间隔种子改进基于k-mer的宏基因组分类

使用多组k-mer计数的多重比较宏基因组学

Multiple Comparative Metagenomics using Multiset k-mer Counting

背景大规模的宏基因组项目旨在提取不同环境条件下的生物多样性知识。目前用于比较微生物群落的方法面临着重要的局限性。那些基于分类学或功能分配的方法依赖于可以与已知生物相关联的序列的一小部分。另一方面，比较整个序列集的从头方法要么不能在雄心勃勃的宏基因组项目上扩大规模，要么不能提供精确和详尽的结果。方法.这些限制促使开发了一种新的从头宏基因组比较方法，称为Simka。该方法通过将物种计数替换为k-mer计数来计算大量标准生态距离。Simka通过在多个数据集上采用新的并行k-mer计数策略，扩大了当今的宏基因组项目。结果在公共人类微生物组计划数据集上的实验表明，Simka捕获了基本的生物结构。Simka能够在几个小时内计算出数百个宏基因组样本（690个样本，320亿次读取）的定性和定量生态距离。我们还表明，在k-mer水平上分析宏基因组与非常精确的从头比较技术高度相关，该技术依赖于所有对所有序列比对策略或基于分类学分析。

MetaPalette：一种用于宏基因组分类学分析和新菌株变异定量的$k$ -mer涂抹方法

MetaPalette: A $k$-mer painting approach for metagenomic taxonomic profiling and quantification of novel strain variation

宏基因组分析是具有挑战性的，部分原因是基因组测序项目对生命树的高度不均匀采样以及在固定的分类等级上进行系统发育推断所施加的限制。我们提出的算法MetaQuotes使用长$k$ -mer大小（$k=30, 50$），以适应一个$k$ -mer“调色板”的一个给定的样品的$k$-mer调色板的参考生物。通过模拟未知生物的$k$ -mer调色板，该方法还给出了样品中存在的新生物的存在、丰度和进化相关性的指示。该方法返回一个传统的，固定等级的分类配置文件，这是独立模拟数据上显示的是迄今为止最准确的。树图也返回量化的相关性的新的生物体的参考序列和这样的数字的准确性上模拟的spike-ins和宏基因组土壤样品证明。实现MetaQuotes的软件可在https://github.com/dkoslicki/MetaPalette上获得。包括针对细菌、细菌、真核生物和病毒的预先训练的数据库。

重新审视K-mer谱以实现有效且可扩展的基因组表示学习

Revisiting K-mer Profile for Effective and Scalable Genome Representation Learning

本文重新审视k-mer谱表示，提出一种轻量可扩展的模型用于基因组读段级宏基因组分箱，理论分析支持其有效性，在性能与基础模型相当的同时显著提升可扩展性。

Fast Approximation of Frequent $k$-mers and Applications to Metagenomics

Estimating the abundances of all $k$-mers in a set of biological sequences is a fundamental and challenging problem with many applications in biological analysis. While several methods have been designed for the exact or approximate solution of this problem, they all require to process the entire dataset, that can be extremely expensive for high-throughput sequencing datasets. While in some applications it is crucial to estimate all $k$-mers and their abundances, in other situations reporting only frequent $k$-mers, that appear with relatively high frequency in a dataset, may suffice. This is …

大规模机器学习用于宏基因组序列分类

Large-scale Machine Learning for Metagenomics Sequence Classification

宏基因组学通过直接从环境样品中测序DNA来表征微生物群落的分类多样性。宏基因组学数据分析中的主要挑战之一是分箱步骤，其中每个测序读数被分配到分类进化枝。由于宏基因组学数据集的大容量，分箱方法需要能够以合理的计算要求操作的快速且准确的算法。虽然标准的基于组合的方法提供了最先进的性能，但基于其包含的k-mer将分类类别分配给DNA读段的组合方法具有提供更快解决方案的潜力。在这项工作中，我们调查的潜力，现代，大规模的机器学习实现的分类影响下一代测序读取的基础上，他们的k-mer配置文件。我们表明，基于机器学习的组合方法受益于增加从参考基因组中采样的片段的数量来调整它们的参数，最多覆盖约10个，并将k聚体大小增加到约12个。调整这些模型涉及在10 7维中的约10 8个样本上训练机器学习模型，这是标准软件无法达到的，但可以通过大规模机器学习的现代实现来有效地完成。由此产生的模型是竞争力的准确性与完善的比对工具的问题，涉及一个小到中等数量的候选物种，并为合理数量的测序错误。然而，我们发现，成分的方法仍然是有限的，在他们的能力来处理涉及更多的物种的问题，更敏感的测序错误。我们最终确认，组合方法实现了更快的预测时间，相对于BWA-MEM短读段映射器，其增益为3至15倍，这取决于候选物种的数量和测序噪声的水平。

快速迭代 spaced k-mers

Fast Iteration of Spaced k-mers

本文提出高效的算法提取 spaced k-mers，优化不同硬件架构，利用位操作指令提升性能，实现每核心每秒750MB序列数据处理速度。