kmerRRR：一种基于 k-mer 的用于重复富集区域功能基因组学研究的工具

高度重复序列会给基因组组装与分析带来问题。尽管长读长测序技术的进步以前所未有的分辨率揭示了重复基因组序列的组织结构，但其功能表征仍然困难，因为用于检测蛋白质-DNA相互作用和表征表达的分子实验通常依赖短读长测序。这些区域的重复性特征对依赖序列比对的方法构成了重大挑战，而对于短读长而言，这一问题尤为严重。重复基因组区域通常具有较低的可比对性，导致在后续筛选过程中出现大量信息丢失。为应对这一挑战，我们开发了一种生物信息学工具——`kmerRRR`，其利用 k-mer 频率分析来提高重复区域的可比对性。`kmerRRR` 将用户定义位点内的 k-mer 频率与其在全基因组范围内的频率进行比较，从而识别出相对于全局背景在局部富集的重复序列。该方法对位点唯一性进行量化，使用户能够区分“在全局范围内具有重复性”的序列与“虽具有重复性但仅局限于特定基因组位点”的序列。我们通过重新分析人类、果蝇和拟南芥着丝粒的染色质谱分析数据以及小 RNA 测序数据，展示了该方法的实用性。结果表明，在重复区域中纳入局部 k-mer 比值信息能够提高读段保留率并增强信号解释能力，从而恢复在常规分析中通常丢失的、具有生物学意义的信息。该工具基于 MIT 许可证在 GitHub 上免费提供：（https://github.com/LarracuenteLab/kmerRRR）。

高度重复序列给基因组组装与分析带来了问题。尽管长读长测序技术的进步已帮助以前所未有的分辨率揭示重复基因组序列的组织方式，但其功能表征仍然困难，因为用于探测蛋白质-DNA相互作用和表征表达的分子检测方法通常依赖短读长测序。这些区域的重复性特征对依赖序列比对的方法构成了重大挑战，而对于短读长而言，这一问题尤为严重。重复基因组区域往往具有较低的可比对性，导致在下游过滤过程中出现大量信息丢失。为应对这一挑战，我们开发了一种生物信息学工具 `kmerRRR`，利用 k-mer 频率分析提高重复区域的可比对性。`kmerRRR` 将用户定义位点内的 k-mer 频率与其在整个基因组中的频率进行比较，以识别相对于全基因组背景在局部显著富集的重复序列。该方法可量化位点的独特性，使用户能够区分在全基因组范围内重复出现的序列与虽然具有重复性但仅局限于特定基因组位点的序列。我们通过重新分析人类、果蝇和拟南芥着丝粒的染色质图谱数据以及小RNA测序数据，展示了该方法的实用性。结果表明，在重复区域中纳入局部 k-mer 比率信息可提高读段保留率并增强信号解读能力，从而恢复在传统分析中通常会丢失的、具有生物学意义的信息。该工具依据 MIT 许可证免费提供，GitHub 地址为：（https://github.com/LarracuenteLab/kmerRRR）。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.21.732238v1?rss=1

🏷️ k-mer分析 重复序列 功能基因组学 短读长测序 着丝粒 生物信息学工具