基于压缩后缀数组的空间高效短读比对算法.doc

摘 要 摘 要 新一代基因测序技术 (NGS) 的出现使得测序成本飞速下降，随之而来的是大 量的短读序列需要更快速准确 的比对程序来处理。第一代基于散列表技术的序列 比对算法如 Bowtie 等能够快速准确 的完成比对工作，但其不支持 gap 比对的特性 使得在短读序列 (short reads) 过长导致 indel 出现频繁时，比对的精度也随之下降。 另一方面，近年来压缩索引 (BWT,CSA,FM-index) 领域的相关研究使得在较小内 存中索引人类基因组这样的大规模序列成为可能。这导致近年来出现了很多基于 压缩索引的短读比对算法，如 BWA,Bowtie 等。本文提出了一种基于压缩后缀数 组和后向搜索实现近似匹配的算法来实现短读比对，在比对时间和空间以及比对 精度上都取得了很好的效果。 基于压缩后缀数组的短读比对算法 (CSAA)，采用了压缩后缀数组来构建参 考序列的索引，并使用后向搜索来做匹配。通过引入搜索树，CSAA 实现了近似 匹配算法，从而支持完全的 gap 比对。此外 CSAA 在搜索树上使用了一种类似堆 的优先堆数据结构，大大减小了搜索空间。而且每一次的搜索方向都能保证是最 优的。最后结合罚分机制以及 dif f erence 距离，定义 seed 等方法，进一步降低搜 索空间，提高了 CSAA 的比对速度和精度。 CSAA 的高效体现在三个方面。一是空间高效的索引方法；二是基于后向搜 索的高效的近似匹配方法；三是seed 策略和多线程比对技术的利用。本文采用 了增量法进行压缩后缀数组索引的构建，从而跳过后缀数组的构建，降低了对内 存的需求。而在比对时，seed 的引入使得在比对短读的前几十个核苷酸就可以放 弃大部分无效的搜索方向。多个短读比对的相互独立使得并行化成为可能，使得 CSAA 使用多线程时可以获得数倍的加速优势，从而可以根据计算机的 cpu 核数 指定多个线程，以取得最优的比对速度。 CSAA 支持单端和双端序列比对，以 Fastq 格式输入，输出为标准的 SAM(Seq- uence Alignment Map) 格式。 关键词 ： 短读比对，序列比对，压缩索引，压缩后缀数组 论文类型 : 应用基础研究 i 西安电子科技大学硕士研究生毕业论文 ii ABSTRACT ABSTRACT Nowadays,decreasing cost and better accessibility of next generation sequencing meth- ods have produced a large amount of short reads whic are calling for the development of fast and accurate read alignment programs.The ?rst generation of hash-table based meth- ods has been developed,including MAQ,which is accurate,feature rich and fast enough to align short reads from a single individual.However,Bowtie does not support gapped alignment of longer reads where indels may occur frequently.On the other hand,recent experimental studies on compressed index(BWT,CSA,FM-index)have con?rmed their practicality for indexing very long strings such as human genome in the main mem- ory,and many alignment methods based on compressed index have been developed,for example,BWA.In this paper we show how to build a software called CSAA that exploits a CSA index of reference sequence,and performs well on alignment speed and accuration. We proposed and implemented Compressed Suf?x Array Alignment(CSAA),a new short read alignment t