[论文解读] On-line Assembling Mitochondrial DNA from de novo transcriptome

Juan David Arcila Moreno, Santiago Passos+1 more|arXiv (Cornell University)|Jun 9, 2017

Algorithms and Data Compression参考文献 3被引用 4

一句话总结

本文提出了一种在线算法，利用大k-mer的de Bruijn图从转录组数据中从头组装线粒体DNA，以重建无环的完整序列，随后使用基于Boyer-Moore算法的基因检测方法，通过起始和终止密码子识别基因。该方法实现了高性能、实时的基因识别，无需等待完整数据集的加载，但由于过程的在线特性，最终的基因准确性仍不确定。

ABSTRACT

This paper is focused in designing an efficient on-line algorithm to reconstruct a DNA sequence and search the genes in it, we assume that the segment have no mutation or reading error, the algorithm is based on de Bruijn Graph for reconstructing the DNA from the segments taking k-mers large enough no to generate cycles, once the sequence is ready a Boyer-Moore's algorithm implementation is used to search the genes inside de sequence using starts and stop codons, this solution give a high performance when all genes can be found, and there is no need to read all the segments to reach maximum number of genes, but due to the online nature one cannot be sure about the finals genes given

研究动机与目标

• 开发一种高效在线算法，用于从从头转录组数据中重建线粒体DNA序列。
• 实现在序列组装过程中无需等待完整数据输入即可实时检测基因。
• 通过使用足够大的k-mer避免de Bruijn图中的环路，以最小化重建错误。
• 通过Boyer-Moore算法利用起始和终止密码子实现基因发现流程，以实现快速识别。
• 在流式数据场景下保持计算效率的同时，实现高性能的基因检测。

提出的方法

• 使用来自转录组测序读段的大k-mer构建de Bruijn图，以确保无伪影环路的序列重建。
• 采用在线处理策略，随着新k-mer片段的到达，逐步推进序列组装。
• 应用Boyer-Moore算法扫描重建的DNA序列，识别由起始密码子（ATG）和终止密码子（TAA、TAG、TGA）定义的基因区域。
• 依赖于输入片段中无突变或测序错误的假设，以维持重建的保真度。
• 将k-mer大小选择作为关键参数，以平衡de Bruijn图的复杂性与环路避免。
• 以流式方式处理数据，实现在完整数据集完成前即能早期检测基因。

实验结果

研究问题

• RQ1 能否使用在线算法，从从头转录组数据中实时准确重建线粒体DNA？
• RQ2 使用大k-mer在de Bruijn图组装中如何影响环路形成与序列准确性？
• RQ3 在未完成全部数据输入的情况下，基因检测能在多大程度上在组装过程中早期进行？
• RQ4 在线线粒体DNA重建中，速度与完整性之间的性能权衡如何？
• RQ5 由于算法的在线特性，最终序列尚未完全确定时，基因检测的可靠性如何？

主要发现

• 当所有基因均成功重建时，该算法在基因检测中表现出高性能，显示出实时处理的高效性。
• 使用足够大的k-mer可有效防止de Bruijn图中环路的形成，从而确保更准确、线性的序列重建。
• 通过Boyer-Moore的基因检测可早期启动，实现在完整数据集加载前的部分基因识别。
• 该方法无需读取所有片段即可实现最大基因检测，表明基因发现过程具有早期收敛性。
• 尽管性能表现优异，但由于算法的在线特性及运行时序列的不完整性，最终检测到的基因集合仍存在不确定性。
• 该方法在输入数据无测序错误或突变的假设下表现有效，这对重建准确性至关重要。