36、Bloom Filter在生物信息学中的应用与挑战

Bloom Filter在生物信息学中的应用与挑战

1. 生物信息学中的Bloom Filter技术

Bloom Filter是一种简单的数据结构，因其低时间和空间复杂度，在处理包含大量重复数据的基因组数据时表现出色。它并非独立技术，但与其他技术结合使用时，能成为适应性很强的数据结构。目前，Bloom Filter在生物信息学的多个领域得到了广泛探索。

2. 特定的生物信息学工具

• Kollector ：这是一种无比对的靶向组装管道，使用渐进式布隆过滤器（Progressive Bloom Filter，PBF）。它有两个阶段，第一阶段是标记，扫描一组基因组读数以选择具有特定长度k - mer重叠的读数对，重叠长度由用户定义；第二阶段是管道，PBF根据固定的读数长度帮助选择具有k - mer重叠的读数。不过，PBF存在偏差，对输入文件中的读数排列敏感。Kollector还实现了ABySS和GMAP进行支架构建，并维护多个参数来控制错误读数的数量。但它偏向于短k - mer，无法重建长读数，例如约20 kbp的读数，原因是它无法识别外显子被长内含子分隔的读数。此外，作为贪心算法，它会选择脱靶区域的读数，并且由于PBF，会选择相对不同的序列。
• ABySS 2.0 ：是ABySS 1.0的新版本，为多阶段从头测序管道。与ABySS 1.0相比，它实现了级联布隆过滤器（cascading Bloom Filter）来减少内存需求并去除错误的k - mer。该过滤器用于表示德布鲁因图（de Bruijn graph），有三个阶段：单元化（uniting）、重叠群（contig