的新变异。在最佳实践基因组分析工作流程中用QTRG替换GRCh37标准参考导致平均7* 更深的覆盖深度(23%的改进),并且平均减少756,671个变体,减少16%,这归因于常见的卡塔尔等位基因存在于QTRG参考中。使用QTRG的好处因不同的时期而异,这是在选择适当的参考进行分析时应考虑的一个因素。
2018-05-13 q-bio.GN
FastRemap: A Tool for Quickly Remapping Reads between Genome Assemblies
FastRemap是一种快速高效的读段重映射工具,相比CrossMap平均加速6.47倍,内存消耗降低至80.7%,适用于基因组组装间的读段重映射。
2022-09-04 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
AirLift: A Fast and Comprehensive Technique for Remapping Alignments between Reference Genomes
本研究提出首款读段重映射工具AirLift,可将已比对到某参考基因组的读段快速映射到相似参考基因组,相比全量映射最多提速27.4倍,且经GATK验证变异识别准确性高,代码已开源。
2024-09-11 cs.CE 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
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
GenPIP: In-Memory Acceleration of Genome Analysis via Tight Integration of Basecalling and Read Mapping
针对纳米孔测序中碱基识别与读段比对分离执行导致的高数据移动和冗余计算问题,提出紧密集成二者的内存内加速器GenPIP,通过协同并行执行与提前剔除无效读段,显著提升基因组分析性能并降低能耗。
2023-12-17 cs.AR cs.DS q-bio.GN
Generating eukaryotic reference genome assemblies: Earth BioGenome Project quality standards and recommendations
Wellcome Sanger Institute(威康桑格研究所);Finnish Museum of Natural History & Department of Organismal and Evolutionary Biology Faculty of Biological and Environmental Sciences University of Helsinki(赫尔辛基大学生物与环境科学学院有机体与进化生物学系芬兰自然历史博物馆);Centro Nacional de Análisis Genómico (CNAG)(国家基因组分析中心);Universitat de Barcelona (UB)(巴塞罗那大学);Genoscope, Institut François Jacob, CEA, CNRS, Univ Evry, Université Paris-Saclay(巴黎-萨克雷大学埃夫里大学法国国家科研中心CEA弗朗索瓦雅各布研究所基因组学中心);Globe Institute, University of Copenhagen(哥本哈根大学环球研究所);Mississippi State University(密西西比州立大学);Natural Sciences Museum of Barcelona(巴塞罗那自然科学博物馆);Yale School of Medicine(耶鲁大学医学院);Arizona Genomics Institute, The University of Arizona(亚利桑那大学亚利桑那基因组学研究所);Wise Ancestors(智者祖先公司);The Rockefeller University(洛克菲勒大学);Genotek Ltd.(Genotek有限公司);Hospital Sirio-Libanes(叙利亚黎巴嫩医院);National Human Genome Research Institute, National Institute of Health(美国国立卫生研究院人类基因组研究所);Royal Botanic Gardens, Kew(邱园皇家植物园);Julie Ann Wrigley Global Futures Laboratory, Walton Center for Planetary Health, Arizona State University(亚利桑那州立大学沃尔顿行星健康中心朱莉·安·赖格利全球未来实验室)
本文由地球生物基因组计划委员会提出真核生物参考基因组组装的质量标准与建议,旨在确保高质量基因组资源以支持进化、生态保护及生物医学等应用。
2026-10-05 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
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
Accelerating Genome Analysis: A Primer on an Ongoing Journey
基因组分析从根本上开始于一个称为读段作图的过程,其中将生物体基因组的测序片段与参考基因组进行比较。读段作图目前是整个基因组分析管道中的主要瓶颈,因为最先进的基因组测序技术能够比用于分析基因组的计算技术快得多地对基因组进行测序。我们描述了显着提高读取映射性能的持续旅程。我们解释了最先进的算法方法和基于硬件的加速方法。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)。最后,我们总结了采用这些硬件加速读取映射器的挑战。
2020-09-22 cs.AR q-bio.GN stat.CO
Misassembly Detection using Paired-End Sequence Reads and Optical Mapping Data
基因组组装中的一个关键问题是发现和纠正草图基因组中的错误组装错误。我们开发了一种方法,将提高草案基因组的质量,通过识别和删除使用配对的短读序列数据和光学映射数据的错误组装错误。我们将我们的方法应用于火炬松和Francisella tularensis基因组的各种组件。我们的研究结果表明,我们检测到超过54%的广泛错误组装的重叠群和超过60%的局部错误组装的重叠群在组装的土拉弗朗西斯菌,和31%和100%之间的广泛错误组装的重叠群和57%和73%之间的局部错误组装的重叠群在火炬松的组件。MISSEQUEL可以在http://www.cs.colostate.edu/seq/下载。
2014-11-20 cs.CE q-bio.GN
GWAPP: A Web Application for Genome-wide Association Mapping in A. thaliana
拟南芥是研究植物遗传学和分子生物学的重要模式生物。它的高度自交性,加上其他重要的特征,如小尺寸,短世代时间,小基因组大小和广泛的地理分布,使其成为了解自然变异的理想模式生物。全基因组关联研究(GWAS)已被证明是一种有效的技术,可用于鉴定与A. thaliana.先前基因分型的种质(天然近交系)可以在不同条件下重复生长,并针对不同性状进行表型分析。这些重要的特征极大地简化了性状的关联作图,并允许整个拟南芥群落对自然变异的遗传学进行系统解剖。为了促进这一点,我们提出了GWAPP,一个交互式的基于Web的应用程序进行GWAS在A。thaliana.使用线性混合模型的高效Python实现,可以在几分钟内上传并使用高效混合模型和其他方法映射1386个公开生态类型的子集。GWAPP具有广泛的,交互式的和用户友好的界面,包括交互式曼哈顿图和交互式本地和全基因组LD图。它通过实现诸如在模型中包含候选SNP作为辅因子等功能来促进探索性数据分析。
2012-12-10 q-bio.GN q-bio.QM
SeGraM: A Universal Hardware Accelerator for Genomic Sequence-to-Graph and Sequence-to-Sequence Mapping
基因组序列分析的关键步骤是测序DNA片段的作图(即,读数)与已知的线性参考基因组序列(即,序列到序列映射)。最近的工作用基于图的参考基因组表示取代了线性参考序列,其捕获了群体中许多个体的遗传变异和多样性。将读段映射到基于图的参考基因组(即,序列到图映射)导致基因组分析的显著质量改进。不幸的是,虽然序列到序列的映射是很好地研究了许多可用的工具和加速器,序列到图的映射是一个更困难的计算问题,目前可用的实用软件工具少得多。我们分析了两个国家的最先进的序列图映射工具,并揭示了四个关键问题。我们发现,有一个迫切需要有一个专门的,高性能的,可扩展的,低成本的算法/硬件协同设计,消除瓶颈的种子和序列图映射的比对步骤。为此,我们提出了SeGRAM,一种通用算法/硬件共同设计的基因组映射加速器,可以有效地和高效地支持序列到图形映射和序列到序列映射,无论是短读段还是长读段。据我们所知,SeGRAM是第一个用于加速序列到图形映射的算法/硬件协同设计。SeGram由两个主要组件组成:(1)MinSeed,第一个基于最小化器的种子加速器;(2)BitAlign,第一个基于位向量的序列到图形对齐加速器。我们证明了SeGRAM为序列到图和序列到序列映射管道的多个步骤提供了显着的改进。
2022-05-31 cs.AR q-bio.GN
BAUM: A DNA Assembler by Adaptive Unique Mapping and Local Overlap-Layout-Consensus
从高通量测序(HTS)读取的基因组组装是一个基本但具有挑战性的计算问题。一个内在的挑战是广泛的重复因素造成的不确定性。在这里,我们使用唯一映射(UM)读取的概念来解决不确定性,这激发了新的汇编程序BAUM的设计。它主要由两种类型的迭代组成。第一种类型的迭代通过自适应读段映射、通过参考的独特区域过滤和参考更新从参考(例如可能相当遥远的物种的基因组)构建初始重叠群。提出了一种统计检验,以分裂布局在可能的结构变化的网站。第二种类型的迭代包括映射、支架化/重叠群延伸和重叠群合并。我们通过局部组装其配偶被唯一映射到重叠群末端的读段来延伸每个重叠群。代替de Bruijn图方法,我们采用了布局共识(OLC)范式。OLC通过并行计算实现,并且具有相对于重叠群的数量的线性复杂度。如果相邻的延伸重叠群的比对通过调整的缺口距离确认,则合并相邻的延伸重叠群。在整个组装过程中,通过概率计算选择映射标准。这些创新可以用来补充现有的从头组装。将该方法应用于野生稻基因组的拼接,获得了比其他拼接方法更高的重叠群N50,18.8k。通过从长454读段的独立文库构建的重叠群进一步验证组装。
2016-09-10 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
Centromere reference models for human chromosomes X and Y satellite arrays
人类基因组仍然是不完整的,具有代表内源性着丝粒和其他异染色质区域的多兆大小的缺口。这些区域通常富含长阵列的几乎相同的串联重复序列,称为卫星DNA,提供有限数量的变异位点来区分数百万个碱基中的单个重复拷贝。这种实质性的序列同质性挑战了可用的组装策略,因此,正在进行的基因组研究中省略了着丝粒区域。为了解决这个问题,我们提出了一个本地有序的大会在两个单倍体人类卫星阵列上的染色体X和Y,导致在一个初始的线性表示的3.83 Mb的着丝粒DNA在一个单独的基因组。为了进一步扩展每个着丝粒参考序列的效用,我们评估了阵列内的位点的短读段可映射性和染色体特异性。随着卫星DNA以协调一致的方式进化,我们使用这些着丝粒组装来评估来自不同人群的372个个体之间的序列变异程度。在这样做时,我们确定了两个古老的卫星阵列的X和Y着丝粒的变体,由阵列长度和序列组成。这项研究提供了一个区域着丝粒的初始线性表示和全面的序列表征,并建立了一个基础,以扩展这些网站以及其他重复丰富的区域内复杂的基因组的基因组表征。
2013-09-17 q-bio.GN
Interlacing Personal and Reference Genomes for Machine Learning Disease-Variant Detection
Cambridge Cancer Genomics(剑桥癌症基因组学);University of Cambridge(剑桥大学);University College London(伦敦大学学院)
用于识别遗传变异的DNA测序在临床环境中变得越来越有价值。对此类测序数据中的变体的评估通常通过贝叶斯启发式算法来实现。机器学习在改进这些变体调用方面表现出了很大的希望,但这些变体调用的输入仍然是标准化的“堆积”图像,这并不总是最合适的。在本文中,我们提出了一种新的方法,用于从DNA测序数据生成图像,该方法将人类参考基因组与个性化测序输出交错,以最大限度地利用测序读数并提高机器学习算法的性能。我们证明了这在提高标准生殖系变异检测中的成功。我们还进一步发展了这种方法,以包括具有暹罗网络的跨肿瘤/正常数据的体细胞变异检测。这些方法可以用于测序数据的机器学习应用,希望改善临床结果,并且可以在www.ccg.ai上免费获得非商业用途。
2018-11-26 cs.LG q-bio.GN stat.ML
Exploring genetic variation in the tomato (Solanum section Lycopersicon) clade by whole-genome sequencing
番茄进化枝的遗传变异进行了探讨,通过测序的选择84番茄种质和相关的野生物种代表的番茄,Arcanum,Eriopersicon,和Neolycopersicon组。我们提出了三个新的参考基因组的重建,以支持我们的比较基因组分析。商业育种品系的序列多样性似乎极低,表明作物番茄的遗传侵蚀严重。这通过野生物种中的SNP计数反映出来,其可以超过1000万,即比作物种质高20倍。比较序列比对揭示了组,物种和加入特定的多态性,这解释了特征性的果实性状和番茄加入的生长习性。使用基因模型从注释亨氏参考基因组,我们观察到的偏差dN/dS比在水果和生长多样化基因相比,一组随机的基因,这可能是一个积极的选择的结果。我们在野生S.番茄属物种,以及源自共同供体种质的作物种质中的基因渗入足迹。果实多样化和生长特异性基因的系统发育关系从作物种质显示不完全的决议,并依赖于渗入供体。相比之下,全基因组SNP信息有足够的权力来解决的系统发育放置在番茄进化枝中的四个主要群体使用最大似然分析。系统发育关系出现相关的栖息地和交配型,并指出这些群体内的地理小种的发生,因此是具有实际意义的渐渗杂交育种。我们的研究表明,需要多个参考基因组,以支持番茄比较基因组学和茄属基因组进化研究。
2015-04-21 q-bio.GN
RawAlign: Accurate, Fast, and Scalable Raw Nanopore Signal Mapping via Combining Seeding and Alignment
RawAlign首次将细粒度信号比对整合到原始纳米孔信号映射器中,通过三项算法改进和向量化硬件加速,在大基因组上实现最准确的映射,同时保持与RawHash相当的性能并显著快于UNCALLED和Sigmap。
2024-10-23 q-bio.GN q-bio.QM
Expectation-Maximization (EM) Algorithms for Mapping Short Reads Illustrated with FAIRE data and the TP53-WRAP53 Gene Region
正在生成大量的短读段用于映射回基因组以发现转录物、miRNA、DNA酶超敏位点、FAIRE区域、核小体占用等的频率。36个碱基对),并且由于许多真核生物基因组(包括人类)具有高度重复的序列,因此这些读段中的许多映射到基因组中的两个或更多个位置。目前对这些读段的映射,根据0、1或2个错配对它们进行分级,浪费了大量信息。这些短序列通常在不考虑序列准确性的情况下进行映射,即使在公司软件中,当机器的另一部分报告每个碱基的错误率时也是如此。此外,多重映射位置经常被完全丢弃或被分配而不考虑其他读段在哪里累积。在这里,我们展示了如何将读段的概率映射与EM算法相结合,以迭代地提高短读段分配的经验似然性。使用LAST的作图考虑了读取的每碱基准确性,加上插入和缺失,加上相对于亲本基因组的预期偶然错误或SNP。概率EM算法基于在前一循环上的窗口内映射的读数的比例以及关于读数最佳映射的任何先验信息迭代地分配读数。这些方法用FAIRE ENCODE数据来说明,这些数据着眼于TP53和WRAP 53的非常重要的头对头基因组合。
2009-12-29 q-bio.GN q-bio.QM
Whole genome mapping of 5' RNA ends in bacteria by tagged sequencing : A comprehensive view in Enterococcus faecalis
粪肠球菌是医院感染的第三大原因。为了获得这种细菌中转录组织的第一个全面视图,我们使用了一种改进的RNA-seq方法,能够区分初级和加工的5 'RNA末端。我们还通过确认大肠杆菌中的已知特征来验证我们的方法。在E.粪便一个盲目的基序搜索检索SigA和SignN依赖的启动子之前的TSS映射的典型功能。我们发现了95个新的推定的调控RNA,小和反义RNA,和72个转录反义组织。提出的数据构成了一个显着的洞察细菌RNA景观和一个步骤,以全面的方式在转录和转录后水平的调控过程的推理。
2014-10-07 q-bio.BM q-bio.GN q-bio.QM
PlainMap: a lightweight, restartable mapping pipeline for ancient and modern DNA
Technical University of Denmark(丹麦技术大学)
PlainMap是一个轻量级、可重启的比对流程,支持现代和降解DNA,通过确定性分块和检查点机制实现中断恢复,并减少约25%峰值内存。
2026-09-16 q-bio.GN
Mapping Dynamic Histone Acetylation Patterns to Gene Expression in Nanog-depleted Murine Embryonic Stem Cells
胚胎干细胞(ESC)具有无限自我更新和分化成三个胚层中任何一个的潜力。自我更新的分子机制,维持多能性和谱系规范知之甚少,但最近的结果指出表观遗传机制的关键作用。在这项研究中,我们专注于量化组蛋白3乙酰化(H3K9,14 ac)对小鼠胚胎干细胞基因表达的影响。我们分析了全基因组组的组蛋白乙酰化模式和基因表达概况,测量了前五天的细胞分化沉默Nanog,一个关键的转录因子在ESC调控触发。我们探索组蛋白乙酰化数据的时间和空间动态及其与基因表达的相关性,使用监督和非监督统计模型。在全基因组范围内,乙酰化的变化与mRNA表达的变化显著相关,令人惊讶的是,这种一致性随着时间的推移而增加。我们在平衡交叉验证程序中量化组蛋白乙酰化对基因表达变化的预测能力。在一项深入的研究中,我们专注于小鼠ESC调控网络的核心基因,包括最近在全基因组RNAi筛选和PluriNet中鉴定的基因,PluriNet是一种计算衍生的干细胞签名。我们发现,与基因组的其余部分相比,ESC特异性基因显示出显着更多的乙酰化信号和更强的乙酰化降低随着时间的推移,这往往不是反映在一个一致的表达变化。这些结果揭示了组蛋白乙酰化和基因表达之间关系的复杂性,并进一步剖析了决定干细胞命运的多层调控机制。
2010-10-15 q-bio.GN
Efficient Index Maintenance Under Dynamic Genome Modification
高效的文本索引数据结构已经实现了大规模的基因组序列分析,并用于帮助解决从组装到读取映射的问题。然而,这些数据结构通常假设基础引用文本是静态的,并且不会在进行查询的过程中发生变化。在探索当底层引用发生变化时,如何更新某些文本索引(如后缀数组)而不是从头开始重建方面,已经取得了一些进展。然而,这些更新操作在实践中可能是复杂的,难以实现,并给出相当悲观的最坏情况界限。我们提出了一种新的数据结构,SkipPatch,用于在动态变化的基因组上维护基于k-mer的索引。SkipPatch将基于散列的k-mer索引与可索引跳表配对,该可索引跳表用于有效地维护已应用于原始基因组的编辑集。SkipPatch实际上速度很快,在更新和查询速度方面明显优于动态扩展后缀数组。
2016-04-11 cs.DS q-bio.GN
MetaCompass: Reference-guided Assembly of Metagenomes
本文提出MetaCompass这一首个有效的参考引导宏基因组组装方法,可针对特定生物体补充并改进传统从头组装,并随参考基因组增多而更具价值。
2024-03-03 q-bio.GN q-bio.QM
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
Genome Variant Calling with a Deep Averaging Network
变异检测是基因组学的基础,即在给定覆盖该位置的噪声、冗余、重叠的短序列的情况下,估计DNA序列中的位置是否与参考序列不同。我们提出了一种专门为变异检测设计的深度平均网络。我们的模型通过一系列卷积层转换单个读段来考虑每个短输入读段序列的独立性,将单个读段之间的通信限制为平均和连接操作。在precisionFDA Truth Challenge(pFDA)上进行训练和测试,我们的F1总分达到了最先进的99.89分。基因组数据集在简单的例子和决策边界上的例子之间表现出极端的偏斜。我们利用这一特性,通过在训练过程中跳过简单的示例,以5倍于标准基于时期的训练速度收敛模型。为了促进未来的工作,我们发布了我们的代码,训练模型和预处理的公共领域数据集。
2020-03-13 q-bio.GN
A Reference-Free Algorithm for Computational Normalization of Shotgun Sequencing Data
基因组、转录组、扩增的单细胞基因组和宏基因组的深度鸟枪测序和分析使得能够对广泛的生物体和生态系统进行调查。然而,短读数据集的采样变化和现代测序仪的高测序错误率在数据解释中提出了许多新的计算挑战。这些挑战导致了新的映射工具类和{ \em de novo}汇编器的开发。这些算法受到测序通量持续改进的挑战。在这里,我们描述了数字归一化,一个单程计算算法,系统化的覆盖率在鸟枪测序数据集,从而减少采样变异,丢弃冗余数据,并删除大多数错误。数字标准化显著地减小了鸟枪法数据集的大小,并降低了{ \em de novo}序列组装的存储器和时间要求,所有这些都没有显著影响所生成的重叠群的内容。我们将数字归一化应用于微生物基因组数据、扩增的单细胞基因组数据和转录组数据的组装。我们的实现可以自由使用和修改。
2012-05-21 q-bio.GN
Simulating Genomes and Populations in the Mutation Space: An example with the evolution of HIV drug resistance
当模拟不同进化遗传模型下的生物种群时,可以遵循向后或向前策略。反向模拟,也称为基于聚结的模拟,在计算上非常有效。然而,这个框架施加了一些限制,向前模拟没有。在这项工作中,提出了一种新的简单而有效的模型来执行人口和/或基因组的前向模拟。其基本思想认为个体是该个体与参考或共有基因型之间的差异(突变)。因此,该个体不再由其完整序列或基因型代表。一个新的模型相对于一个更经典的前一个效率的例子被证明。本实施例使用B_FR. HXB 2参考序列模拟HIV抗性的进化,以研究已知的对齐多夫定和去羟肌苷药物的抗性突变体的出现
2007-12-30 q-bio.GN q-bio.OT q-bio.PE
MetaCache-GPU: Ultra-Fast Metagenomic Classification
DNA测序的成本在过去十年中呈指数级下降,使越来越多的科学家能够获得基因组数据。在生物信息学中,通常通过构建索引数据结构来促进大基因组序列内的短DNA序列(读段)的定位,所述索引数据结构允许子串的有效查询。最近的宏基因组分类流水线通过相对于参考基因组数据库分析其$k$ -mer直方图来用分类标签注释读段。基于CPU的索引构造通常在预处理阶段执行,这是因为构建不规则数据结构(如哈希映射)的成本相对较高。然而,快速增长的数量可用的参考基因组建立了索引建设和查询的互动速度的需要。在本文中,我们介绍了MetaCache-GPU -一种超快速的宏基因组短读分类器,专门为适应CUDA加速器的特性而量身定制。我们的方法采用了一种新的哈希表变体,具有高效的minhash指纹读取位置敏感的哈希和他们的快速插入使用翘曲聚合操作。我们的性能评估表明,MetaCache-GPU能够在几秒钟内构建大型参考数据库,实现即时可操作性,而流行的基于CPU的工具(如Kraken 2)需要一个多小时才能在相同的数据上构建索引。在参考基因组数量不断增长的背景下,MetaCache-GPU是第一个宏基因组分类器,它使分析管道与大规模参考基因组集的按需组合变得实用。源代码可在https://github.com/muellan/metacache上公开获得。
2021-06-14 cs.DC q-bio.GN
GenPairX: A Hardware-Algorithm Co-Designed Accelerator for Paired-End Read Mapping
Huawei Technologies Switzerland AG(华为瑞士技术股份有限公司);ETH Zurich(苏黎世联邦理工学院);King’s College London(伦敦国王学院)
GenPairX通过硬件-算法协同设计,高效减少配对端读映射计算负载,提升内存密集型操作吞吐量,实现性能显著提升。
2026-01-27 cs.AR q-bio.GN
GenStore: A High-Performance and Energy-Efficient In-Storage Computing System for Genome Sequence Analysis
提出首个面向基因组序列分析的存内处理系统GenStore,通过软硬件协同设计和低成本存内过滤器优化数据移动与计算,在真实数据集上显著提升读段比对性能。
2023-04-06 cs.AR cs.DC cs.OS
GRIM-filter: fast seed filtering in read mapping using emerging memory technologies
动机:种子过滤在DNA读取映射中至关重要,DNA读取映射是将从供体采样的数十亿个DNA片段(读取)映射到参考基因组上以识别供体的基因组变体的过程。读取映射器1)快速生成可能的映射位置(即,种子),2)在每个映射位置提取参考序列,然后3)用计算量大的动态编程算法(比对)检查每个读段与其相关参考序列之间的相似性,以确定读段的来源。位置过滤器在对齐之前开始起作用,丢弃对齐将被视为不良匹配的种子位置。理想位置过滤器将在对准之前丢弃所有不良匹配位置,使得在不良对准上不存在浪费的计算。结果如下:我们提出了一种新的过滤算法,GRIM-Filter,优化利用新兴的3D堆叠存储器系统,集成计算在一个堆叠的逻辑层,使内存中的处理(PIM)。GRIM-Filter通过以下方式快速过滤位置:1)引入参考基因组粗粒度片段的新表示; 2)使用并行内存操作来识别每个粗粒度片段内的读取存在。我们的评估表明,对于5%的错误接受率,GRIM-Filter消除了5.59x-6.41x的假阴性,并且与采用以前最好的过滤算法的映射器相比,端到端的速度提高了1.81x-3.65x。
2017-08-14 q-bio.GN
Mapping the Space of Genomic Signatures
我们提出了一种计算方法来测量和可视化任何数量的DNA序列之间的相互关系,例如,允许检查数百或数千个完整的线粒体基因组。对于DNA序列的每对图形表示计算“图像距离”,并且距离被可视化为分子距离图:图上的每个点代表DNA序列,并且任何两个点之间的空间接近度反映了相应序列之间的结构相似性程度。所使用的DNA序列的图形表示,混沌游戏表示(CGR),是基因组和物种特异性的,因此可以作为基因组签名。因此,分子距离图谱可以为物种鉴定,分类学分类以及在一定程度上的进化历史提供信息。所采用的图像距离,即结构相异指数(DSSIM),隐含地比较了DNA序列中长度高达$k$(本文中为$k=9$)的寡聚体的出现。我们计算了超过500万对完整线粒体基因组的DSSIM距离,并使用多维标度(MDS)获得分子距离图,直观地显示了不同分类学水平下各种子集中的序列相关性。这种通用方法不需要DNA序列同源性,因此可用于比较相同或不同长度的基因组或计算机生成的相似或截然不同的DNA序列。我们说明了这种方法的潜在用途,将其应用到几个分类子集:脊椎动物门,(超)原生生物界,两栖类昆虫-哺乳动物,两栖类,灵长类。这一广泛的数据集的分析证实,完整的mtDNA序列的寡聚体组成可以是一个来源的分类信息。
2014-10-09 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
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
Π-cyc: A Reference-free SNP Discovery Application using Parallel Graph Search
动机:同时处理大量基因组在遗传群体和比较基因组学研究中具有重要意义。多基因组从头组装着色de bruijn图中的气泡发现问题是图论中的圈计数问题。大而复杂的de Bruijn图的圈枚举算法是耗时的。彩色de bruijn图变体调用应用需要用于高效气泡搜索的专门快速算法。在彩色de Bruijn图中,气泡路径覆盖率用于下游变体调用分析。结果:在本文中,我们介绍了一种快速的并行图搜索不同的K-mer循环大小。有色路径覆盖用于SNP预测。图搜索方法采用多节点和多核相结合的设计,以加快循环枚举。搜索算法使用从存储在哈希表中的彩色de Bruijn图的原始集合中提取的索引。该索引分布在共享内存HPC计算节点中的不同CPU核心上,以构建无向子图,然后独立并同时搜索特定的周期大小。同样的索引也可以在多个HPC计算节点之间分割,以利用用户可用的尽可能多的CPU内核。局部邻域并行搜索方法降低了图的复杂度,便于多色de Bruijn图的循环搜索。该搜索算法被整合到$Π$ -cyc应用程序中,并在许多粟酒裂殖酵母基因组上进行了测试。可用性:$Π$ -cyc是一个开源软件,可从www.github.com/2kplus2P获得
2018-09-18 cs.CE q-bio.GN
Variant tolerant read mapping using min-hashing
DNA读段作图是生物信息学中普遍存在的任务,并且已经开发了许多工具来解决读段作图问题。然而,有两个趋势正在改变readmapping的前景:首先,新的测序技术提供了具有高错误率(高达15%)的非常长的读取。其次,群体中的许多遗传变异是已知的,因此参考基因组不被认为是ACGT上的单个字符串,而是包含这些变异的复杂对象。大多数现有的读取映射器不能适当地处理这些新情况。我们引入了一个新的读映射器原型称为VATRAM,认为变量。它基于参考基因组窗口的q-gram集的最小散列。Min-Hashing是一种局部敏感哈希。变体直接插入到VATRAM索引中,从而实现快速映射过程。我们的研究结果表明,VATRAM实现了更好的精度和召回比国家的最先进的读取映射器,如BWA在某些情况下。VATRAM是开源的,可以在https://bitbucket.org/Quedenfeld/vatram-src/上访问。
2017-02-08 cs.DS q-bio.GN
SPATA: A Seeding and Patching Algorithm for Hybrid Transcriptome Assembly
从RNA-Seq读取的转录组组装是生物信息学研究的活跃领域。不断下降的成本和不断增加的RNA-Seq深度为更好地鉴定表达的转录本提供了前所未有的机会。然而,非线性转录物结构和超高通量的RNA-Seq读数对现有的转录组组装方法(参考引导或从头)提出了显著的算法和计算挑战。虽然参考引导的方法提供了良好的灵敏度,但它们依赖于剪接感知比对器的比对结果,因此不适合具有不完整参考基因组的物种。相比之下,从头方法不依赖于参考基因组,但面临着来自为整个转录组构建的图的复杂性的计算艰巨的任务。为了应对这些挑战,我们提出了一种混合方法来利用不完整的参考基因组,而不依赖于剪接感知对齐。我们设计了一个分裂和对齐程序,以有效地将读段定位到单个基因组基因座,然后进行准确的从头组装,以组装落入每个基因座的读段。使用大量的模拟数据,我们通过与选定的转录组组装工具进行比较,证明了转录组重建的高准确度和精确度。我们的方法是在assemblySAM中实现的,assemblySAM是一个可以在http://sammate.sourceforge.net上免费获得的GUI软件。
2013-06-06 cs.CE q-bio.GN
Iterative Learning for Reference-Guided DNA Sequence Assembly from Short Reads: Algorithms and Limits of Performance
最近出现的下一代DNA测序技术使得能够以前所未有的规模获取遗传信息。为了确定生物体的遗传蓝图,测序平台通常采用所谓的鸟枪测序策略,用相对短的重叠读段的文库对靶基因组进行过采样。通过处理由测序仪器产生的所获取的噪声信号来确定读段中的核苷酸的顺序。即使在存在参考基因组的情况下,从潜在错误的短读段组装基因组也是计算上令人生畏的任务。参考中的错误和缺口以及靶中的完美重复区域进一步使得组装具有挑战性并导致不准确性。在本文中,我们制定的参考引导序列组装问题的二分图上的基因组序列的推理,并解决它使用的消息传递算法。该算法可以被解释为著名的经典的信念传播计划在一定的先验。与现有的最先进的方法不同,所提出的算法结合了由读段提供的信息,而不需要知道短读段的可靠性(所谓的质量分数)。讨论了消息传递算法与可证收敛幂迭代格式的关系。为了评估和基准所提出的技术的性能,我们找到了一个天才辅助最大后验概率(MAP)决策方案的错误概率的解析表达式。仿真和实验数据的结果表明,所提出的消息传递算法优于常用的最先进的工具,它几乎达到上述MAP决策方案的性能。
2014-03-22 cs.CE cs.IT math.IT
Coinami: A Cryptocurrency with DNA Sequence Alignment as Proof-of-work
使用高通量测序(HTS)平台生成的数据量的增长率现在超过了摩尔定律所规定的增长。预计在2025年之前,HTS数据将超过其他“大数据”领域,如天文学。除了用于研究目的的基因组测序外,临床环境中的基因组和外显子组测序将成为医疗保健的常规部分。然而,分析如此大量的数据并非没有计算挑战。由于参考基因组的定期更新,这一负担甚至更加增加,这通常需要重新分析现有数据。在这里,我们提出了硬币应用中介接口(Coinami)分配工作量的映射读取参考基因组使用志愿者网格计算机的方法类似于伯克利开放式网络计算基础设施(BOINC)。然而,由于HTS读码映射需要大量的计算资源,并且需要快速的分析投票率,Coinami使用HTS读码映射作为工作证明来生成有效的区块来管理自己的加密货币系统,这可能有助于激励志愿者投入更多的资源。Coinami协议包括确保志愿者执行的工作正确的机制,并提供基因组数据隐私。Coinami的原型实现可在http://coinami.github.io/上获得。
2016-02-19 cs.CE cs.CR q-bio.GN
Fast Genome-Wide QTL Association Mapping on Pedigree and Population Data
由于大多数全基因组关联研究(GWAS)的分析软件目前只利用不相关的个体,因此需要能够处理一般系谱数据或群体和系谱数据的混合物的高效应用程序。即使是被认为仅由不相关的个体组成的数据集也可能包含神秘的关系,如果不被发现和控制,这些关系可能导致误报。此外,家族设计具有令人信服的优势。他们更有能力检测罕见变异,控制人群分层,并促进对起源父母效应的研究。选择极端性状值的家系往往分离出一个具有强效应的单基因。最后,许多谱系是连锁分析时代的重要遗产。不幸的是,谱系可能性是出了名的难以计算。在本文中,我们重新审视的计算瓶颈,并实现超快的系谱为基础的GWAS分析。亲属关系系数可以基于明确提供的谱系,也可以根据密集标记自动估计。我们的策略(a)适用于随机样本数据、系谱数据或两者的混合;(b)不损失功效;(c)允许任何数量的协变量调整,包括对群体分层的校正;(d)允许在加性、显性和隐性模型下测试SNP;(e)适应单变量和多变量数量性状。在一台典型的个人计算机(6个CPU内核,2.67 GHz)上,分析来自圣安东尼奥家庭心脏研究(124个家系中1357名个体的935,392个SNP)的单变量HDL(高密度脂蛋白)性状需要不到2分钟和1.5 GB的内存。对纵向HDL多变量性状的三个时间点进行完整的多变量QTL分析需要不到5分钟和1.5 GB的内存。
2014-12-20 q-bio.GN q-bio.PE stat.AP
Construction and Functional Analysis of Human Genetic Interaction Networks with Genome-wide Association Data
遗传相互作用测量不同基因如何共同促成表型,并且可以揭示遗传扰动下通路之间的功能补偿和缓冲。最近,全基因组筛选遗传相互作用揭示了遗传相互作用网络,这些网络在自身分析或与其他功能基因组数据集整合时提供了新的见解。对于高等真核生物如人,上述反向遗传学方法并不简单,因为高等真核生物的感兴趣的表型难以在基于细胞的测定中研究。我们提出了一个总体框架,用于构建和分析人类遗传相互作用网络的全基因组单核苷酸多态性(SNP)数据用于复杂疾病的病例对照研究。具体而言,该方法包括三个主要步骤:(1)估计SNP-SNP遗传相互作用,(2)鉴定连锁不平衡(LD)块并将SNP-SNP相互作用映射到块-块相互作用,以及(3)LD块的功能映射。我们对论文中使用的六个数据集进行了两组功能分析,并证明了(i)构建的遗传相互作用网络得到了来自独立生物数据库的功能证据的支持,(ii)该网络可用于发现与疾病表型联合相关的补偿基因模块对(途径间模型)。所提出的框架应该提供新的见解,超越现有的方法,要么忽略SNP之间的相互作用或模型不同的SNP-SNP对遗传相互作用分开。此外,我们的研究提供了证据,表明基于酵母等模式生物的反向遗传学的遗传相互作用网络的一些核心特性也存在于人类种群自然变异所揭示的遗传相互作用中。
2011-01-17 q-bio.GN q-bio.MN
Efficient and accurate causal inference with hidden confounders from genome-transcriptome variation data
利用全基因组测序和转录组分析将基因表达定位为一种数量性状,可以发现遗传变异的功能后果。我们开发了一种新的方法和超快的软件Findr,用于使用顺式调控DNA变异作为因果锚点进行基因表达性状之间的高精度因果推断,该方法通过考虑隐藏的混杂因素和弱调控来改进现有方法。Findr在DREAM 5系统遗传学挑战和人类淋巴母细胞中microRNA和转录因子靶点的预测上优于现有方法,同时快了近一百万倍。Findr可在https://github.com/lingfeiwang/findr上公开获取
2017-04-17 q-bio.GN q-bio.MN q-bio.QM
DNA methylation variation in Arabidopsis has a genetic basis and shows evidence of local adaptation
表观基因组对环境的调节可能为生物体提供了一种适应机制,包括代内和代间。然而,这种情况发生的程度和所涉及的分子机制都不清楚。在这里,我们调查DNA甲基化的变化在瑞典拟南芥加入生长在两个不同的温度。环境对DNA甲基化的影响仅限于转座子,其中发现CHH甲基化随温度增加而增加。全基因组关联图谱显示,广泛的CHH甲基化变异与顺式和反式的遗传变异密切相关,包括与DNA甲基转移酶CMT2接近的主要反式关联。与CHH甲基化不同,基因编码区的CpG基因体甲基化(GBM)不受生长温度的影响,而是与原产地的纬度密切相关。来自较冷地区的基因组的显著部分具有较高水平的GBM,这与受影响基因的转录水平升高相关。全基因组关联图谱显示,这种影响主要是由于反式作用位点,其中一个显着的分数显示出局部适应的证据。这些发现构成了DNA甲基化与环境适应之间的第一个直接联系,并为进一步剖析环境驱动和遗传决定的表观遗传变异如何相互作用和影响生物体适应性提供了基础。
2014-10-21 q-bio.GN
Canonical, Stable, General Mapping using Context Schemes
动机:序列作图是现代基因组学的基石。然而,大多数现有的序列映射算法是不够的一般性。结果如下:我们引入上下文方案:一种方法,通过从算法定义的集合中测试子串的查询,允许明确识别查询序列中的参考基。上下文方案仅在存在唯一的最佳映射时映射,并为所有参考基统一定义此标准。也可以使上下文方案下的映射稳定,使得查询字符串的扩展(例如通过增加读取长度)将不会改变先前映射位置的映射。上下文方案在几种意义上是通用的。它们天然地支持相对于参考的任意复杂的、新颖的重排的检测。它们可以在查询序列长度上扩展几个数量级。最后,它们可以简单地扩展到更复杂的引用结构,例如包含其他变化的图。我们实证证明存在高性能的上下文方案,并提出有效的上下文方案映射算法。可用性和实现:为这项工作创建的软件测试框架可以从https://registry.hub.docker.com/u/adamnovak/sequence-graphs/获得。联系方式:benedict@soe.ucsc.edu补充信息:本文的在线版本提供了六个补充数字和一个补充部分。
2015-06-11 q-bio.GN
Genetic transfer in Staphylococcus: a case study of 13 genomes
葡萄球菌分离株中抗生素耐药性和毒力的广泛存在归因于不同菌株或种之间的横向遗传转移(LGT)。然而,很少有研究的葡萄球菌属的LGT的程度,使用系统发育的方法,特别是这种遗传转移的单位。在这里,我们报告了第一个系统的研究单位的遗传转移在13个葡萄球菌基因组,使用严格的系统发育的方法。我们发现在1354个同源基因家族中有26.1%的家族存在LGT,在另外17.9%的家族中可能更多。基因内转移和全基因转移对这些基因家族与参考基因的不一致性几乎有同样的贡献。比较单拷贝和多拷贝基因家族中的遗传转移,我们发现在基因内(片段)遗传转移的情况下几乎没有功能偏倚,但在全基因(非片段)遗传转移的情况下却存在大量功能偏倚,并且我们观察到多拷贝基因家族中LGT的频率较高。我们的研究结果表明,LGT和基因复制在葡萄球菌基因组功能创新的因素中起着重要作用。
2008-01-29 q-bio.GN q-bio.PE
GateKeeper: A New Hardware Architecture for Accelerating Pre-Alignment in DNA Short Read Mapping
动机:高通量DNA测序(HTS)技术会产生过多的小DNA片段(称为短读段),这会造成巨大的计算负担。为了分析整个基因组,数十亿个短读段中的每一个都必须基于读段和参考基因组中的“候选”位置之间的相似性映射到参考基因组。被称为比对的相似性测量被公式化为近似字符串匹配问题,是计算瓶颈,因为:(1)其使用二次时间动态编程算法来实现,以及(2)参考基因组中的大多数候选位置由于高相异度而不与给定读段比对。计算这种不正确的候选位置的对齐消耗了现代读映射器的绝大多数执行时间。因此,开发一种快速有效的过滤器至关重要,该过滤器可以检测不正确的候选位置,并在调用计算成本高的对齐操作之前消除它们。结果如下:我们提出了GateKeeper,这是一种新的硬件加速器,可以作为预对齐步骤,快速过滤出最不正确的候选位置。GateKeeper是第一个使用现场可编程门阵列(FPGA)加速预对准的设计,其执行预对准的速度比软件快得多。GateKeeper可以与任何执行序列比对以进行验证的映射器集成。当在单个FPGA芯片上实现时,GateKeeper保持高精度(平均>96%),同时提供高达90倍和130倍的加速,分别超过最先进的软件预对准技术,邻接滤波器和移位汉明距离(SHD)。添加GateKeeper作为预对齐步骤可以将mrFAST映射器的验证时间减少10倍。可用性:https://github.com/BilkentC…
2020-09-27 cs.AR cs.DS q-bio.GN
Embed-Search-Align: DNA Sequence Alignment using Transformer Models
Aarhus University(奥胡斯大学)
针对DNA序列比对需在全基因组定位短读段的问题,提出Embed-Search-Align框架,通过Transformer生成无参考DNA嵌入并结合向量存储搜索,在人类基因组比对中准确率达99%,优于传统方法及6种Transformer基线。
2024-12-05 cs.AI q-bio.GN
Reevaluating Assembly Evaluations with Feature Response Curves: GAGE and Assemblathons
在过去的十年里,大量的生物技术和软件管道已经出现,彻底改变了基因组学。为了进一步实现他们的中心目标,他们的目标是从短DNA读取开始加速和提高从头全基因组组装的质量。然而,这些工具中的每一个的性能取决于测序数据的长度和质量、基因组序列的结构和复杂性以及远程信息的分辨率和质量。此外,在没有任何度量来捕捉高质量组装的最基本的“特征”的情况下,用户没有明显的方法来选择最理想的组装器/组装。诸如Assemblathons或GAGE之类的国际竞赛试图找出最好的汇编程序及其功能。有些迂回,唯一可用的方法来衡量从头组装和组装器完全依赖于高质量的完全组装的参考基因组序列的可用性。更糟糕的是,参考指导的评估往往难以分析,导致难以解释的结论。在本文中,我们规避了许多这些问题依赖于一个工具,称为FRCbam,这是能够评估从头组件的读取布局,即使没有参考存在。我们将FRCurve方法扩展到布局信息可能被掩盖的情况,这在许多基于deBruijn图的算法中是真实的。作为一个副产品,FRCurve现在将其适用性扩展到更广泛的装配器类别-因此,识别该组中更高质量的成员,它们的相互关系以及对精心选择的特征的敏感性,无论是否支持参考序列或读取布局。本文最后通过重新评估几个最近进行的组装比赛和数据集,从他们产生的。
2012-10-03 cs.DS q-bio.GN
LMM-Lasso: A Lasso Multi-Marker Mixed Model for Association Mapping with Population Structure Correction
探索可遗传性状的遗传基础仍然是生物医学研究的核心挑战之一。在简单的情况下,单个多态位点解释了表型变异的一个重要部分。然而,许多感兴趣的性状似乎受到遗传基因座组的多因素控制。这种多元关联的准确检测是不平凡的,往往受到有限的权力。与此同时,混杂的影响,如人口结构,导致虚假的关联信号,导致假阳性结果,如果他们没有考虑在模型中。在这里,我们提出了LMM-Lasso,一个混合模型,允许两个,多位点映射和校正混杂效应。我们的方法是简单的,没有调整参数,有效地控制人口结构和规模的全基因组数据集。我们通过回顾性分析展示了其在全基因组关联研究和连锁作图中的实际应用。在拟南芥和小鼠的数据中,我们的方法能够在91%的表型中找到显着更大比例的表型变异的遗传原因。与此同时,我们的模型将这种变异性分解为个体SNP效应和群体结构引起的组分。除了遗传可遗传性的增加,已知候选基因的丰富表明LMM-Lasso检索的关联更有可能是真实的。
2012-09-21 q-bio.GN q-bio.PE q-bio.QM