基于歐拉路徑的并行DNA拼接.pdf

1、DNA序列拼接是基因組測(cè)序的核心問題之一。從1977年Sanger測(cè)序技術(shù)發(fā)明開始，到2005年第二代測(cè)序技術(shù)問世這段時(shí)間，DNA測(cè)序主要采用Sanger測(cè)序技術(shù)。Sanger測(cè)序技術(shù)測(cè)得的DNA片段長(zhǎng)度能達(dá)到1000bp，并且準(zhǔn)確率能夠達(dá)到99.999％。Sanger測(cè)序技術(shù)得到的DNA片段通常用交疊-排列-生成一致序列算法進(jìn)行拼接。
　　與第一代測(cè)序技術(shù)相比，第二代測(cè)序技術(shù)測(cè)得的DNA片段具有長(zhǎng)度較短、錯(cuò)誤率較高以及通量大等特

2、點(diǎn)。針對(duì)這些序列的特點(diǎn)，第二代測(cè)序技術(shù)當(dāng)前有三種拼接策略：貪心算法，交疊-排列-生成一致序列算法，以及基于de Bruijn圖的歐拉路徑算法。這三者中前兩者需要計(jì)算所有DNA片段的共有序列，具有較高的時(shí)間復(fù)雜度?；赿e Bruijn圖的歐拉路徑算法通過將read拆分為k-mer將DNA拼接問題轉(zhuǎn)換為求歐拉路徑問題。歐拉路徑問題有線性時(shí)間算法。
　　本文采用歐拉路徑算法作為作DNA序列拼接算法。第二代測(cè)序技術(shù)的通量很高。第二代測(cè)序

3、技術(shù)在一次運(yùn)行能產(chǎn)生幾G字節(jié)的read數(shù)據(jù)，基于de Bruijn圖歐拉拼接算法將面臨空間的瓶頸。本文描述一個(gè)基于de Bruijn圖的并行拼接算法，該算法通過將由read拆分產(chǎn)生的k-mer分布存儲(chǔ)在多個(gè)進(jìn)程的哈希表中，并對(duì)k-mer編碼降低內(nèi)存消耗。DNA拼接并行執(zhí)行，并通過發(fā)送和接收數(shù)據(jù)包在各個(gè)拼接進(jìn)程之間共享數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明，該并行拼接算法具有近似線性的時(shí)間復(fù)雜度與空間復(fù)雜度，因而具有良好的可擴(kuò)展性，能夠解決較大規(guī)模基因組的序