K-mer indexing for pan-genome reference annotation

摘要： 人类基因组和参考序列研究是人类基因组学的重要基础研究之一，特别是在人类基因组学的背景下。 下一代基因组测序技术(NGS)的研究分析。这一参考文献已经使我们能够在生物医学和生物医学研究中获得新的发现。 特别是在人类遗传病和基因识别方面发挥了重要作用。然而，人类基因组的研究并不是最重要的。 它的局限性在于它的静态特性和线性特性。具体地说，就是当前的参考模型缺乏最大的特色和更好的语境。 灵活性能够代表人类基因组变异的最大广度。个体基因组的一些重要元素也不是。 遗漏了数据或错误地表示了数据。作为一种有效的解决方案，它将成为连接下一代数据引用和程序集之间的桥梁。 人口、基因组和测序是一种研究，我们可能已经发展出一种基于K-mer的基因索引方法。 在计算上更高效，它在不同人口的背景下提供了更准确的数据表示，并促进了数据的更新。 分析人类基因组的多样性。我们的目标是更好地利用这一战略来开发一种更强大的计算能力。 这一体系结构表示，他们将在构建泛基因组的新背景下，对大量的生物基因组集合进行编码和注释。 参考文献。 首先，我们计划开发一种可扩展的、高效的单倍型/分阶段的大型数据集合体的K-mer表示方法。 参考基因组，由1)以一种简单的方式生成人类所有参考基因组GRCh38中所有K-MERS的索引列表。 这样就可以高效地存储各种不同的信息，如元数据，然后(2)增量地更新K-mer数据索引。 包括从正在进行的人口和测序工作中衍生出来的所有新的K-MERS，同时还包括制定新的K-MERS计划。 直接分析压缩后的基因组数据。 第二，我们计划在1)之前将K-mer表示法应用于基因组DNA分析，从而提供所有已知的信息。 人类的遗传变异出现在一个综合指数中，该指数在计算上非常高效，而且很容易理解。 开发这些功能有助于建立我们最新的泛基因组数据库索引，该索引可以支持一些超快速的数据查询，例如一些具有临床重要性的数据。 变体、序列和序列3)将常规基因组序列与信息流相关联，以将泛基因组序列索引中的元数据添加到基因组序列索引中。 允许对遗传基因变异进行注释，以提供特定的基因组参考。 第三，我们将通过使用云计算，为人类泛基因组创建一个更好的在线研究网络门户网站，以实现人类效用的最大化。 在我们的方法中，我们希望促进社区的参与，并鼓励社区研究和社区的贡献。 我们可以预计，这些目标的完成将提供：一个高度可扩展的计算环境体系结构，其中包括。 不断添加各种不同的数据信息，而不会损失分辨率或准确性；;的快速数据查询速度比它所能做到的更快。 随着云数据库的增长，它几乎保持不变；;是一个全球通用的可访问的门户网站，使用的是云计算。 这项工作将有助于更好地解决多个组件的问题，也将有助于提高研究人员的理解能力。 基因变异与疾病的关系密切，同时也为基础设施的长期发展提供了巨大的成本节约。 以及更高的计算成本。

ABSTRACT  The human genome reference sequence is one of the foundations of genome sciences, especially in the context  of next-­generation sequencing (NGS) analysis.  The reference has enabled discoveries in biomedical research  and been particularly instrumental in human disease gene identification.  However, the human genome reference  is  limited  by  its  static  and  linear  nature.    Specifically,  the  current  reference  lacks  the  featural  and  contextual  flexibility  to  represent  the  breadth  of  human  variation.    Important  elements  of  individual  genomes  are  either  missed or incorrectly represented.  As a solution that will bridge the next generation of reference assemblies with  population genome sequencing studies, we have developed a K-­mer-­based indexing approach.  This method is  more efficient computationally, provides accurate representation in the context of populations and facilitates the  analysis  of  diverse  human  genomes.    Our  goal  is  to  use  this  strategy  in  developing  a  robust  computational  architecture  that  will  encode  and  annotate  large  collections  of  genomes  in  the  context  of  a  pan-­genome  reference.    First, we plan to develop a scalable, efficient K-­mer representation of a large collection of haplotype/phased  reference genomes, by 1) generating an index of all K-­mers in human reference genome GRCh38 in a manner  that can efficiently store variant information as metadata, and then 2) incrementally updating the K-­mer index to  include all novel K-­mers derived from ongoing population sequencing efforts, while 3) developing schemes for  directly analyzing compressed genomic data.    Second, we plan to apply K-­mer representation to genomic analysis by 1) providing the entirety of known  human  genetic  variation  in  an  aggregated  index  that  is  computationally  efficient  and  easy  to  understand,  2)  developing functions for our pan-­genomic index that supports ultra-­rapid queries, such as of clinically important  variants, and 3) linking conventional coordinate information to the K-­mer metadata in the pan-­genome index to  allow annotating genetic variation to a particular genome reference.    Third, we will create an online web portal for the pan-­genome, using cloud computing, to maximize the utility  of our approach, to promote community engagement and to enabling contribution from the research community.   We expect that completion of these aims will provide: a scalable computational architecture which incorporates  the continuous addition of variant information without loss of resolution or accuracy;; rapid query speeds that will  remain nearly constant as the database grows;; a universally accessible portal using cloud computing.    This work will help solve the issues of multiple assemblies.  It will improve researchers’ ability to understand  the  relationship of  variants and  disease,  while also  providing  great  savings  over  the  long-­term  in  infrastructure  and computing costs.