LAMSA：快速高效的三代序列比对算法-优快云博客

本文来自“生信算法”公众号。

近年来，高通量测序技术的不断发展为基因组学带来了极大的变革，使得生物学家能够在碱基层面进行研究。目前，三代测序已经广泛地应用于基因研究中。常见的三代测序技术有单分子实时测序技术 SMRT（Single Molecule Real-Time）和纳米孔测序技术等。第三代测序技术采用了基于纳米孔的单分子读取技术，在核酸外切酶的作用下，将 DNA 分子以１次１个碱基的速度穿过小孔，从而将 DNA 的４个碱基Ａ、Ｃ、Ｇ、Ｔ清楚地分离出来。这种技术不需要荧光标记物并且不需要进行聚合酶链式反应 PCR（Polymerase Chain Reaction）扩增，能直接并快速地读出 DNA，使大量重复实验成为可能。同时，与二代测序产生较短的测序片段不同，三代测序产生平均长度为３ｋ～1 Mbp 的 DNA 序列片段，又称为 reads，有利于解决 de novo 基因组装和结构变异分析中长期存在的问题。然而，由于测序技术的局限性，三代测序产生的 reads 具有很高的错误率（通常为１５％～３０％），这会影响测序数据分析的各个关键步骤，其中一个重要问题就是序列比对。

序列比对是生物信息学中重要的基础性问题之—。已有研究表明，序列比对能够解释人类种群之间的多样性，也可以解析导致疾病的基因组变异，并可以研究猿类和古人类基因的演化过程。基因序列比对的具体定义是利用相关算法将测序仪测出的 reads 比对到已知生物序列的参考库中，找出reads在基因组上最可能的起源位置，并根据比对结果判断序列间相似性以及相关的生物学特征。从计算的角度来看，由于三代测序reads错误率高，为NGS所创建的序列比对算法不能很好地直接应用到三代测序数据中。

之前本公众号已经介绍了三篇三代序列比对算法，分别为（点击下划线可打开）：

今天给大家介绍的还是由rHAT团队开发的一款三代序列比对算法LAMSA，即由哈尔滨工业大学的王亚东教授实验室开发，2017年发表在Bioinformatics期刊上。博主作为一个算法开发者，自然需要仔细拜读。因此，本次简单介绍LAMSA算法的主要思想，希望对大家有所启发，可以用LAMSA来处理自己的序列。

LAMSA算法思想

LAMSA（Long Approximate Matches-based Split Aligner）算法主要包含三部分，如下图所示：a）首先是种子定位（在整个基因组中找到与待比对序列种子相似的区域），b）然后通过动态规划算法构建种子有向无环图，找到比对路径，c）最后针对不同情况的插入、删除、匹配等情况进行详细的序列比对，得到序列比对结果。