Computational Performance of a Germline Variant Calling Pipeline for Next Generation Sequencing
随着下一代测序技术的蓬勃发展及其在临床实践和生命科学研究中的应用,测序领域迫切需要更快、更有效的数据分析方法。在这里,我们报告了一个优化的种系突变调用管道,蜂鸟,通过评估其性能对广泛接受的BWA-GATK管道的评估。我们发现,HummingBird流水线可以显著减少全基因组测序和全外显子组测序的初级数据分析的运行时间,同时不会显著牺牲变异检测准确性。因此,我们得出结论,这种软件的使用的扩展将有助于提高下一代测序的原始数据分析效率。
2020-04-01 cs.PF 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
grenedalf: population genetic statistics for the next generation of pool sequencing
本文介绍 C++ 命令行工具 grenedalf,用于混合测序数据的 θ、Tajima’s D 和 FST 等群体遗传统计,兼具高速、可扩展与多格式支持。
2024-06-07 q-bio.GN q-bio.PE
Beyond the consensus: dissecting within-host viral population diversity of foot-and-mouth disease virus using next-generation genome sequencing
个体宿主内病毒群体的序列多样性是RNA病毒如口蹄疫病毒(FMDV)的选择和随后进化的起始材料。使用在基因组分析仪平台(Illumina)上进行的下一代测序(NGS),本研究比较了来自单个动物的两个牛上皮样本(足部病变)中的病毒群,其中接种物用于启动实验感染。在两次测序运行中测定基因组序列,NGS测定的接种物共有序列与先前使用Sanger方法测定的一致。然而,NGS揭示了病毒群体的精细多态性亚结构,从以略低于50%的频率存在的核苷酸变体到以1%的分数存在的核苷酸变体。一些频率较高的多态性确定了与硫酸乙酰肝素结合相关的密码子内的编码变化,并存在于双脚病变中,揭示了哺乳动物宿主内复制的组织培养适应病毒进化的中间阶段。我们在接种物和两个足部病变中分别鉴定了2,622、1,434和1,703个多态性:大多数替换仅发生在一小部分人群中,代表了在任何选择压力发生之前最近细胞复制的后代。我们估计细胞内病毒全基因组突变率的上限为7.8 × 10-4/nt。通过NGS实现的更大的检测深度表明,该方法是用于宿主内FMDV群体解剖的强大且有价值的工具。
2011-01-27 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
A Composite Genome Approach to Identify Phylogenetically Informative Data from Next-Generation Sequencing
我们已经开发了一种新的方法,可以直接从下一代测序读数中快速获得同源基因组数据,而无需使用参考基因组。这个软件,称为SISRS,避免了从头整个基因组组装,基因组-基因组比对和注释的耗时步骤。对于模拟SISRS是能够识别大量的基因座含有可变位点的系统发育信号。对于猿类的基因组数据,SISRS确定了数千个可变位点,从中我们产生了准确的同源性。最后,我们使用SISRS来确定系统发育标记,我们用来估计胎盘哺乳动物的胚胎发育。我们从多个数据集中恢复了与以前对哺乳动物之间关系的相互冲突的估计一致的遗传学。SISRS是开源的,可以在https://github.com/rachelss/SISRS上免费获得。
2014-11-12 q-bio.GN q-bio.PE
Automated family-based naming of small RNAs for next generation sequencing data using a modified MD5-digest algorithm
我们开发了NameMyGene,这是一个网络工具和独立程序,可以轻松地为小RNA序列生成假定的基于家族的名称,以便实验室可以轻松地组织,分析和观察下一代测序仪生成的大量数据的模式。NameMyGene也适用于其他新兴方法,如RNA-Seq和Chip-Seq,仅使用输入的小RNA序列,不需要任何额外的数据,如其他序列数据集。网络服务器和软件免费提供(http://www.johnlab.org/NameMyGene),并基于Java以确保平台独立性。
2012-10-23 cs.CR q-bio.GN
Watterson estimators for Next Generation Sequencing: from trios to autopolyploids
文献中提出了下一代测序(NGS)数据变异性Watterson估计量的几种变体。我们提出了一个统一的框架,广义Watterson估计的基础上最大复合似然估计,其中包括大多数现有的估计。我们提出了这类无偏估计的广义Watterson估计的一大类NGS数据,包括池和trios。我们还讨论了与估计,已在文献中提出的关系,并表明,他们承认两个等价的,但似乎不同的形式,衍生出一组组合的身份作为副产品。最后,我们给出了一个详细的治疗Watterson估计为单个或多个同源多倍体个体。
2015-09-21 q-bio.GN q-bio.PE 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
Variational inference for rare variant detection in deep, heterogeneous next-generation sequencing data
罕见变异的检测对于理解混合样本中的遗传异质性非常重要。最近,下一代测序(NGS)技术已经能够以高分辨率鉴定混合样品中的单核苷酸变体(SNV)。然而,下一代测序所涉及的生物过程中固有的噪音需要使用统计方法来识别真正的罕见变异。我们提出了一种新的贝叶斯统计模型和变分期望最大化(EM)算法来估计非参考等位基因频率(NRAF),并确定SNV在异质细胞群体。我们表明,我们的变分EM算法具有可比的灵敏度和特异性相比,马尔可夫链蒙特卡罗(MCMC)抽样推理算法,是更低的覆盖率($27\times$和$298\times$)数据的测试计算效率。此外,我们表明,我们的模型与变分EM推理算法具有更高的特异性比许多国家的最先进的算法。在定向进化纵向酵母数据集的分析中,我们能够识别非参考等位基因频率的时间序列趋势,并检测尚未报道的新变体。我们的模型还检测到一个有益变异的出现早于先前所示,以及一对伴随变异。
2016-04-22 q-bio.GN stat.ML
Lightweight LCP Construction for Next-Generation Sequencing Datasets
“下一代”DNA测序(NGS)技术的出现意味着数亿个DNA序列的集合现在在生物信息学中是司空见惯的。知道这样的集合的最长公共前缀数组(LCP)将有助于快速计算最大精确匹配、最短唯一子串和最短缺失字。用于计算字符串的LCP的CPU高效算法已经在文献中描述,但是需要在RAM中存在大的数据结构。这使得这些方法对NGS数据集不可行。在本文中,我们提出了第一个轻量级的方法,同时计算,通过顺序扫描,非常大的序列集合的LCP和BWT。对高达8亿100聚体的集合的计算结果表明,我们的算法可扩展到人类全基因组测序实验中遇到的庞大序列集合。
2013-05-01 cs.DS q-bio.GN
Compression of next-generation sequencing reads aided by highly efficient de novo assembly
我们提出了Quip,一种无损压缩算法,用于FASTQ和SAM/BAM格式的下一代测序数据。除了实现基于参考的压缩,我们已经开发出,据我们所知,第一个基于汇编的压缩器,使用一种新的从头汇编算法。使用概率数据结构来显著减少传统de Bruijn图汇编器所需的内存,从而可以非常有效地汇编数百万次读取。然后将读取序列存储为组装的重叠群内的位置。这与读段标识符、质量分数、比对信息和序列的统计压缩相结合,有效地将非常大的数据集压缩到其原始大小的15%以下,而不会丢失信息。可用性:Quip可以在BSD许可证下从http://cs.washington.edu/homes/dcjones/quip免费获得。
2012-07-10 cs.DS q-bio.GN q-bio.QM
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
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
Comprehensive assessment of error correction methods for high-throughput sequencing data
DNA和RNA测序的出现彻底改变了基因组学和分子生物学的研究。下一代测序(NGS)技术,如Illumina,Ion Torrent,SOLiD测序等,已经带来了一种快速和廉价的基因组测序方法。最近,第三代测序(TGS)技术,如PacBio和牛津纳米孔技术(ONT)也已开发出来。不同的技术使用不同的基础测序方法,并且容易出现不同的错误率。尽管存在许多用于来自NGS和TGS方法的测序数据的错误校正的工具,但是还没有标准方法可用于评估这些错误校正工具的准确性和有效性。在这项研究中,我们提出了一个软件包的错误校正工具评估核酸序列(SPECTACLE)提供全面的算法来评估错误校正方法的DNA和RNA测序,NGS和TGS平台。我们还提供了Illumina,PacBio和ONT平台的测序数据集汇编,这些平台为纠错工具提供了具有挑战性的场景。使用这些数据集和SPECTACLE,我们评估了23种不同纠错工具的性能,并对它们的优缺点提出了独特而有用的见解。我们希望我们的方法将标准化的DNA和RNA纠错工具的评价在未来。
2021-03-25 q-bio.GN
Btrim: A fast, lightweight adapter and quality trimming program for next-generation sequencing technologies
Btrim是一款快速轻量的工具,基于改进的Myers位向量算法修剪接头和低质量区域,识别条形码,一分钟内处理3000万条读段,适用于几乎所有测序分析流程。
2014-10-23 cs.CE cs.DS q-bio.GN
Modelling Computational Resources for Next Generation Sequencing Bioinformatics Analysis of 16S rRNA Samples
在快速发展的下一代测序和生物信息学分析领域,数据生成是伴随增长的一个方面。与处理大量测序数据相关的负担强调了分配足够的计算资源以在尽可能短的时间内以可管理和可预测的成本完成分析的需要。针对流行的生物信息学软件QIIME,提出了一种新的预测完成时间的方法,该方法利用输入数据的关键变量特性来影响处理时间。开发了多元线性回归模型来确定两种去噪算法和通用生物信息学管道的运行时间。这些模型能够准确地预测来自自然组装的社区数据集的去噪序列的时钟时间,而不是人工社区。对AmpliconNoise的加速和效率测试也强调了在为数据的并行处理分配资源时需要谨慎。使用易于测量的预测器对计算处理时间进行精确建模,可以帮助NGS分析人员确定生物信息学软件和管道的资源需求。虽然在一组特定的脚本上进行了演示,但该方法可以扩展到包含在多个架构上并行或顺序运行的其他包。
2015-03-10 cs.CE cs.PF q-bio.GN
Analysis of Chromosome 20 - A Study
随着新一代测序技术的出现,基因测序数据量急剧增加。这推动了人类遗传学研究的增长。与此同时,随着最近处理大型数据集的技术的出现,许多这些技术在分析这些巨大的数据集方面证明是有价值和有效的。在本文中,我们使用这些技术中的一些来分析1000个基因组计划的基因测序数据,产生和评估一个框架来处理其测序数据,并查看相对于人口组的结构变异。
2016-06-30 q-bio.GN
Scalable Pathogen Detection from Next Generation DNA Sequencing with Deep Learning
Oklahoma State University(俄克拉荷马州立大学);Oklahoma Animal Disease Diagnostic Laboratory(俄克拉荷马动物疾病诊断实验室)
下一代测序技术已经扩大了物联网(IoT)的范围,通过以更低的成本增加从异构来源收集的大量基因组数据的可用性,将基因组学纳入个性化医疗。考虑到所收集数据的庞大规模以及物种间高度相似的基因组结构所带来的重大挑战,需要强大的可扩展分析平台来提取可操作的知识,例如潜在人畜共患病病原体的存在。来自新型病原体的人畜共患病的出现,例如1918年的流感病毒和2019年的SARS-CoV-2,可以跨越物种障碍并导致大流行,这强调了对可扩展宏基因组分析的需求。在这项工作中,我们提出了MG 2 Vec,这是一种基于深度学习的解决方案,使用Transformer网络作为其骨干,从原始宏基因组序列中学习鲁棒的特征,用于下游生物医学任务,如靶向和广义病原体检测。在四个日益具有挑战性但又现实的诊断环境中进行的广泛实验表明,所提出的方法可以帮助从未经管理的真实临床样本中检测病原体,并且以标签的形式进行最少的人工监督。此外,我们证明了学习的表示可以推广到疾病和物种之间完全不相关的病原体,用于大规模的宏基因组分析。我们通过深度学习对基于宏基因组的疾病诊断的新型表示学习框架进行了全面评估,并为从低成本的下一代测序中提取和使用鲁棒的矢量表示来开发可推广的诊断工具提供了一条前进的道路。
2022-11-30 cs.LG q-bio.GN
A statistical framework for SNP calling, mutation discovery, association mapping and population genetical parameter estimation from sequencing data
动机:大多数现有的DNA序列分析方法依赖于准确的序列或基因型。然而,在下一代测序(NGS)的应用中,可能不容易获得准确的基因型(例如,多样品低覆盖测序或体细胞突变发现)。这些应用迫切需要开发新的方法来分析具有不确定性的序列数据。结果如下:我们提出了一个统计框架,调用单核苷酸多态性,发现体细胞突变,推断群体遗传参数和直接进行关联测试的测序数据的基础上,没有明确的基因分型或连锁为基础的插补。在真实数据上,我们证明了我们的方法达到了与估计位点等位基因计数、推断等位基因频率谱和关联映射的替代方法相当的准确性。我们还强调了使用对称数据集寻找体细胞突变的必要性,并证实了发现罕见事件时,错误映射通常是错误的主要来源。可用性:http://samtools.sourceforge.net.联系人:hengli@broadinstitute. org
2013-03-16 q-bio.GN
DUDE-Seq: Fast, Flexible, and Robust Denoising for Targeted Amplicon Sequencing
我们考虑校正由下一代靶向扩增子测序产生的核苷酸序列的错误。下一代测序(NGS)平台由于其高通量可以提供大量的测序数据,但相关的错误率往往很高。因此,高通量测序中的去噪已成为提高下游分析可靠性的关键过程。我们的方法,命名为DUDE-Seq,是来自重建有限值源数据破坏的离散无记忆通道的一般设置,并有效地纠正取代和均聚物插入缺失错误,在大多数高通量靶向扩增子测序平台的两种主要类型的测序错误。我们对真实和模拟数据集的实验研究表明,所提出的DUDE-Seq不仅在纠错能力和时间效率方面优于现有的替代方案,而且还提高了下游分析的可靠性。此外,DUDE-Seq的灵活性使其能够通过简单的噪声模型更新而稳健地应用于不同的测序平台和分析管道。DUDE-Seq可在http://data.snu.ac.kr/pub/dude-seq上获得。
2017-07-04 cs.IT math.IT 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
Bayesian multi-domain learning for cancer subtype discovery from next-generation sequencing count data
Texas A&M University(德州农工大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
精准医学旨在通过利用最新的基因组规模高通量分析技术(包括下一代测序(NGS))进行个性化预后和治疗。然而,翻译NGS数据面临着一些挑战。首先,NGS计数数据往往过于分散,需要适当的建模。其次,与涉及的分子数量和系统复杂性相比,用于研究复杂疾病(如癌症)的可用样本数量往往有限,特别是考虑到疾病的异质性。关键问题是我们是否可以整合来自所有不同来源或领域的可用数据,以实现基于NGS计数数据的可重现疾病预后。在本文中,我们开发了一种贝叶斯多域学习(BMDL)模型,该模型基于分层负二项分解推导出过度分散计数数据的域相关潜在表示,即使特定癌症类型的样本数量很小,也可以进行准确的癌症亚型分型。来自癌症基因组图谱(TCGA)的模拟数据集和NGS数据集的实验结果表明,BMDL在有效的多领域学习中具有很大的潜力,而不会产生现有多任务学习和迁移学习方法中常见的“负迁移”效应。
2018-10-22 cs.LG q-bio.GN stat.AP
Modelling the nanopore sequencing process with Helicase HMMs
本文提出解旋酶隐马尔可夫模型(HHMM),将解旋酶马达蛋白动力学与核苷酸序列结合建模,支持对数百万状态的分析,为高分辨率纳米孔测序的碱基识别算法开发提供了新基础。
2024-05-01 eess.SP 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
Improved haplotyping of rare variants using next-generation sequence data
在测序的人类基因组中准确识别单倍型可以提供关于人口统计学和基因组精细尺度相关性的宝贵信息,从而使人口基因组学和医学关联研究成为可能。然而,对无关个体进行定相仍然是一个具有挑战性的问题。将来自高通量测序的可用数据转化为传统的统计定相方法是缓解这些问题的有希望的途径。我们提出了一种新的统计方法,扩展了现有的图形单倍型重建方法(shapeIT),将相位信息从配对端读取数据。该算法利用shapeIT从整个群体的基因型中估计的单倍型图信息,并细化给定个体的单倍型可能性,以与测序数据兼容。将该方法应用于在Affytron Axiom芯片上以7,745,081个SNP进行基因分型的HapMap个体和由Complete Genomics测序的三人组,我们发现包含配对末端读取数据显着改善了定相,在所有面板中相对于shapeIT的转换误差减少了4-15%。正如预期的那样,发现这些改进在含有罕见变异的位点上最为显著;此外,我们发现更长的读取大小和更高的通量转化为切换错误的更大降低,分离两个读取的插入片段大小的差异也更大-这表明可以利用多平台下一代测序来产生特别准确的单倍型。总的来说,这种新方法提供的定相改进突出了整合测序读段信息和群体基因型数据以重建不相关个体中的单倍型的能力。
2012-11-09 q-bio.GN q-bio.QM
Exploration and retrieval of whole-metagenome sequencing samples
近年来,全宏基因组鸟枪测序领域由于高通量测序技术的发展而取得了显著的增长,这些技术使得对基因组样品进行测序更便宜、更快,并且覆盖率比以前更好。这一技术进步引发了在不同条件或环境下对多个样品进行测序以探索微生物群落的相似性和差异性的趋势。例子包括人类微生物组项目和各种人类肠道研究。随着越来越大的测量数据库的可用性,找到与给定查询样本相似的样本正在成为中心操作。在本文中,我们开发了一个基于内容的探索和检索方法的整个宏基因组测序样本。我们应用分布式字符串挖掘框架,有效地提取所有信息序列$k$ -聚体从宏基因组样本池,并使用它们来衡量两个样本之间的差异。我们评估了所提出的方法在两个人类肠道宏基因组数据集以及人类微生物组项目宏基因组样本上的性能。我们观察到在与另一个患病样本的查询结果中患病肠道样本的显著富集,以及在区分不同身体部位方面的非常高的准确性,即使该方法是无监督的。DSM框架的软件实现可在https://github.com/HIITMetagenomics/dsm-framework上获得
2014-04-03 cs.CE cs.IR q-bio.GN
RNA-seq data science: From raw data to effective interpretation
RNA测序(RNA测序)在过去的十年中已经成为现代生物学和临床应用中的示范技术。近年来,在生物信息学社区不断努力开发准确和可扩展的计算工具的推动下,它获得了巨大的普及。RNA测序是使用现代测序平台分析样品的RNA含量的方法。它以核苷酸序列的形式产生大量的转录组数据,称为读取。RNA测序分析能够探测基因和相应的转录物,这对于回答重要的生物学问题是必不可少的,例如检测新的外显子、转录物、基因表达和研究可变剪接结构。然而,由于现代测序技术的局限性,使用计算方法从原始数据中获得有意义的生物信号具有挑战性。利用这些技术挑战的需要已经推动了许多新的计算工具的快速发展,这些工具已经根据技术进步而进化和多样化,导致了当前无数的RNA测序工具。我们的综述提供了RNA测序技术的系统概述和2008年至2020年发表的235个可用的RNA测序工具,讨论了涉及RNA测序、分析和软件开发的生物信息学的跨学科性质。
2021-02-16 q-bio.GN
Sequence Capture Versus Restriction Site Associated DNA Sequencing for Phylogeography
用大规模并行测序方法生成的基因组数据集有可能推动系统学向新的和令人兴奋的方向发展,但选择合适的标记和方法并不简单。我们对来自非模型新热带鸟类的同一组样本应用了两种特别有希望进行系统学的方法,即限制性位点相关DNA测序(RAD-Seq)和超保守元件(UCE)的序列捕获(Seq-cap)。我们发现,RAD-Seq和Seq-cap都产生了包含数千个基因座和SNP的基因组数据集,并且推断的群体分配和物种树在数据集之间是一致的。然而,基于模型的人口统计学参数的估计值在数据集之间存在差异,特别是当我们使用基于等位基因频率谱的方法估计参数时。我们观察到的差异可能是由于不同方法之间序列数据的组装、比对和过滤的差异造成的,我们的研究结果表明,在使用等位基因频率估计低覆盖率测序数据的参数时,需要谨慎。我们进一步探索了使用模拟Seq-cap和RAD-Seq类数据集的方法之间的差异。模拟数据的分析表明,从500到5000增加基因座的数量增加系统发育一致性因素和人口统计参数估计的准确性和精确性,但增加基因座的数量超过5000导致收益最小。从64 bp到500 bp的基因座长度增加改善系统发育一致性因素和最小的收益,观察基因座长度超过500 bp,但基因座长度并不影响人口统计学参数估计的准确性和精密度。我们讨论了我们的结果相对于可用的数据收集方法的多样性,我们提供了利用下一代测序系统学研究的建议。
2013-12-22 q-bio.GN
Beyond the exome: what's next in diagnostic testing for Mendelian conditions
本文针对超过50%孟德尔病患者在ES后仍无分子诊断的难题,系统分析了检测阴性原因,并为非遗传学专业人员提供了ES之后进一步诊断检测的决策框架和转诊指南。
2023-01-18 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
Estimation of genetic diversity in viral populations from next generation sequencing data with extremely deep coverage
在本文中,我们提出了一种方法,并讨论了其计算实现作为一个综合工具,分析病毒的遗传多样性的数据产生的高通量测序。迄今为止提出的大多数病毒多样性估计方法旨在利用一些NGS平台产生的较长读段,以估计单倍型群体。我们的目标是利用某种NGS平台的独特优点-平台SOLiD(Life Technologies)就是一个例子-由于其读段长度短而没有受到太多关注,这使得单倍型估计非常困难。然而,这种平台具有非常低的错误率和每个站点的极深覆盖范围,我们的方法旨在利用这些特性。我们建议通过一个由病毒基因组的位点索引的多项概率分布家族来测量群体遗传多样性,每个概率分布代表每个位点的多样性的群体分布。该方法的实现集中在两个主要的优化策略:读段映射/比对过程,旨在恢复最大可能数量的短读段;通过贝叶斯方法估计多项式参数,与简单的频率计数不同,允许在后验实验条件的推断中考虑控制群体的先验信息,并提供了这是一种将信号与噪声分离的自然方法,因为它会自动计算贝叶斯置信区间。本文中描述的方法已被实现为一个集成工具,称为Tanden(病毒种群多样性分析工具)。
2015-04-24 q-bio.GN q-bio.QM
An Imbalanced Dataset with Multiple Feature Representations for Studying Quality Control of Next-Generation Sequencing
Johannes Gutenberg University Mainz(明斯特-耶拿大学);University of Southern Denmark(南丹麦大学);Department of Dermatology, University Medical Center of the Johannes Gutenberg University(耶拿大学皮肤科部门);University of Auckland(奥克兰大学);Institute of Quantitative and Computational Biology, Johannes Gutenberg University Mainz(明斯特-耶拿大学定量与计算生物学研究所)
本文提出一个包含37491个下一代测序样本的不平衡数据集,包含QC-34和BL两种质量相关特征表示,用于研究不同特征类型和粒度对质量检测的影响。
2026-04-21 cs.LG cs.NE q-bio.GN
Deep Learning Methods for Protein Family Classification on PDB Sequencing Data
Brown University(布朗大学)
蛋白质由影响其折叠方式并因此决定其功能和特征的氨基酸链组成,是一类在主要生物过程中发挥核心作用的大分子,并且是身体组织的结构、功能和调节所必需的。了解蛋白质功能对于治疗学和精准医学的发展至关重要,因此基于可测量特征对蛋白质及其功能进行分类的能力至关重要;实际上,从蛋白质的氨基酸序列(称为其一级结构)自动推断蛋白质的性质,仍然是生物信息学领域内的一个重要的未决问题,特别是考虑到测序技术的最新进展和大量已知但未分类的具有未知性质的蛋白质。在这项工作中,我们展示并比较了几种深度学习框架的性能,包括新型双向LSTM和卷积模型,以及来自结构生物信息学研究合作实验室(RCSB)蛋白质数据库(PDB)的广泛可用的测序数据,并将这种性能与经典的机器学习方法进行基准测试,包括k-最近邻和多项式回归分类器,用实验数据训练我们的研究结果表明,我们的深度学习模型提供了优于经典机器学习方法的性能,卷积架构提供了最令人印象深刻的推理性能。
2022-07-14 cs.LG q-bio.GN q-bio.QM
Nanopore DNA Sequencing Technology: A Sociological Perspective
本文从社会学视角出发,运用扩散理论与行动者网络理论分析纳米孔测序作为消费产品的社会传播,揭示利益相关者、权力关系与社会—技术网络对其发展和影响的塑造作用。
2024-10-27 physics.hist-ph physics.med-ph physics.soc-ph
A Method for Improving the Detection Accura-cy of MSIsensor Based on Downsampling
本文针对高深度NGS数据下MSIsensor卡方检验算法判定微卫星稳定性的不足,提出基于下采样技术提升MSI检测精度的方法。
2023-04-14 q-bio.GN
A Simple Data-Adaptive Probabilistic Variant Calling Model
背景:几种噪声源混淆了下一代测序数据中单核苷酸变异(SNV)的识别。例如,在文库构建和测序步骤期间可能引入错误。此外,参考基因组和用于比对读数的算法是决定变异检测方法的功效的另外的关键因素。在单个测序实验中考虑这些因素至关重要。结果:我们介绍了一个简单的数据自适应模型的变异检测。该模型自动调整特定因素,如对齐误差。为了实现这一目标,从具有低失配率的站点采样几个特征,并且这些特征用于估计经验对数似然。然后将这些可能性组合成通常产生混合分布的分数。从这些,我们确定一个决策阈值,从嘈杂的背景分离潜在的变异网站。结论:在模拟中,我们表明,我们简单的模型是竞争力与经常使用的更复杂的SNV调用算法的灵敏度和特异性。它在低等位基因频率的情况下表现特别好。下一代测序数据的应用揭示了分数分布的明显差异,表明数据特定噪声源的强烈影响。拟议的模式是专门为适应这些差异而设计的。
2015-01-13 q-bio.GN stat.AP
FPCB : a simple and swift strategy for mirror repeat identification
随着测序技术的发展,镜像重复序列被发现存在于许多生物和物种的基因序列中。大多数序列中镜像重复的存在表明这些重复具有一些重要的功能作用。然而,在给定序列中搜索这些重复的简单而快速的策略是不可用的。本文提出了一种简单、快速的识别镜像重复序列的策略,称为FPCB策略。该策略包括三个简单的步骤:下载FASTA格式的测序(F),制作其平行互补序列(PC),最后用原始序列进行同源性搜索(B)。至少有20个基因进行了分析,使用拟议的研究。镜像重复的数量和类型进行了观察。我们也试图给这些重复命名。我们希望所提出的FPCB策略将非常有助于DNA或mRNA序列中镜像重复的识别。此外,该策略可能有助于揭示镜像重复序列在包括进化在内的各种过程中的功能作用。
2013-12-13 q-bio.GN
Differential Expression Analysis of Dynamical Sequencing Count Data with a Gamma Markov Chain
与传统的静态测序实验相比,下一代测序(NGS)在生命系统中的时间变化越来越受到关注,因为它可以更好地了解潜在的生物学机制。然而,大多数现有的统计工具,用于分析NGS数据缺乏利用嵌入在时间数据中的更丰富的信息的能力。最近已经开发了几种工具来分析这些数据,但它们通常会施加严格的模型假设,例如基因表达动态变化的平滑性。为了捕获更广泛的基因表达动态模式,我们开发了伽马马尔可夫负二项(GMNB)模型,该模型将伽马马尔可夫链集成到负二项分布模型中,允许NGS计数数据的灵活时间变化。使用贝叶斯因子,GMNB能够在不同表型或治疗条件下进行更强大的时间基因差异表达分析。此外,它自然地处理不同样品中测序深度的异质性,消除了对ad-hoc标准化的需要。有效的吉布斯抽样的GMNB模型参数的推断是通过利用新的数据增强技术。在模拟和真实世界的RNA-seq数据上进行的大量实验表明,GMNB在差异表达分析结果的受试者操作特征(ROC)和精确度-召回率(PR)曲线方面都优于现有方法。
2018-03-07 q-bio.GN stat.AP stat.ML
Refinement of genetic variants needs attention
Université Laval(拉瓦尔大学)
针对低覆盖度测序数据传统变异检出方法准确率不足的问题,研究提出基于Transformer的VariantTransformer模型,可自动化完成变异检出精炼,性能优于传统过滤器且接近顶尖AI工具,推动了低覆盖度基因组研究的变异分析进展。
2024-08-01 q-bio.GN
Classifying Copy Number Variations Using State Space Modeling of Targeted Sequencing Data: A Case Study in Thalassemia
针对地中海贫血因血红蛋白基因拷贝数变异(CNVs)导致的遗传分类挑战,本文提出一种概率状态空间模型,基于靶向NGS数据分析图谱并利用贝叶斯方法排除低质量样本,在57个个体数据集上实现高灵敏度、特异性及亚型准确率,优于替代方法。
2025-04-14 q-bio.GN
Utilizing RNA-Seq Data for Cancer Network Inference
癌症系统生物学的一个重要挑战是揭示与癌症有关的基因(肿瘤抑制基因和癌基因)之间复杂的相互作用网络。下一代测序提供了无与伦比的能力来探测整个癌症基因组及其转录异构体的表达水平。然而,在解释高维测序数据和推断潜在的遗传网络方面存在繁重的统计和计算问题。在这项研究中,我们分析了来自69个人类个体的淋巴母细胞系的RNA测序数据,并实施了一个概率框架来构建生物相关的遗传网络。特别是,我们采用了图形套索分析,出于最大熵形式主义的考虑,估计RNA测序数据的稀疏逆协方差矩阵。基因本体论,途径富集和蛋白质-蛋白质路径长度分析都进行了验证相互作用的癌症基因异构体的预测网络的生物背景。
2012-12-06 q-bio.GN
Lossy Compression of Quality Values via Rate Distortion Theory
动机:下一代测序技术通过实现大量基因组数据的快速和廉价测序,彻底改变了生物学的许多领域。当前测序机实现的不断增加的测序能力为这些技术的未来应用带来了很大的希望,但也带来了与这些数据的分析和存储相关的越来越多的计算挑战。一个典型的测序数据文件可能占用几十甚至几百千兆字节的磁盘空间,这对于许多用户来说是非常大的。原始测序数据由DNA序列(读数)和每碱基质量值组成,每碱基质量值指示这些序列读数的置信水平。在常用的FASTQ格式中,质量值约占所需磁盘空间的一半,因此压缩质量值可以显著降低存储要求,并加快这些数据的分析和传输。结果:在本文中,我们提出了一个有损压缩的基因组读取文件的质量值序列的框架。使用这些质量值的基于参考的对齐的数值实验表明,我们可以实现显著的压缩,而对于几个感兴趣的下游应用程序的性能几乎没有妥协,这与我们的理论分析一致。我们的框架还允许在一个制度下压缩-低于一位每质量值-没有现有的压缩机。
2012-07-21 cs.IT math.IT q-bio.GN
RECKONER: Read Error Corrector Based on KMC
动机:下一代测序工具已经能够以低成本产生大量的基因组信息。不幸的是,这些数据中测序错误的存在会影响下游分析的质量。它们的准确性可以通过执行误差校正来提高。由于大量的数据校正算法必须:快速,节省内存,并提供高精度的错误检测和消除各种大小的生物体。结果如下:我们介绍了一种新的基因组数据校正算法,能够处理真核300 Mbp的基因组大小,高错误率的数据,使用不到4 GB的RAM在不到40分钟的16核CPU。该算法允许以比竞争对手更好或相当的水平校正测序数据。这是通过使用非常稳健的KMC~2 $k$ -mer计数器、基于$k$ -mer计数和FASTQ质量指标的新的错误区域校正方法以及仔细的优化来实现的。可用性:程序可在http://sun.aei.posl.pl/REFRESH/reckoner免费获得。联系人:sebastian. polsl.pl
2016-02-09 cs.DS q-bio.GN
Machine Learning Against Cancer: Accurate Diagnosis of Cancer by Machine Learning Classification of the Whole Genome Sequencing Data
KTH Royal Institute of Technology(瑞典皇家理工学院)
机器学习可以通过基于基因组图谱对癌性和健康样本进行分类来精确识别任何阶段的不同癌症肿瘤。我们开发了新的MLAC(机器学习抗癌)方法,以完美的精度,灵敏度和特异性获得完美的结果。我们已经将通过下一代RNA测序技术获得的全基因组测序数据分别用于癌组织和健康组织的癌症基因组图谱和基因型-组织表达项目。此外,我们已经表明,无监督机器学习聚类具有很大的潜力,可用于癌症诊断。事实上,使用数据和通用算法的创造性方式已经导致了完美的分类,即即使使用少量数据,对于大多数不同的肿瘤类型,所有精度,灵敏度和特异性都等于1,并且相同的方法在一系列癌症上效果良好,并且也导致了癌症和健康样本的大量聚类。我们的系统可以在实践中使用,因为一旦分类器被训练,它就可以用于对新的潜在患者的任何新样本进行分类。我们的工作的一个优点是,上述完美的精确度和召回率在所有阶段的样本中获得,包括癌症的非常早期阶段;因此,它是早期癌症诊断的一个有前途的工具。我们的新模型的另一个优点是,它与RNA测序数据的归一化值一起工作,因此人们的私人敏感医疗数据将保持隐藏,受保护和安全。这种类型的分析在未来将是广泛和经济的,人们甚至可以学习接收他们的RNA测序数据,并自己进行初步的癌症研究,这有可能帮助医疗保健系统。这是朝着健康迈出的一大步,健康是可持续社会的主要基础。
2020-09-12 cs.LG q-bio.GN stat.ML
SMaSH: A Benchmarking Toolkit for Human Genome Variant Calling
动机:计算方法对于从原始测序数据中提取可操作的信息至关重要,从而实现下一代测序技术的承诺。不幸的是,开发用于从人类测序数据中调用变体的计算工具在许多预测上不一致,并且目前评估准确性和计算性能的方法是临时的和不完整的。就基准变异检测方法达成一致将刺激基因组处理工具的开发,并促进研究人员之间的交流。结果:我们提出了SMaSH,用于评估人类基因组变异检测算法的基准方法。我们生成合成数据集,组织和解释广泛的现有基准测试数据的真实基因组,并提出了一套准确性和计算性能指标评估变异检测方法对这个基准测试数据。此外,我们说明了实用的SMaSH评估一些领先的单核苷酸多态性(SNP),插入缺失和结构变异检测算法的性能。可用性:我们提供免费和开放的在线访问SMaSH工具包,以及详细的文档,在smash.cs.berkeley.edu。
2014-01-05 q-bio.GN q-bio.QM
SeqMate: A Novel Large Language Model Pipeline for Automating RNA Sequencing
Stevens Institute of Technology(史蒂文斯理工学院)
SeqMate 利用大语言模型和生成式 AI,将 RNA-seq 数据准备、差异表达与轨迹分析及报告生成整合为一键式自动化流程,降低了生物学家使用门槛。
2024-07-02 cs.AI cs.LG q-bio.GN
Next Generation Radiogenomics Sequencing for Prediction of EGFR and KRAS Mutation Status in NSCLC Patients Using Multimodal Imaging and Machine Learning Approaches
Rajaie Cardiovascular Medical and Research Center(拉贾伊心血管医疗研究中心);Iran University of Medical Science(伊朗医科大学);Research Center for Molecular and Cellular Imaging(分子与细胞成像研究中心);Tehran University of Medical Sciences(德黑兰医科大学);Shahid Beheshti University(沙希德·贝赫什提大学);Johns Hopkins University(约翰斯·霍普金斯大学);INSERM(法国国家健康与医学研究院);LaTIM(拉蒂姆研究所);Univ Brest(布雷斯特大学);University of British Columbia(不列颠哥伦比亚大学);BC Cancer Research Centre(BC癌症研究中心);BC Cancer Agency(BC癌症局)
目的:在目前的工作中,我们的目标是评估一个全面的放射组学框架,该框架能够基于PET和CT多模态放射组学特征和机器学习(ML)算法预测NSCLC癌症患者的EGFR和KRAS突变状态。方法:对211例非小细胞肺癌患者进行PET和CTD检查。从不同的图像特征集中提取了两万多个放射组学特征,将特征值归一化以获得Z分数,然后进行学生t检验学生进行比较,排除高相关性特征并进行错误发现率(FDR)校正。使用六种特征选择方法和十二种分类器来预测患者的基因状态,并在独立验证集上报告模型评估(68例患者)。结果如下:EGFR和KRAS的SUVpeak(AUC:0.69,P值= 0.0002)和MTV(AUC:0.55,P值= 0.0011)分别实现了常规PET参数的最佳预测能力。放射组学特征的单变量分析分别将EGFR和KRAS的预测能力提高至AUC:75(q值:0.003,来自PET的GLDM预处理图像的GLRLM的短期强调特征,sigma值1.5)和AUC:0.71(q值0.00005,CTD sigma值5的GLDM预处理图像中的大依赖性低灰度强调)。此外,机器学习算法将EGFR的破坏能力提高到AUC:0.82(使用VT特征选择器和SGD分类器,使用sigma 3对PET图像集进行预处理),并且将KRAS的破坏能力提高到AUC:0.83(使用SM特征选择器和SGD分类器,使用sigma 3.5对C…
2019-07-03 cs.LG physics.bio-ph physics.med-ph
Detecting somatic mutations in genomic sequences by means of Kolmogorov-Arnold analysis
Kolmogorov-Arnold随机参数技术首次应用于癌症基因组测序研究,以揭示突变。使用下一代测序技术产生的数据,我们分析了具有匹配肿瘤和正常血液的脑肿瘤患者的外显子组序列。我们表明,使用这种技术可以揭示测序数据中包含的突变,从而提供了一种新的方法来确定给定长度的包含突变的序列,即其值不同于没有突变的序列。这项技术的潜在应用包括简化发现突变片段的程序,加快基因组研究,并加速其在临床诊断中的实施。此外,纯粹基于Kolmogorov函数的值预测与许多类型的癌症中的频繁突变家族相关的突变,表明这种应用的标记物可以识别丰度极低的基因组序列,并且可以用于揭示新类型的突变。
2015-06-12 physics.data-an q-bio.GN
An Integrated Genomics Workflow Tool: Simulating Reads, Evaluating Read Alignments, and Optimizing Variant Calling Algorithms
该研究评估多种基因组学工具,提出开源管道VarFind,自动化读段模拟、比对和变异调用流程,以优化变异检测准确性。
2025-04-24 q-bio.GN
Hot RAD: A Tool for Analysis of Next-Gen RAD Tag Data
限制性位点相关DNA(RAD)标记(也称为RAD-seq等)这可以应用于没有参考基因组的非模型生物,尽管这产生了如何开始对未映射和未注释的读段进行数据分析的问题。我们的程序Hot RAD提供了一种简单且易于使用的方法,可以获取已RAD标记的Illumina原始数据,并使用分布式框架产生共识重叠群或序列堆栈,为开始分析生物体的DNA奠定基础。我们的工具的GUI(图形用户界面)元素使那些不熟悉命令行的人可以轻松地获取原始序列文件并及时生成可用的数据。
2015-11-20 q-bio.GN q-bio.QM
Deciphering genomic codes using advanced NLP techniques: a scoping review
Weill Cornell Medicine(威尔康奈尔医学院);Virginia Commonwealth University(弗吉尼亚联邦大学)
本综述基于PRISMA指南系统检索并分析了26项研究,探讨NLP、LLM及Transformer技术在基因组编码解读中的应用,重点涵盖分词、调控注释预测,并指出其提升数据处理能力及推动个性化医疗的潜力。
2024-11-25 cs.AI q-bio.GN
Abordagem probabilística para análise de confiabilidade de dados gerados em sequenciamentos multiplex na plataforma ABI SOLiD
下一代测序仪(如Illumina和SOLiD平台)生成大量数据,通常超过10 KB的文本文件。特别是,SOLiD平台允许通过称为条形码的标记系统在单次运行(称为多重运行)中对多个样品进行测序。该特征需要用于分离数据样本的计算过程,因为测序器在单个输出中提供所有样本的混合。这一过程必须安全,以避免任何可能扰乱进一步分析的损害。在这种情况下,认识到需要开发一种概率模型,能够分配在多重测序中使用的标记系统的置信度。结果证实了所获得的模型的充分性,其尤其允许指导过滤数据和评估所使用的测序方案的过程。
2021-08-11 cs.CE q-bio.GN
Sam2bam: High-Performance Framework for NGS Data Preprocessing Tools
本文介绍了一个高通量的软件工具框架,称为{ \it sam 2bam},使用户能够显着加快下一代测序数据的预处理。sam 2bam在单节点多核大内存系统上特别高效。与事实上的标准工具相比,它可以将单节点系统上标记重复读取的数据预处理的运行时间减少156- 186倍。sam 2bam由并行软件组件组成,可以充分利用多个处理器、可用内存、高带宽存储和硬件压缩加速器(如果可用)。sam 2bam提供了从SAM到BAM的已知基因组文件格式之间的文件格式转换,作为基本功能。诸如分析、过滤和转换输入数据的附加特征由{ \it插件}工具提供,例如,重复标记,可以在运行时附加到sam 2bam。我们证明了sam 2bam可以将NGS数据预处理的运行时间从大约两个小时减少到大约一分钟,用于使用高达130 GB内存的16核单节点系统上的全外显子组数据集。sam 2bam可以将全基因组测序数据的运行时间从大约20小时减少到大约9分钟,使用高达711 GB的内存。
2016-08-05 q-bio.GN