基于k-mer的重复序列间替换率估计方法

《Algorithms for Molecular Biology》：A k-mer-based estimator of the substitution rate between repetitive sequences

　　

摘要

背景

基于K-mer的基因组数据分析应用十分广泛，但重复性K-mer的存在仍影响着许多方法的准确性。例如，Mash工具（Ondov等人，2016年）能够通过K-mer概要准确估算两个低重复序列之间的替换率；然而，对于人类染色体的着丝粒这类重复性序列，该工具的准确性较差。Blanca等人（2021年）后续的研究试图在假设序列无重复且突变不会产生虚假K-mer匹配的前提下，建模突变对K-mer集合的影响。不过，将类似Mash的估算工具扩展到存在重复序列的场景时，其理论基础一直较为缺乏。

结果

在本研究中，我们放宽了“序列无重复”的假设，提出了一种新的突变率估算方法。我们为该估算方法的偏差给出了理论上的界限。实验表明，该方法对重复性基因组序列同样具有较高的准确性，比如着丝粒中的阿尔法卫星高阶重复序列。我们还证明了该估算方法在多种数据集以及不同的替换率和K-mer大小范围内都具有稳定性。最后，我们展示了如何通过K-mer概要来避免处理庞大的K-mer集合，同时依然保持准确性。我们的软件可在https://github.com/medvedevgroup/Repeat-Aware_Substitution_Rate_Estimator获取。