12、跨宏基因组检索基因组的稀疏非负矩阵分解

跨宏基因组检索基因组的稀疏非负矩阵分解

1. 引言

宏基因组学借助高通量测序技术原位提取微生物群落的基因组信息，在微生物生态学、人类医学等多个领域拓展了我们的认知。宏基因组数据集包含数十亿个无序的小基因组片段，通常只有几百个碱基对，相较于典型的细菌基因组（约$10^6$个碱基对）非常小。由于序列是随机采样的，往往导致组装高度碎片化。

为了解决将来自同一基因组的读数分组的“分箱”问题，主要有两种策略：
- 基于从头组装的分箱策略 ：以从头组装作为预处理步骤，在重叠群水平进行分箱。优点是减少了待聚类对象的数量，并能获得与较长序列相关的更稳健的组成信号。然而，对宏基因组数据集进行从头组装计算量巨大，尤其是在计算机内存方面，还会产生伪影并丢弃大量原始数据。
- 基于未组装读数的分箱策略 ：直接在（未组装的）读数水平进行分箱，然后对得到的低复杂度分区进行有针对性的组装。虽然前期需要处理更多的对象，但这种方法有可能避免从头组装的重要缺点，例如对低丰度序列的偏差。

本文将介绍一种“先分箱后组装”的方法，通过在线稀疏非负矩阵分解将k - 元组丰度协变信号分解为潜在基因组，实现读数水平的分箱。

2. 相关工作

2.1 唯一k - 元组的聚类

许多分箱方法利用唯一k - 元组（长度为k的子串）的出现情况。当k足够长（例如k > 20）时，可以假设大多数k - 元组是基因组特异性的。因此，解决分箱问题等同于对唯一k - 元组进行聚类。Lander - Waterman模型假设随机测序会导致核苷酸覆盖率呈泊松分布，为对给定基因组混合物中