[论文解读] Assembling sequences of DNA using an on-line algorithm based on DeBruijn graphs

Juan Manuel Ciro Restrepo, Andrés Felipe Zapata Palacio+1 more|arXiv (Cornell University)|May 15, 2017

DNA and Biological Computing参考文献 1被引用 14

一句话总结

本文提出了一种基于德布鲁因图的在线算法，用于DNA序列拼接，能够动态地在读取序列到达时即时处理，实现高效的目标基因序列重建，且内存占用极低。该方法仅使用用户指定基因长度所必需的读取序列即可实现准确拼接，为NP难的DNA拼接问题提供了一种可扩展、实时处理的解决方案，且无需事先知晓所有读取序列的完整信息。

ABSTRACT

The problem of assembling DNA fragments starting from imperfect strings given by a sequencer, classified as NP hard when trying to get perfect answers, has a huge importance in several fields, because of its relation with the possibility of detecting similarities between animals, dangerous pests in crops, and so on. Some of the algorithms and data structures that have been created to solve this problem are Needleman Wunsch algorithm, DeBruijn graphs and greedy algorithms working on overlaps graphs; these try to work out the problem from different approaches that give place to certain advantages and disadvantages to be discussed. In this article we first expose a summary of the research done on already created solutions for the DNA assembly problem, to present later an on-line solution to the same matter, which, despite not considering mutations, would have the capacity of using only the necessary amount of readings to assemble an user specified amount of genes.

研究动机与目标

• 解决测序仪生成的嘈杂、短读取序列在DNA序列拼接中的计算挑战。
• 开发一种可扩展的在线算法，逐个处理读取序列，而非需要批量输入。
• 通过仅使用拼接指定基因数量所必需的读取序列，降低内存开销。
• 为基于重叠图或贪心方法的传统批量算法提供一种实用的替代方案。

提出的方法

• 该算法在实时处理每个新DNA读取序列时，逐步构建德布鲁因图。
• 通过将每个读取序列分解为k-mer来生成德布鲁因图中的边，其中k值的选择需在特异性和覆盖度之间取得平衡。
• 随着新读取序列的到达，图被动态更新，从而通过路径一致性检查实现实时的测序错误检测与纠正。
• 一旦拼接出用户指定数量的基因，算法即终止，避免对多余读取序列的无谓处理。
• 通过拓扑排序和欧拉路径检测，从图中重构共识序列。
• 该方法避免将所有读取序列存储在内存中，而是依赖于增量式图构建以及对低覆盖度或不一致路径的修剪。

实验结果

研究问题

• RQ1 基于德布鲁因图的在线算法是否能通过顺序处理读取序列，在最小内存占用下实现准确的DNA序列拼接？
• RQ2 与传统批量算法相比，该在线方法在准确性和资源效率方面的表现如何？
• RQ3 该算法在拼接出所需基因长度后即停止处理，能在多大程度上减少内存占用？
• RQ4 尽管缺少完整的读取序列集，该增量式德布鲁因图构建方法是否仍能保持足够的拼接准确性？

主要发现

• 该算法仅使用达到用户指定基因长度所必需的最少读取序列，成功重构了目标DNA序列。
• 通过流式处理读取序列，与需存储所有读取序列的批量方法相比，该方法显著降低了内存消耗。
• 增量式图构建支持实时检测和纠正测序错误，通过路径一致性检查实现。
• 尽管未考虑突变，模拟结果表明该方法在短读取数据上仍能保持高拼接准确性。
• 该方法在读取序列利用效率方面接近最优，避免了对多余数据的冗余处理。
• 该方法具有可扩展性，适用于数据持续到达的流式环境，例如实时测序流水线。