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
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
Ensemble Analysis of Adaptive Compressed Genome Sequencing Strategies
以单细胞分辨率获取基因组具有许多应用，例如在微生物群的研究中。然而，对样品中所有数百万个细胞进行深度测序和组装的成本过高。一个可以拯救的特性是，对每个细胞进行深度测序不需要捕获所有不同的基因组，因为大多数细胞都是生物复制品。从这个意义上说，生物学上重要的样本往往是稀疏的。在本文中，我们提出了一种自适应压缩方法，也称为蒸馏传感，以捕获稀疏的微生物群落中的所有不同的基因组，减少测序工作。与组测试中不同事件的数量通常是恒定的，稀疏性相当于事件的稀有性相反，稀疏性在我们的情况下意味着与数据大小相比不同事件的稀缺性。在此之前，我们介绍了这个问题，并提出了一个基于广度优先搜索策略的提取传感解决方案。我们模拟了整个过程，由于其计算强度，限制了我们研究整个系综算法行为的能力。在本文中，我们修改我们以前的广度优先搜索策略，并引入深度优先搜索策略。而不是模拟整个过程，这是棘手的大量的实验，我们提供了一个动态规划算法来分析整个合奏的方法的行为。系综分析算法递归地计算捕获每个不同基因组的概率以及给定群体概况的预期总测序核苷酸。我们的结果表明，预期的总测序核苷酸的增长与细胞数量的$\log$成正比，与不同基因组的数量成线性比例。
2014-04-25 q-bio.GN
Virtual in situs: Sequencing mRNA from cryo-sliced Drosophila embryos to determine genome-wide spatial patterns of gene expression
基因表达的复杂的空间和时间模式是胚胎分化的基础，但目前还不存在有效的全基因组确定发育过程中的空间表达模式的方法。转录本和蛋白质的原位成像是金标准，但即使高度自动化，应用于整个基因组也很困难且耗时。相比之下，测序是快速和全基因组的，但通常应用于均质化组织，从而丢弃空间信息。这些方法很可能最终会趋同，我们将能够原位测序RNA，同时确定它们的身份和位置。作为沿着这条道路的一步，我们开发的方法，冷冻切片个别胚盘阶段的果蝇胚胎沿前后轴和序列的mRNA从每个25微米的切片分离。我们推断基因表达的空间模式与先前通过原位杂交和显微镜确定的模式密切匹配。我们应用这种方法来产生从受精后不久到原肠胚形成的全基因组空间基因表达时间进程。我们确定了许多基因的空间格局，尚未被描述在几个正在进行的系统原位为基础的项目。这个简单的实验证明了将仔细的解剖解剖与高通量测序相结合以获得全基因组尺度上的空间分辨基因表达的潜力。
2013-05-23 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
Even better correction of genome sequencing data
我们介绍了一个改进版本的RECKONER，一个错误校正Illumina全基因组测序数据。通过修改其工作流程，我们将计算时间减少了10倍。我们还提出了一种新的方法来确定$k$ -mer长度，$k$ -光谱为基础的家庭的校正的关键参数。在巨大的数据集上检查校正算法，即，用于Illumina HiSeq和MiSeq仪器的人类和玉米基因组。
2017-03-02 cs.DC q-bio.GN
Nanopore Sequencing Technology and Tools for Genome Assembly: Computational Analysis of the Current State, Bottlenecks and Future Directions
纳米孔测序技术具有使其他测序技术过时的潜力，其能够生成长读段并提供便携性。然而，该技术的高错误率在产生准确的基因组组装时提出了挑战。用于纳米孔序列分析的工具至关重要，因为它们应该克服该技术的高错误率。我们在这项工作中的目标是全面分析当前公开的纳米孔序列分析工具，以了解它们的优点，缺点和性能瓶颈。重要的是要了解当前工具在哪些方面表现不佳，以开发更好的工具。为此，我们1）使用纳米孔序列数据分析基因组组装流水线中的多个步骤和相关工具，以及2）提供用于确定每个步骤的适当工具的指南。我们分析了不同工具的各种组合，并揭示了准确性，性能，内存使用和可扩展性之间的权衡。我们的结论是，我们的观察可以指导研究人员和从业者在使用纳米孔序列数据的基因组组装管道的每一步做出有意识和有效的选择。此外，在我们发现的瓶颈的帮助下，开发人员可以改进当前的工具或构建既准确又快速的新工具，以克服纳米孔测序技术的高错误率。
2018-03-06 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
Whole genome sequencing identifies putative associations between genomic polymorphisms and clinical response to the antiepileptic drug levetiracetam
在药物基因组学的背景下，全基因组测序提供了一种强有力的方法，用于以无偏倚的方式鉴定对特定药物的反应变异性与群体中的基因组多态性之间的相关性。在这项研究中，我们采用全基因组测序的DNA样本显示极端反应（n=72）和非响应（n=27）的抗癫痫药物左乙拉西坦，以确定基因组变异的基础上对药物的反应。虽然没有常见的SNP（MAF>5%）超过5e-8的常规全基因组显著性阈值，但我们在基因SPNS 3、HDC、MDGA 2、NSG 1和RASGEF 1C中发现了常见的多态性，这些基因共同预测了我们队列中左乙拉西坦的临床反应，预测准确率约为91%。在这些基因中，HDC、NSG 1、MDGA 2和RASGEF 1C可能涉及突触神经传递，而SPNS 3是与左乙拉西坦的已知分子靶SV 2A同源的非典型溶质载体转运蛋白。此外，我们对一组罕见和低频率变异体（MAF<5%）进行了基于基因和途径的统计分析，并确定了以下基因或途径与左乙拉西坦反应之间的关联：a）基因PRKCB和DLG 2，其参与多巴胺能神经传递，抗惊厥药（包括左乙拉西坦）的已知靶点; c）在突触神经传递中起作用的途径，如FZD 4的WNT 5A依赖性内化和SNARE形成的去抑制。总之，我们的方法，利用全基因组测序的极端反应表型的受试者是一个可行的路线，以产生合理的假设，调查遗传因素的药物反应变异性的耐药性癫痫的情况下。
2019-09-23 q-bio.GN
Low-pass Genomewide Sequencing and Variant Imputation Using Identity-by-descent in an Isolated Human Population
全基因组测序在一个孤立的人口与少数创始人直接排除变异的人口瓶颈，可能是罕见的其他地方。在这样的人群中，共享的单倍型允许在未测序的样本中估算变异，而不需要像远交群体的研究那样诉诸统计学方法。我们专注于一个孤立的人群队列，从太平洋岛屿的科斯特拉邦，密克罗尼西亚，在那里我们以前收集的SNP阵列和丰富的表型数据的大多数人口。我们报告识别长区域与单倍型共同继承对个人和方法，以利用这种共享的遗传内容进行插补。我们的估计表明，只要对40个个人基因组进行测序，就可以在3,000人的平均基因座队列中进行高达60%的插补。我们确定了来自7个Kosraean个体的全基因组序列的试点数据集，平均覆盖率为5倍。该数据集确定了5，735，306个独特的位点，其中1，212，831个以前未知。此外，这些Kosraen变体与地理邻居相比，在其他人群中罕见的等位基因异常丰富。我们能够利用这七个人之间存在的共享单倍型来估计已知和新型变体的插补准确性，并分别达到99.6%和97.3%的水平。这项研究提出了第一个全基因组分析的一个同质的分离群体，重点是罕见的变异推断。
2011-02-17 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
KGP: An R Package with Metadata from the 1000 Genomes Project
千人基因组计划提供了来自五个大陆地区的26个人群的3,202个样本的测序数据，没有访问或使用限制。kgp R软件包提供了关于1000个基因组计划中的样本和群体以及国际基因组样本资源库中的其他群体测序数据的一致和全面的元数据。kgp包通过Comprehensive R Archive Network（CRAN）发布，网址为https://cran.r-project.org/package=kgp。源代码可在GitHub上获得，网址为https://github.com/stephenturner/kgp。更多文档请访问https://stephenturner.github.io/kgp/。
2022-10-02 q-bio.GN
Deep Neural Network: An Efficient and Optimized Machine Learning Paradigm for Reducing Genome Sequencing Error
University of Ghana – Legon（加纳大学莱贡校区）
本文提出利用深度神经网络纠正基因组测序中的插入缺失错误，为降低测序错误提供了一种高效且优化的机器学习方案。
2020-10-06 cs.CV q-bio.GN
Whole Genome Sequencing: Innovation Dream or Privacy Nightmare?
在过去的几年里，DNA测序已经成为生命科学的驱动力之一，为负担得起的和准确的全基因组测序铺平了道路。由于基因组代表了生物体的全部遗传信息，完整的人类基因组的可用性促进了广泛的革命性应用。改善现代医疗保健和更好地了解人类基因组的希望推动了许多有趣和具有挑战性的研究前沿。然而，不幸的是，人类基因组的激增放大了令人担忧的隐私问题，因为基因组代表了高度个人和敏感信息的宝库。在这篇文章中，我们提供了一个积极的成果和生物医学领域的进展的概述，并讨论与人类基因组信息相关的隐私问题。最后，我们调查了现有的隐私增强技术，并列出了一些开放的研究挑战。
2015-02-16 cs.CR cs.ET q-bio.GN
Distilled Single Cell Genome Sequencing and De Novo Assembly for Sparse Microbial Communities
鉴定微生物样品中存在的每一个基因组是一项重要且具有挑战性的任务，具有重要的应用。这是具有挑战性的，因为微生物样品中通常有数百万个细胞，其中绝大多数无法培养。迄今为止，最准确的方法是使用多重置换扩增的穷举单细胞测序，这对于大量细胞来说是难以处理的。然而，有希望打破这一障碍，因为具有不同基因组序列的不同细胞类型的数量通常比细胞的数量少得多。在这里，我们提出了一种新的分而治之的方法来测序和从头组装存在于微生物样品中的所有不同的基因组，测序成本和计算复杂度与基因组类型的数量成比例，而不是细胞的数量。该方法在一个名为Squeezambler的工具中实现。我们在模拟数据上评估了Squeezambler。所提出的分而治之的方法成功地降低了成本的排序相比，天真的穷举方法。可用性：Squeezambler和数据集可在http://compbio.cs.wayne.edu/software/squeezambler/上获得。
2013-05-22 cs.CE 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
Correspondence on ACMG STATEMENT: ACMG SF v3.0 list for reporting of secondary findings in clinical exome and genome sequencing: a policy statement of the American College of Medical Genetics and Genomics (ACMG) by Miller et al
我们有兴趣阅读最近更新的关于临床测序中报告次要结果的建议1，以及随附的应寻求次要结果的基因更新列表（ACMG SF v3.0）2。虽然作者相当详细地讨论了不完全突变的挑战，但我们担心这些建议并没有完全传达与遗传性心肌病相关的基因变异的不确定性程度，这些基因占该列表的近四分之一。由于突变是不完全的，并且与年龄有关，发现携带变异的个体通常需要监测，而不是一次性的明确诊断评估。目前缺乏证据证明机会性筛查的益处、危害和医疗成本。
2022-03-09 q-bio.GN
Use of high throughput sequencing to observe genome dynamics at a single cell level
随着高通量测序技术的发展，以全基因组的方式直接分析突变分布成为可能，从而将突变率测量与传统的基本假设分离。在这里，我们从化学诱变后获得的菌落中对几个大肠杆菌基因组进行了测序，并观察到诱导突变的显著非随机分布。这些包括沿着基因组的长段专门的G到A或C到T的转变以及突变密度的数量级的基因组内和基因组间差异。虽然这些观察结果中的大多数可以用酶促过程的已知特征来解释，但其他观察结果可能反映了单细胞水平上分子过程的随机性。我们的研究结果表明，如何在一个单独的诱变细胞的后代的基因组中留下的分子记录的分析允许固定和分离的突变，以及重组事件，在其祖先的单个基因组的基因组规模的观察。
2009-12-16 q-bio.CB 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
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
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
DuAL-Net: A Hybrid Framework for Alzheimer's Disease Prediction from Whole-Genome Sequencing via Local SNP Windows and Global Annotations
提出混合深度学习框架DuAL-Net，结合局部SNP窗口和全局注释建模分析全基因组测序数据预测阿尔茨海默病，提升了预测准确性与生物学可解释性。
2025-05-31 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
Nanopore Sequencing of the phi X 174 genome
DNA的纳米孔测序是一种单分子技术，其可以以最少的样品制备和仪器实现长读取、低成本和高速。在这里，我们建立在纳米孔分辨率和DNA控制方面的最新进展来解释DNA通过孔MspA易位过程中观察到的离子电流水平的处理。由于大约四个核苷酸影响每个水平的离子电流，我们测量了对应于所有256个四核苷酸组合（四聚体）的离子电流。该四聚体图谱高度预测先前未测量的源自噬菌体phi X 174基因组的序列的离子电流水平。此外，我们显示了长度高达4，500个碱基的phi X 174的纳米孔测序读段，其可以明确地与phi X 174参考基因组对齐，并证明了关于杂交基因组组装和多态性检测的概念验证实用性。所有方法和数据都充分提供。
2014-06-18 physics.bio-ph q-bio.GN
Sequencing and characterisation of rearrangements in three S. pastorianus strains reveals the presence of chimeric genes and gives evidence of breakpoint reuse
总的染色体重排有可能在进化上对适应性生物有利。杂交物种的产生通过将两个同源基因组结合在一起来增加重组的机会。我们试图定义的位置基因组重排的三个菌株的酵母巴斯德，一个天然的啤酒酿造酵母杂交酿酒酵母和酵母酵母eubayanus，使用全基因组鸟枪测序。每株S. pastorianus已经失去了其基因组的物种特异性部分，并经历了广泛的重组，产生嵌合染色体。我们预测了30个断点，并通过设计每个断点侧翼的物种特异性引物，然后对PCR产物进行测序，在单核苷酸水平上确认了这些断点。这些重排是两个亚基因组之间同源区域之间重组的结果，而不是重复元件如转座子或tRNA。有趣的是，28/30 S。酿酒酵母- S. Eubayanus重组断点位于基因区域内，产生嵌合基因。此外，我们显示的证据，位于HSP 82和KEM 1，在拟议的独立来源的菌株的重复使用的两个断点。
2013-11-08 q-bio.GN
DeepMetabolism: A Deep Learning System to Predict Phenotype from Genome Sequencing
生命科学正在进入PB级测序数据的新时代。将这些大数据转换为生物学见解对计算分析来说是一个巨大的挑战。为此，我们开发了DeepMetabolism，这是一种生物学引导的深度学习系统，可以从转录组学数据中预测细胞表型。通过将无监督预训练与监督训练相结合，DeepMetabolism能够以高精度（PCC>0.92），高速度（<30 min for >使用单个GPU 100 GB数据）和高鲁棒性（容忍高达75%的噪声）预测表型。我们设想DeepMetabolism可以弥合基因型和表型之间的差距，并作为合成生物学和精准医学应用的跳板。
2017-05-08 q-bio.GN q-bio.QM
Accelerating SARS-CoV-2 low frequency variant calling on ultra deep sequencing datasets
随着测序技术的最新进展，以非常高的覆盖深度对基因组进行测序已经变得负担得起和实用，从而使研究人员能够发现基因组中的低频变异。然而，由于测序中的错误，开发可以将噪声与真实变体分离的算法是一个活跃的研究领域。LoFreq是一种用于低频变异检测的最先进算法，但与其他工具相比，运行时间相对较长。除此之外，并行运行的接口可以简化，允许多线程以及将作业分发到集群。在这项工作中，我们描述了一些具体的贡献LoFreq，解决这些问题。
2021-05-07 q-bio.GN
Enrichment of gut microbiome strains for cultivation-free genome sequencing using droplet microfluidics
我们报告了一种液滴微流控方法，用于直接从复杂的微生物组样品中靶向和分选单个细胞，并制备这些细胞用于批量全基因组测序而无需培养。我们通过回收以低至1：250的比例掺入人粪便样品中的细菌，并通过成功地将内源性普通拟杆菌富集到高质量基因组从头组装所需的水平，来表征这种方法。虽然微生物组菌株越来越多地用于生物医学应用，但绝大多数物种和菌株都是未培养的，没有参考基因组。我们通过将复杂的微生物组样品直接封装到微流体液滴中并使用定制的分子TaqMan探针扩增靶特异性基因组片段来解决这一缺点。我们通过液滴分选分离那些阳性液滴，选择性地富集单个靶菌株细胞。最后，我们提出了一个协议，以纯化基因组DNA，同时专门去除扩增子和细胞碎片的高质量的基因组测序。
2021-06-02 physics.bio-ph q-bio.GN q-bio.QM
Improved annotation of 3-prime untranslated regions and complex loci by combination of strand-specific Direct RNA Sequencing, RNA-seq and ESTs
基因组序列的参考注释为基因组的所有后续分析提供了框架。当解释RNA测序实验的结果时，正确的注释特别重要，其中短序列读数被映射到基因组并根据注释分配给基因。参考系统和实验系统之间注释的增加可能导致对研究系统中实验处理或突变对RNA表达的影响的错误解释。直到最近，3-prime非翻译区的全基因组注释受到的关注少于编码区和内含子/外显子边界的划定。本文对人、鸡和A.通过来自Helicos Biosciences的新的单分子、链特异性、直接RNA测序技术（其将3-prime多聚腺苷酸化位点定位在+/-2 nt内）对拟南芥进行测序，与存档EST和RNA测序数据组合。举例说明了九个实例，其中这种数据组合允许：（1）基因和3-prime UTR重新注释（包括将一个3-prime UTR延伸5.9 kb）;（2）在复杂区域中解开基因表达;（3）更清楚地解释小RNA表达和（4）鉴定新基因。虽然这里显示的具体例子可能会随着基因组序列及其注释的完善而过时，但本文中列出的原则将对注释基因组的人和那些试图在其自己的实验数据的背景下解释现有的化学上可用的注释的人具有普遍用途
2013-11-11 q-bio.GN
Cnidaria: fast, reference-free clustering of raw and assembled genome and transcriptome NGS data
背景：生物样本的识别是一系列应用的主要要求。无参考方法分析未处理的测序数据而不依赖于先验知识，但通常不能扩展到任意大的基因组和任意大的系统发育距离。结果如下：我们提出了刺胞，一个实用的工具，聚类基因组和转录组数据，基因组大小或系统发育距离没有限制。我们成功地同时聚类了来自4个王国的169个基因组和转录组数据集，在超物种水平上实现了100%的识别准确率，在物种水平上实现了78%的准确率。讨论：CNIDARIA允许对原始和组装的基因组和转录组数据进行快速、资源有效的比较和鉴定。这可以帮助回答基本问题（例如，在遗传学，生态多样性分析）和实际问题（例如，测序质量控制，引物设计）。
2015-11-17 q-bio.GN
A probabilistic analysis of shotgun sequencing for metagenomics
基因组测序是许多现代生物学和医学研究的基础。随着最近的技术进步，宏基因组学已成为一个感兴趣的问题。这个问题需要分析和重建来自不同来源的多个DNA序列。鸟枪式基因组测序的工作原理是将长DNA序列分解为称为读段的较短片段。给定该读数集合，人们想要重建DNA序列的原始集合。对于宏基因组学中的试验设计，重要的是理解可靠重建所需的最小读取长度如何取决于所涉及的基因组的数量和特征。利用简单的概率模型为每个DNA序列，我们分析了M个基因组的长度为N的集合的可识别性在渐近制度，其中N趋于无穷大，M可能会增长与N。我们的第一个主要结果提供了M和N的阈值，因此如果读取长度超过阈值，则简单的贪婪算法成功地重建了基因组的完整集合，概率趋于1。我们的第二个主要结果在M和N方面建立了一个较低的阈值，使得如果读取长度短于阈值，则不可能重建完整的基因组集合，概率趋于1。
2022-01-13 math.PR 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
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
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
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
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
RawHash: Enabling Fast and Accurate Real-Time Analysis of Raw Nanopore Signals for Large Genomes
本文提出 RawHash，通过信号量化与哈希相似性搜索实现大型基因组纳米孔原始信号的实时分析，在三类应用中显著优于 UNCALLED 和 Sigmap。
2023-06-01 q-bio.GN
CiMBA: Accelerating Genome Sequencing through On-Device Basecalling via Compute-in-Memory
本文提出首个嵌入式存内计算碱基识别加速器CiMBA及配套模拟DNN家族AnaLog-Dorado，通过硬件/软件协同设计实现设备端实时碱基识别，吞吐量达实时需求的24倍，功耗和面积效率分别提升17倍和27倍。
2025-04-09 cs.AR q-bio.GN
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
Enhancing Downstream Analysis in Genome Sequencing: Species Classification While Basecalling
Swiss Federal Institute of Technology（瑞士联邦理工学院）；IBM Research Zurich（IBM苏黎世研究院）
本文提出多目标深度神经网络，在碱基识别的同时进行多类别基因组分类，通过分离损失反向传播和Top-K排序策略，在Wick数据集17个基因组上实现92.5%/98.9%的前1/3物种识别准确率，加速宏基因组分析瓶颈步骤。
2025-04-09 cs.LG 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
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
An Exploratory Ethnographic Study of Issues and Concerns with Whole Genome Sequencing
全基因组测序（WGS）的进展将很快使大量个体的基因组完全测序。这为改善现代医疗保健奠定了基础，开创了个性化医疗的新时代，在这个时代，诊断和治疗都是根据患者的基因组成量身定制的。它还允许出于个人好奇心的个人获得他们的遗传信息，并使用它，例如，追溯他们的祖先然而，同样的进展也放大了一些伦理和隐私问题，这些问题源于基因组信息前所未有的敏感性，而且没有得到很好的研究。本文提出了一个探索性的民族志研究，用户的隐私和道德问题的看法与WGS，以及他们对不同的WGS程序的态度。我们报告了一系列的半结构化访谈，涉及16名参与者，并分析了定量和定性的结果。我们的分析表明，用户表现出共同的信任问题和对歧视的恐惧，并要求严格控制他们的遗传信息。最后，我们强调需要在该领域进一步研究和后续研究，建立在我们的初步研究结果。
2014-01-31 cs.CR cs.CY q-bio.GN
Accelerating De Novo Genome Assembly via Quantum-Assisted Graph Optimization with Bitstring Recovery
Indian Institute of Technology, Madras（印度马德拉斯理工学院）；Indian Institute of Sciences, Bangalore（班加罗尔印度科学研究所）；IBM Research, Bangalore（IBM 研究部）
提出一种结合量子计算优化算法与经典预处理的混合方法，通过高阶二进制优化（HOBO）公式和变分量子本征求解器（VQE）求解基因组组装图中的哈密顿路径和欧拉路径，并引入比特串恢复机制以加速基因组组装过程。
2026-05-23 q-bio.GN quant-ph
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
Democratizing Clinical Tumor Whole Genome Sequencing: 18-hour End-to-end Analysis via Trillion-parameter Large Language Models Locally Deployed on Consumer-grade Hardware
Hangzhou Tsingxin quantum Co., Ltd.（杭州清芯量子有限公司）
本研究在消费级硬件上本地部署万亿参数生物医学大语言模型，实现18小时内完成肿瘤全基因组测序分析，达到99.62%的变异检测F1分数，打破了对昂贵GPU集群的依赖，为基层医疗提供零额外成本的精准肿瘤学方案。
2026-09-17 cs.LG q-bio.GN
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
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
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
The design and construction of reference pangenome graphs
测序技术的最新进展使得个体基因组的组装能够达到参考质量。如何整合来自同一物种的多个基因组，并使生物学家可以访问集成表示仍然是一个开放的挑战。在这里，我们提出了一个基于图的数据模型和相关格式来表示多个基因组，同时保留线性参考基因组的坐标。我们在minigraph工具包中实现了我们的想法，并证明我们可以有效地构建泛基因组图，并对当前参考基因组中缺失的数万个结构变体进行编码。
2020-03-13 q-bio.GN
Genome Sequencing Highlights Genes Under Selection and the Dynamic Early History of Dogs
为了识别狗驯化的遗传变化并重建其早期进化史，我们分析了三只灰狼的新型高质量基因组序列，其中一只来自三个公认的狗驯化中心，两个古老的狗血统（Basenji和Dingo）和一只金豺作为外群。我们发现狗和狼分歧通过一个动态的过程，涉及人口瓶颈的血统和后分歧基因流，这混淆了以前的推断狗的起源。在狗中，驯化瓶颈是严重的，涉及人口规模减少17至49倍，这是一个比以前从不太密集的测序工作中估计的更强的瓶颈。在狼与狗分化后不久，狼的数量就出现了一个急剧的瓶颈，这意味着狗的多样性远远大于现代狼的数量。以突变率为条件，我们将狗最初驯化日期的合理范围缩小到11000年至16000年前。这一时期早于农业的兴起，这意味着最早的狗是与狩猎采集者而不是农业家一起出现的。关于狗的地理起源，我们发现令人惊讶的是，没有一个现存的狼谱系从假定的驯化中心是更密切相关的狗，和采样的狼，而不是形成一个姐妹单系分支。这一结果，结合我们在驯化过程中发现的狗狼混合物，表明重新评估过去的狗起源的假设是必要的。最后，我们还检测选择的签名，包括在形态，代谢和神经发育中涉及的基因选择的证据。独特的是，我们发现支持在监管网站的选择性扫描表明基因调控的变化在狗驯化中发挥了关键作用。
2013-06-04 q-bio.GN
Guide to k-mer approaches for genomics across the tree of life
本文系统综述了k-mer方法在生物多样性基因组学中的理论基础与实际应用，旨在为应对复杂基因组测序挑战提供参考手册。
2024-04-01 q-bio.GN
Efficient Real-Time Selective Genome Sequencing on Resource-Constrained Devices
第三代纳米孔测序仪提供了一种称为选择性测序或“读到”的功能，该功能允许基因组读数被实时的【形】分析，如果不属于“感兴趣”的基因组区域，则中途放弃。这种选择性测序为快速和低成本的基因检测等重要应用打开了大门。分析中的等待时间应尽可能低，以使选择性测序有效，从而可以尽早拒绝不必要的读数。然而，现有的方法，采用子序列动态时间规整（sDTW）算法的这个问题是太计算密集的，一个庞大的工作站与几十个CPU内核仍然努力跟上数据率的移动电话大小的MinION测序仪。在本文中，我们提出了硬件加速读直到（HARU），一个资源有效的软硬件协同设计为基础的方法，利用低成本和便携式异构MPSoC平台与片上FPGA加速基于sDTW的读直到算法。实验结果表明，对于SARS-CoV-2数据集，嵌入4核ARM处理器的Xilinx FPGA上的HARU比在具有36核Intel Xeon处理器的复杂服务器上运行的高度优化的多线程软件版本快约2.5倍（比现有未优化的多线程软件快约85倍）。HARU的能耗比在36核服务器上执行的相同应用低两个数量级。HARU sDTW模块的源代码可在https://github.com/beebdev/HARU上作为开源获得，并且利用HARU的示例应用在https://github.com/beebdev/sigfish-haru上。
2022-11-14 cs.AR q-bio.GN
Lerna: Transformer Architectures for Configuring Error Correction Tools for Short- and Long-Read Genome Sequencing
Purdue University（普渡大学）；Indian Institute of Technology Bombay（印度理工学院孟买分校）；Adobe Research（Adobe 研究院）
测序技术容易出错，这使得下游应用必须进行纠错（EC）。EC工具需要手动配置以获得最佳性能。我们发现，最佳参数（例如，k-聚体大小）都依赖于工具和模板。此外，评估性能（即，给定工具的比对率或增益通常依赖于参考基因组，但质量参考基因组并不总是可用的。我们介绍Lerna用于基于k-mer的EC工具的自动化配置。Lerna首先创建未校正的基因组读段的语言模型（LM）;然后，计算困惑度度量以针对不同参数选择来评估校正的读段。接下来，它找到一个在不使用参考基因组的情况下产生最高比对率的基因组。我们的方法的基本直觉是，困惑度量与纠错后的组装质量成反比。结果：首先，我们表明，最佳的k-mer值可以为不同的数据集，即使是相同的EC工具。其次，我们使用其组件注意力为基础的Transformers显示我们的LM的增益。我们展示了模型在误差校正之前和之后对困惑度度量的估计。校正后的混乱度越低，k聚体尺寸越好。我们还表明，校正读取计算的比对率和组装质量与困惑度呈强负相关，从而能够自动选择k-mer值以进行更好的纠错，从而提高组装质量。此外，我们还表明，我们的基于注意力的模型在整个流水线上有显着的运行时改进-比以前的作品快18倍，这是由于并行化了注意力机制和使用JIT编译进行GPU推理。
2021-12-19 cs.LG q-bio.GN
