Ok-k-mer:用于计算基因组距离的 k-mer 长度集成选择

由 root 提交于 周二, 11/10/2026 - 14:47

内容形式:摘要译文

目前,在大规模基因组序列中计算序列相似性的方法通常以 k-mer 为单位进行,因为与逐碱基比对相比,这种方法效率更高。尽管这些方法采用默认的 k-mer 长度,但近期研究表明,k-mer 长度的具体选择会显著影响准确性;与采用单一 k 值的最佳方案相比,使用多个 k 值能够提高准确性,尤其是在估计能够反映真实系统发育关系的基因组距离时。本文介绍 Ok-k-mer,这是一种用于系统选择加权 k-mer 长度组合的工具,旨在提高成对基因组距离估计的准确性。给定一棵系统发育树,Ok-k-mer 会计算不同 k 值下基因组对的 Jaccard 距离并对其排序,再通过渐进式搜索,最大化加权平均 k-mer 排名与分支距离之间的 Spearman 相关系数 {rho}。在八个基因组分类数据库(Genome Taxonomy Database)数据集上,Ok-k-mer 得出的长度组合均比标准默认 k-mer 长度提高了相关性。在衣原体目(Chlamydiales)分类数据中,三种长度组成的组合 k=(9,17,22) 相较于最佳单一长度(k=20)实现了 23.9% 的相对提升,相较于常用的默认长度 31-mer 则提升了 36.7%。我们还证明,在同一分类单元内对基因组进行子采样时,Ok-k-mer 的 k-mer 长度组合具有稳定性(即长度和权重仅发生小幅变化),但在不同数据集之间则有所不同。Ok-k-mer 还能够为系统发育树的所有子树添加注释,从而揭示出不同的长度组合模式,这些模式可能反映了基因组进化过程的差异。在大规模基因组学时代,Ok-k-mer 为超越“一个 k 值适用于所有情况”的 k-mer 分析范式提供了框架,有助于提高基因组距离估计的准确性。

关键词:k-mer长度选择 · 基因组距离估计 · 无比对序列比较 · 系统发育分析 · 加权集成 · Jaccard距离

原文链接:https://www.biorxiv.org/content/10.64898/2026.11.06.764926v1?rss=1