Optimal Haplotype Assembly from High-Throughput Mate-Pair Reads
人类有$23$对同源染色体。同源对是几乎相同的染色体对。在大多数情况下,同源染色体的差异发生在某些被称为单核苷酸多态性(SNP)的记录位置。个体的单倍型是两个同源染色体上的SNP序列对。在本文中,我们研究的问题,推断单倍型的个人从他们的基因组的配偶对读取。我们给出了一个简单的公式为单倍型组装所需的覆盖率,下生成模型。这里的分析利用了这个问题与解码卷积码的联系。
2015-02-06 cs.CE cs.IT math.IT
ComHapDet: A Spatial Community Detection Algorithm for Haplotype Assembly
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
背景资料:单倍型,单核苷酸变异的有序列表,将染色体序列与其同源对区分开来,可以揭示个体对遗传性和复杂疾病的易感性,并影响我们的身体对治疗药物的反应。从短测序读数重建个体的单倍型是NP难问题,在多倍体的情况下变得更具挑战性。虽然增加测序读段的长度和插入大小{ \color{black}有助于提高重建的准确性},但它也加剧了单倍型组装任务的计算复杂性。这激发了对能够从高通量测序数据准确而有效地组装单体型的算法框架的追求。结果如下:我们提出了一种新的图形表示的测序读取,并提出了单倍型组装问题的空间随机图上的社区发现的一个例子。为此,我们构建了一个图,其中每个读段是一个节点,该节点具有将读段与其采样的单倍型相关联的未知社区标签。然后,单倍型重建可以被认为是两步程序:首先,恢复节点上的社区标签(即,读数),然后使用估计的标记来组装单倍型。基于这一观察结果,我们提出了ComHapDet -一种新的组装算法,用于二倍体和多倍体单倍型,它允许双等位基因和多等位基因变体。结论:所提出的算法的性能基准上的模拟以及通过测序四倍体双等位基因\emph{Solanum-Tuberosum}(马铃薯)的染色体$5$获得的实验数据。结果表明,所提出的方法的有效性,它与现有的技术相比毫不逊色。
2019-11-27 cs.IT cs.LG cs.SI
Graph Coloring via Neural Networks for Haplotype Assembly and Viral Quasispecies Reconstruction
Australian National University(澳大利亚国立大学);National University of Singapore(新加坡国立大学)
了解遗传变异,例如,生物体中通过突变而产生的生物学效应对于揭示其对环境和人类健康的影响至关重要。通过解决单倍型组装问题可以获得基本的表征,该问题产生染色体的多个拷贝之间的变异。快速进化的病毒之间的变异导致不同的菌株(称为准种)也用类似的方法破译。在这两种情况下,高通量测序技术,提供过采样的大噪声片段(读段)的基因组的混合物,用于推断组成成分(单倍型或准种)。这个问题对于多倍体物种来说更难,因为它们有两个以上的染色体拷贝。解决该NP难题的最先进的神经方法没有充分地对读数之间的关系进行建模,而读数之间的关系对于去卷积输入信号是重要的。我们通过开发一种名为NeurHap的新方法来解决这个问题,该方法将图表示学习与组合优化相结合。我们的实验表明,与竞争方法相比,NeurHap在真实和合成数据集中的性能要好得多。
2022-10-21 cs.LG q-bio.GN
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
Scalable telomere-to-telomere assembly for diploid and polyploid genomes with double graph
提出结合多种测序技术与 double graph 的高效从头组装算法,以更低成本实现二倍体及多倍体基因组的端粒到端粒单倍型解析组装。
2023-06-06 q-bio.GN
A Graph Auto-Encoder for Haplotype Assembly and Viral Quasispecies Reconstruction
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
从通过DNA测序获得的数据重建基因组混合物的组分是在包括单个个体单体型分析和病毒群落研究的各种应用中遇到的具有挑战性的问题。高通量DNA测序平台对混合物组分进行过采样,以提供大量的读数,其相对位置可以通过将读数映射到已知的参考基因组来确定;然而,组件的组装需要发现读数的起源-现有方法难以以所需的准确度水平解决的NP难题。在本文中,我们提出了一个学习框架的基础上,图自动编码器,旨在利用测序数据的结构特性。该算法是一种神经网络,其基本上训练以忽略测序错误并推断测序读数来源的后验概率。然后通过找到确定源自相同基因组组分的读段的共有序列来重建混合物组分。现实的合成以及实验数据的结果表明,所提出的框架可靠地组装单倍型和重建病毒社区,往往显着优于国家的最先进的技术。
2019-11-13 cs.AI cs.LG q-bio.GN
Maximum Likelihood Estimation of Frequencies of Known Haplotypes from Pooled Sequence Data
DNA样本通常被合并,或者是通过实验设计,或者是因为样本本身就是一种混合物。例如,当主要关注群体等位基因频率时,可以将单个样品汇集在一起以降低测序成本。或者,样品本身可以是多种物种或菌株的混合物(例如,血液样品中包含微生物组的细菌物种或病原体菌株)。我们提出了一个期望最大化(EM)算法估计单倍型频率直接从映射的序列读取合并样本中,在可能的单倍型是已知的情况下。该方法与选择实验的合并测序数据的分析以及宏基因组学样本中不同菌株比例的计算相关。我们的方法优于现有的基于单位点等位基因频率的方法,以及使用序列读段数据的简单方法。我们已经在一个免费的开源软件工具中实现了该方法。
2012-09-19 q-bio.GN q-bio.QM
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
Metagenome assembly of high-fidelity long reads with hifiasm-meta
目前为短序列读取或有噪声的长读取开发的宏基因组组装器没有针对准确的长读取进行优化。在这里,我们描述hifiasm-meta,一个新的宏基因组组装程序,利用最近的数据的高准确性。在七个经验数据集上进行评估,hifiasm-meta每个数据集重建了数十到数百个完整的圆形细菌基因组,始终优于其他宏基因组组装器。
2021-10-16 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
Supregraph: Enabling Information-Optimal Assembly Graph Representation of a Read Set
Department of Computer Science and Engineering, Pennsylvania State University(宾夕法尼亚州立大学计算机科学与工程系);Huck Institutes of the Life Sciences, Pennsylvania State University(宾夕法尼亚州立大学哈克生命科学学院)
本文提出一种新的装配图模型,通过迭代转换de Bruijn图来构建supregraphs,为理论最优的基因组组装提供基础。
2026-04-23 q-bio.GN
Improving transcriptome assembly through error correction of high-throughput sequence reads
在过去的几年里,通过使用转录组和RNAseq,功能基因组学的研究-特别是在非模式生物中的研究已经得到了显着的改善。虽然这些研究可能非常强大,但必须完成计算密集型程序-从头构建参考转录组,作为进一步分析的先决条件。准确的参考是至关重要的,因为所有下游步骤,包括估计转录本丰度,都严重依赖于准确参考的构建。虽然大量的研究已经做了组装,直到最近才有预组装程序进行了详细的研究。具体而言,已经报道了几种独立的纠错模块,并且虽然它们已经显示出在测序读数水平上有效地减少错误,但纠错如何影响组装准确性在很大程度上是未知的。在这里,我们通过使用模拟数据集表明,对测序读数应用错误校正对组装准确性具有显著的积极影响,将组装错误减少了近50%,因此应该应用于所有数据集。
2013-06-27 q-bio.GN
A hierarchical Dirichlet process mixture model for haplotype reconstruction from multi-population data
长期存在的问题是“有多少集群?“仍然是数据挖掘和机器学习社区非常感兴趣的问题,并且在诸如群体基因组数据之类的大型数据集中变得特别突出,其中聚类的数量需要相对较大并且是开放的。这个问题在共同聚类场景中变得更加复杂,在共同聚类场景中,由于存在公共质心(例如,祖先)由集群共享(例如,来自不同多集群样本的可能的血统)(例如,不同的人类亚群)。在本文中,我们提出了一个分层的非参数贝叶斯模型来解决这个问题的背景下,多人口单倍型推断。揭示单核苷酸多态性的单倍型对于许多生物学和医学应用是必不可少的。虽然从多个不同种族的人群中汇集基因型数据是不常见的,但很少有现有的程序明确利用个体种族信息进行单倍型推断。在本文中,我们提出了一个新的单倍型推理程序,Haploi,它利用这些信息,很容易适用于基因型序列与成千上万的SNP从异质性人群,主管,有时优越的速度和准确性相比,国家的最先进的程序。基础单倍型是一种新的单倍型分布模型的基础上的非参数贝叶斯形式主义被称为分层狄利克雷过程,它代表了一个听话的替代合并过程。该模型是可交换的、无界的,能够耦合不同种群的人口统计信息。
2009-08-20 q-bio.GN q-bio.QM stat.AP
Aligning sequence reads, clone sequences and assembly contigs with BWA-MEM
摘要:BWA-MEM是一种新的比对算法,用于将序列读数或长查询序列与大型参考基因组(如人类)进行比对。它自动选择局部和端到端比对,支持双端读取并执行嵌合比对。该算法对测序错误具有鲁棒性,并且适用于从70 bp到几兆碱基的宽范围的序列长度。对于定位100 bp序列,BWA-MEM显示出比迄今为止的几种最先进的读取比对器更好的性能。可用性和实施:BWA-MEM作为BWA的一个组成部分实施,可在http://github.com/lh3/bwa上查阅。联系方式:hengli@broadinstitute.org
2013-05-26 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
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
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
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
Chromosome-scale shotgun assembly using an in vitro method for long-range linkage
从短读段数据中进行长距离和高度准确的从头组装是基因组学中最紧迫的挑战之一。最近,已经显示通过活组织的染色质中的DNA的邻近连接产生的读取对可以解决这个问题。这些数据显著增加了组装体的支架邻接性并提供了单倍型定相信息。在这里,我们描述了一个更简单的方法(“芝加哥”)的基础上,在体外重建染色质。我们用人类DNA生成了两个芝加哥数据集,并使用新的软件管道(“HiRise”)构建了高度准确的从头组装和具有30 Mb支架N50的人类基因组支架。我们还展示了芝加哥的效用,通过重新组装和支架的美洲短吻鳄的基因组,以改善现有的组件。利用单个文库和Illumina HiSeq测序的一个泳道,我们将美洲短吻鳄的支架N50从508 kb增加到10 Mb。我们的方法使用已建立的分子生物学程序,可用于分析任何基因组,因为它只需要约5微克的DNA作为起始材料。
2015-02-18 q-bio.BM q-bio.GN
Genome assembly in the telomere-to-telomere era
本文综述长读长测序推动下的端粒到端粒基因组组装进展,梳理相关算法与协议,并展望未来方向。
2023-08-15 q-bio.GN
A hierarchical network heuristic for solving the orientation problem in genome assembly
在过去的几年里,基因组组装的问题已经受到了生物学家和计算机科学家的极大关注。当前组装方法的一个重要组成部分是支架过程。这个过程涉及构建有序和定向的重叠群(连续重叠序列读段)的线性集合,称为支架,并依赖于配偶对数据的使用。配对是从单个DNA片段的末端测序的两个读段的集合,因此具有相反的相互取向。当将配对的两个读段置于两个不同的重叠群中时,可以推断这些重叠群的相互取向。虽然存在几种定向算法作为组装程序的一部分,但由于重叠群中的错误组装或读段放置中的错误,所有定向算法在解决定向问题时都会遇到挑战。在本文中,我们提出了一种基于层次聚类的算法,独立地解决了方向问题,是强大的错误。我们表明,我们的算法可以正确地解决两个人造(生成)装配数据和真正的装配数据{ \em R。类球形细菌)。我们证明,我们的算法是稳定的初始方向的变化以及数据中的噪声,使其具有优势相比,传统的方法。
2013-07-01 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
A $4,000 Workstation for Mammalian Genome Assembly with Long Reads
长读段测序已经使得能够从头组装几种哺乳动物基因组,但计算成本高。在这里,我们展示了在一个高效且廉价的工作站中使用长读段的哺乳动物基因组从头组装。
2017-03-20 q-bio.CB 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
Theoretical Bounds on Mate-Pair Information for Accurate Genome Assembly
在过去的二十年里,一系列的工作都旨在研究基因组组装的问题:从序列读数重建基因组的过程。基因组组装问题的早期公式表明,当被框定为找到包含所有观察到的读段的最短序列时,基因组重建是NP难的。虽然这个原始公式非常简单,并且不考虑配对信息,但随后的公式也被证明是NP难的,和/或可能无法保证返回正确的组件。在本文中,我们提供了一个替代的角度来看,基因组组装问题时,显示基因组组装是很容易提供足够的配对信息。此外,我们量化了精确基因组组装所必需和足够的配对文库的数量,以基因组内最长重复区域的长度为依据。在我们的分析中,我们考虑了理想化的测序模型,其中每个配对文库在基因组中的每个位置处产生具有固定且已知的插入大小的无错误读段对。即使在这种理想化的模型中,我们也表明在最坏的情况下不能保证准确的基因组重建,除非产生至少大约R/2L的配对文库,其中R是基因组中最长重复区域的长度,L是每个读段的长度。另一方面,如果提供(R/L)+1配对文库,则可以使用简单的算法在多项式时间内容易地找到正确的基因组组装。虽然(R/L)+1配对库在实践中可能太多而无法产生,但之前的界限仅在最坏的情况下成立。在我们的最后一个结果中,我们表明,如果附加条件对基因组,正确的组装可以保证只有O(log(R/L))配偶对库。
2013-12-27 q-bio.GN
Exploring single-sample SNP and INDEL calling with whole-genome de novo assembly
动机:Eugene Myers在他的字符串图论文(Myers,2005)中提出,在字符串图或等价的unitig图中,任何路径都拼写一个有效的集合。由于字符串/unitig图也编码读段的每个有效集合,因此如果可以正确构造,则这样的图实际上是读段的无损表示。原则上,基于全基因组鸟枪测序(WGS)数据的每个分析,例如SNP和插入/缺失(INDEL)调用,也可以用unitigs实现。结果如下:为了探索在重测序的背景下使用从头组装的可行性,我们开发了一个从头组装器,费米,它将Illumina短读段组装成unitigs,同时保留输入读段的大部分信息。SNP和INDEL可以通过针对参考基因组映射单元组来调用。通过将该方法应用于35倍人类重测序数据,我们表明,与标准管道相比,我们的方法对SNP调用产生了类似的准确性,对INDEL调用产生了更好的结果。它比其他基于从头组装的变异检测方法具有更高的灵敏度。我们的工作表明,从头组装的变异检测是对全基因组重测序的标准变异检测管道的有益补充。在方法论方面,我们提出了一种用于DNA序列前后向扩展的FMD-索引,一种寻找所有极大精确匹配的快速算法,以及从FMD-索引一次构造unitigs。可用性:http://github.com/lh3/fermi联系人:hengli@broadinstitute.org
2012-04-03 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
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
Cerulean: A hybrid assembly using high throughput short and long reads
可以说,使用具有短读段的高通量数据的基因组组装在重复基因组中仍然是一项无法解决的任务,因为当重复序列的长度超过读段长度时,很难明确地连接侧翼区域。具有长读段的第三代测序(Pacific Biosciences)的出现使得有机会解析短读段数据无法解析的复杂重复。然而,这些长读段具有高错误率,并且在不使用额外的高质量短读段的情况下组装基因组是一项艰巨的任务。最近,Koren等人2012提出了一种使用高质量短读段数据来校正这些长读段的方法,从而使长读段的组装成为可能。然而,由于两个数据集(短读段和长读段)的大小都很大,这些长读段的纠错需要非常高的计算资源,即使是在小的细菌基因组上。在这项工作中,我们首先组装短读段,然后将这些长读段映射到组装图上以解析重复序列,而不是对长读段进行纠错。贡献:我们提出了一种混合装配方法,既计算效率高,生产高质量的组件。我们的算法首先使用仅由长重叠群组成的简化版本的组装图进行操作,并通过在每次迭代中添加较小的重叠群来逐渐改进组装。与最先进的长读取错误校正技术相比,即使对于细菌基因组数据集,该技术也需要在超级计算机上占用大量计算资源和较长的运行时间,我们的软件可以仅使用标准桌面在短的运行时间内产生可比较的组装。
2013-07-30 q-bio.GN q-bio.QM
An Improved Filtering Algorithm for Big Read Datasets
对于单细胞或宏基因组测序项目,有必要以非常高的平均覆盖率进行测序,以确保样品DNA的所有部分都被产生的读数覆盖。这导致了具有大量冗余数据的巨大数据集。建议在组装之前对这些数据进行过滤。Titus Brown等人(2012年)为此提出了Diginescent算法,该算法基于其$k$ -聚体的丰度过滤读数。我们提出了一个更快,更有质量意识的读过滤算法Biblim。一个重要的新特征是使用phred质量分数以及对$k$ -mer计数的详细分析来决定保留哪些读段。使用推荐的参数,就中位数而言,我们去除了97.15%的读数,同时保持过滤数据集的平均phred得分较高。使用SDAdes汇编程序,我们从这些过滤的数据集产生高质量的组件,所需的时间的一小部分,从使用Diginx过滤的数据集的组件。我们得出结论,读过滤是一个实用的方法,减少读取数据,加快组装过程。我们的Bibram算法允许具有竞争力的质量与Digintimes相比的组件,同时速度更快。可从https://git.informatik.uni-kiel.de/axw/Bignorm.git下载Biblim
2016-10-11 q-bio.GN
Reducing assembly complexity of microbial genomes with single-molecule sequencing
背景:第一代和第二代DNA测序仪输出的短读段不能完全重建微生物染色体。因此,大多数基因组都没有完成,因为需要大量的资源来手动填补草案汇编中的空白。第三代单分子测序通过大大增加测序读段长度来解决这个问题,这简化了组装问题。结果如下:为了衡量单分子测序对微生物基因组组装的益处,我们对6种细菌的基因组进行了测序和组装,并分析了2,267种完整细菌和古细菌的重复复杂性。我们的研究结果表明,大多数已知的细菌和古细菌基因组可以组装没有差距,在成品级的质量,使用一个单一的PacBio RS测序库。这些单文库组装也比典型的短读段组装和短读段和长读段的混合组装更准确。结论:长的单分子测序数据的自动组装将大多数基因组的微生物整理成本降低到1,000美元,预计该技术的未来进展将降低成本。预计这将增加已完成的基因组数量,提高微生物基因组数据库的质量,并实现对泛基因组和染色体组织的高保真、人群规模的研究。
2013-11-15 q-bio.GN
Do Read Errors Matter for Genome Assembly?
虽然大多数当前的高通量DNA测序技术产生具有低出错率的短读段,但新兴的测序技术产生具有高出错率的长读段。感兴趣的一个基本问题是在读取长度和出错率之间权衡基因组完美组装所需的信息。使用对抗擦除错误模型,我们在这个问题上取得了进展,通过建立一个临界读取长度,作为基因组和出错率的函数,在此之上,完美的组装得到保证。对于几个真实的基因组,包括来自GAGE数据集的基因组,我们验证了这个临界读取长度并不显著大于从没有错误的读取进行完美组装所需的读取长度。
2015-01-25 cs.IT math.IT q-bio.GN
Apollo: A Sequencing-Technology-Independent, Scalable, and Accurate Assembly Polishing Algorithm
ETH Zurich(苏黎世联邦理工学院);Carnegie Mellon University(卡内基梅隆大学);Bilkent University(比尔肯特大学)
由第三代测序技术产生的长读段用于构建组装体(即,受试者的基因组),其进一步用于下游基因组分析。不幸的是,长读段具有高测序错误率,并且这些长读段中的大部分bp被错误地鉴定。这些错误传播到组件并影响基因组分析的准确性。装配抛光算法通过使用来自读段和装配之间的比对的信息抛光或修复装配中的错误来最小化这种错误传播(即,读取到组件对准信息)。然而,组装抛光算法只能使用来自某种测序技术或来自小组装的读段来抛光组装。这种技术依赖性和组装大小依赖性要求研究人员1)运行多个抛光算法,2)使用大基因组的小块来使用所有可用的读段集并抛光大基因组。我们介绍Apollo,一种通用的装配抛光算法,可以很好地扩展到抛光任何尺寸的装配(即,大基因组和小基因组)使用来自所有测序技术的读数(即,第二代和第三代)。我们的目标是提供一种单一的算法,该算法使用来自所有可用测序技术的读取集来提高组装抛光的准确性,并且可以抛光大基因组。Apollo 1)将组件建模为简档隐马尔可夫模型(pHMM),2)使用读取到组件对齐来用前向-后向算法训练pHMM,以及3)用Viterbi算法解码经训练的模型以产生抛光的组件。我们对真实读段集的实验表明,Apollo是唯一一种算法,它1)在单次运行中使用来自任何测序技术的读段,2)可以很好地扩展以抛光大型组装件,而不会将组装件分成多个部分。
2020-03-07 cs.CE cs.LG q-bio.GN
Meraculous2: fast accurate short-read assembly of large polymorphic genomes
我们提出了Meraculous 2,Meraculous 2是Meraculous短读组装程序的更新,包括(1)使用de Bruijn图中的“气泡”结构处理等位基因变异,(2)改进的缺口闭合,以及(3)改进的脚手架算法,该算法可以产生更完整的组装,而不会影响脚手架的准确性。新的并行实施的速度和带宽效率也得到了大幅提高,使人类基因组的组装在24小时内完成的JGI/NERSC Genepool系统。为了突出Meraculous 2的功能,我们在这里展示了二倍体人类基因组NA 12878的组装,并将其与以前发表的使用其他算法的相同数据的组装进行比较。Meraculous 2程序集显示出比其他已发布的程序集具有更好的完整性,连续性和准确性。实际的考虑,包括预组装分析的多态性和重复性。
2017-11-07 cs.DS q-bio.GN
ReadsClean: a new approach to error correction of sequencing reads based on alignments clustering
动机:下一代DNA测序方法产生相对高的读取错误率,其干扰新测序的生物体的从头基因组组装,并且特别影响对于许多遗传性疾病的诊断重要的SNP检测的质量。存在许多为纠正NGS读取中的错误而开发的程序。这些程序利用各种方法并针对不同的特定任务进行优化,但它们都远远不能纠正所有错误,特别是在通过重复序列和来自二/多倍体真核基因组的DNA交叉的测序读数中。结果:本文描述了一种基于相似读段比对聚类的纠错新方法。该方法在ReadsClean程序中实施,该程序设计用于清洁Illumina HiSeq测序读数。我们将ReadsClean与其他被几个出版物公认为最好的读取清洁程序进行了比较。我们使用实际和模拟测序读数进行的序列组装测试显示ReadsClean获得了优异的结果。可用性和实现:ReadsClean作为独立的C代码实现。它被纳入一个纠错管道,并免费提供给学术用户在Softberry网络服务器www.softberry.com。
2019-07-30 q-bio.GN
FermiKit: assembly-based variant calling for Illumina resequencing data
总结:FermiKit是Illumina数据的变异检测管道。它从头组装短读段,然后针对参考基因组映射组装以调用SNP、短插入/缺失(INDEL)和结构变异(SV)。FermiKit在现代16核服务器上组装30倍的人类全基因组数据需要大约一天的时间,峰值为85 GB RAM,并在半小时内调用变体,其准确性与当前实践相当。FermiKit组件是原始数据的简化表示,同时保留大部分原始信息。可用性和实施:https://github.com/lh3/fermikit联系方式:hengli@broadinstitute.org
2015-04-24 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
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
FSG: Fast String Graph Construction for De Novo Assembly of Reads Data
下一代读取集合的字符串图是一种无损数据表示,对于基于重复布局共识范式的从头组装器来说是基本的。在本文中,我们探索了一种新的方法来计算弦图,基于FM指数和Burrows-Wheeler变换。我们描述了一个简单的算法,只使用FM索引表示的读取集合来构建字符串图,而不访问输入读取。我们的算法已被集成到SGA汇编程序作为一个独立的模块来构建字符串图。新的集成汇编程序已在标准基准上进行了评估,表明FSG比SGA快得多,同时保持适度使用主存,并在多线程上运行FSG时显示出实际优势。
2017-05-29 cs.DS q-bio.GN
Scaling metagenome sequence assembly with probabilistic de Bruijn graphs
深度测序已经使得能够研究广泛的环境微生物生态系统,但是来自这些复杂群体的短读段鸟枪测序数据的{ \em de novo}组装的高存储器要求是越来越大的实际障碍。在这里,我们介绍了一个内存高效的图形表示,我们可以分析宏基因组样本的k-mer连接。图表示是基于一个概率数据结构,布隆过滤器,使我们能够有效地存储组装图在每k-mer少至4位,虽然不准确。我们表明,这种数据结构准确地表示DNA组装图在低内存。我们应用这种数据结构的问题,分区组装成组件的组装图作为前奏,并表明,这降低了整体的内存需求{ \em从头}组装的宏基因组。在一个土壤宏基因组组装上,这种方法实现了组装的最大内存需求的近40倍降低。这种概率图表示在存储组装图方面是一个重大的理论进步,并且也对宏基因组组装产生直接影响。
2012-06-30 q-bio.GN
PopIns: population-scale detection of novel sequence insertions
近年来,由于高通量测序技术的进步,基因组结构变异(SV)的检测取得了巨大进展。新型序列插入,即与人类参考基因组没有相似性的插入,与其他类型的SV相比受到的关注较少,这是由于从短读段测序数据中检测它们的计算挑战,其固有地涉及从头组装。从头组装不仅在计算上具有挑战性,而且需要高质量的数据。虽然来自单个个体的读段可能并不总是满足这一要求,但使用来自多个个体的读段可以增加检测新插入的能力。我们已经开发了程序PopIns,它可以在群体规模上发现和表征100 bp或更长的非参考插入。在本文中,我们描述了我们在PopIns中实现的方法。它将读数与参考比对作为输入,使用标准组装工具组装未比对的读数,将不同个体的重叠群合并为高置信度序列,将合并的序列锚定到参考基因组中,最后对所有个体进行基因型分析以发现插入。我们对模拟数据的测试表明,合并步骤大大提高了预测插入的质量和可靠性,PopIns比最近的工具MindTheGap显示出更好的召回率和准确率。对305名冰岛人的数据集的初步结果证明了新方法的实用性。PopIns的源代码可从http://github.com/bkehr/popins获得。
2015-04-08 q-bio.GN
Distributed-Memory Parallel Contig Generation for De Novo Long-Read Genome Assembly
从头基因组组装,即,从冗余和错误的短序列重建未知基因组的序列是许多基因组学流程中的关键但计算密集的步骤。基因组数据的指数增长正在增加计算需求,并需要可扩展的高性能方法。在这项工作中,我们提出了一种新的分布式内存算法,从基因组的字符串图表示和使用稀疏矩阵,生成重叠群集,即,重叠序列形成代表染色体区域的图谱。使用矩阵抽象,我们屏蔽字符串图中的分支并计算连接分量以将属于相同线性链的基因组序列分组(即,重叠群)。然后,我们执行多路数划分以最小化本地组装中的负载不平衡,即,来自给定重叠群的序列的串联。基于划分得到的分配,我们计算诱导子图函数来重新分配进程之间的序列,从而产生一组局部稀疏矩阵。最后,我们使用深度优先搜索遍历每个矩阵来连接序列。我们的算法表现出良好的扩展性,在128个节点上的并行效率高达80%,从而实现了均匀的基因组覆盖,并在组装质量方面表现出良好的效果。我们的重叠群生成算法将组装过程本地化,以显着减少这一步骤所花费的计算量。我们的工作是在分布式存储器中高效从头长读组装大基因组的一个步骤。
2022-07-10 cs.DC q-bio.GN
MEGAHIT: An ultra-fast single-node solution for large and complex metagenomics assembly via succinct de Bruijn graph
MEGAHIT是一个NGS从头组装器,用于以时间和成本效益的方式组装大型和复杂的宏基因组学数据。它在单个计算节点上分别在44.1小时和99.6小时内完成了252Gbps的土壤宏基因组数据集的组装,有和没有GPU。MEGAHIT将数据作为一个整体进行组装,即,它避免了像分割和标准化这样的预处理,这可能会损害结果的完整性。MEGAHIT生成的组装体比之前的组装体大3倍,具有更长的重叠群N50和平均重叠群长度。55.8%的读段与组装体对齐,比之前高4倍。MEGAHIT的源代码在GPL v3许可下可在https://github.com/voutcn/megahit上免费获得。
2014-12-23 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
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
Partial DNA Assembly: A Rate-Distortion Perspective
DNA组装问题的早期表述都是在完美组装的背景下进行的;即,给定一组来自长基因组序列的读段,是否有可能完美地重建原始序列?然而,在实践中,经常出现的情况是,读取的数据不足够丰富,以允许原始序列的明确重建。虽然这些情况下的完美装配公式的自然推广将考虑率失真框架,但部分装配通常以装配图表示,使得失真度量的定义具有挑战性。在这项工作中,我们引入了一个失真函数的组装图,可以理解为对数的欧拉循环的组装图中,其中每个对应于一个候选组件,可以产生所观察到的读取的数量。我们还介绍了一个算法的组装图的建设,并分析其性能的真实基因组。
2016-05-06 cs.IT math.IT 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
Snowball: Strain aware gene assembly of Metagenomes
基因组装是鸟枪法宏基因组数据功能分析的重要步骤。尽管如此,菌株感知组装仍然是一项具有挑战性的任务,因为目前的组装工具通常无法区分菌株变体或需要研究物种的密切相关的参考基因组。我们已经开发了Snowball,一种新的菌株感知和无参考基因组装器,用于鸟枪宏基因组数据。它使用感兴趣的基因结构域的简档隐马尔可夫模型(HMRM)来指导组装。我们的组装器基于读段重叠和同时使用读段质量分数进行错误校正来执行单个基因结构域的基因组装,这导致非常低的每碱基错误率。该软件可在用户定义数量的处理器内核上并行运行,可在标准笔记本电脑上运行,并可在Linux或OS X下免费安装,网址为:https://github.com/algbioi/snowball/wiki
2015-10-13 q-bio.GN q-bio.QM
MetaPar: Metagenomic Sequence Assembly via Iterative Reclassification
我们介绍了一种并行算法架构的宏基因组序列组装,称为MetaPar,它允许显着减少组装时间,从而使大型基因组数据集的计算机上的低内存使用的处理。该方法的要点是基于系统发育标记基因和从宏基因组读段的随机子集生成的汇编程序输出迭代地执行读段(重新)分类。一旦在属内进行足够准确的分类,可以使用从头宏基因组组装器(例如Velvet或IDBA-UD)或基于参考的组装器来构建重叠群。我们通过有效间隙和有效覆盖度量分析了MetaPar在由NCBI数据库中随机选择的15个物种组成的合成数据上的性能。
2013-11-15 q-bio.GN q-bio.QM
On the Coverage Required for Diploid Genome Assembly
本文研究了二倍体基因组完整重建的信息论条件,推导了覆盖度与读长的数学关系,并分析了贪心、de-Bruijn图及重叠图组装算法的覆盖要求,发现前两者要求远高于理论下界。
2025-04-07 cs.IT math.IT 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
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
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
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