基于变长子串的DNA重复序列预归并屏蔽方法.pdfVIP

第34卷 第1期 武汉理工大学学报 ·信息与管理工程版 Vo1．34No．1 2012年2月 JOURNALOFWUT(INFORMATIONMANAGEMENTENGINEERING) Feb．2012 文章编号：1007—144X(2012)01—0016—04 文献标志码：A 基于变长子 串的DNA重复序列预归并屏蔽方法 蔡 葵 ，杨进才 (1．武汉理工大学华夏学院，湖北 武汉430223；2．华中师范大学计算机科学系，湖北 武汉430079) 摘 要：针对DNA序列拼接中的重复序列识别及屏蔽问题，通过对前期定长子串方法的改进，提出了一 种基于变长子串的新算法。新算法在扫描shotgun集合时，可以搜集到任意长度子串的重复信息，进一步精确 定位重复序列位置；然后利用变长子串信息对相应的shotgun片段进行预归并，缩减shotgun集合规模。计算 机模拟分析表明，新算法识别重复序列较之定长子串方法精确度更高，并可以有效降低拼接时的计算复杂度。 关键词：序列拼接 ；重复序列；屏蔽；变长子串；预归并 中图分类号：TP301．6 DOI：10．3963／j．issn．1007—144X．2012．O1．005 针对 DNA序列拼接，REPS…方法通过度量 表 1 W为 2的word字查找表 定长子串来确定重复序列。文献 [2—3]以此为 word 编号Nu word 编号Nu 基础，提出了各 自的定长为 k的重复序列识别屏 AA 1 GA 9 AC 2 GC 10 蔽方法。文献 [4]进一步提出了预归并的思想， AG 3 GG 11 但仍然局限于定长子串识别方法，对偏长的DNA AT 4 GT l2 重复序列处理能力不强，识别不够精确。 CA 5 TA 13 笔者在 PreMerged方法 的基础 上，引 入 CC 6 TC 14 HUANG 等提出的Superwordarray概念，继续预 CG 7 TG l5 归并思想，提出了利用变长子串来识别且屏蔽重复 CT 8 rrr 16 序列的VPreM方法。模拟实验证 明，较之 Pre— 大字符串F上 以P位置起始，长为 W的 Merged方法，VPreM方法识别重复序列的精确度 word，其在查找表中的编号Nu，就是P位置的编 更高，并且可以更大规模地缩减shotgun集合规模。 码，记为 Code(p)=Nu。若word中含#，则编号统 1 基于变长子串的预归并算法 一 设为Nu=一1。图1为一个大字符串F编码示 意图。 1．1 基本思想 通过编码可以找出任意两个rfagments之间， 将 shotgun集合