De novo long reads assembly using integer linear programming
Assemblage de novo de longues lectures par la programmation mathématique linéaire
Résumé
In silico studying a genome requires two steps: sequencing it with cloning and cutting the genome in several reads, and then, assembling the reads. It is well known that the number of sequencing errors is proportional to the reads' size. However, the use of long reads can be an advantage against genome repeated regions issues. De novo is an assembly method which does not use a reference. The purpose of the described here tool, named LOREAS, is to be a de novo assembler in two tasks: first, ordering the long reads, and then, obtaining a consensus sequence of the ordered reads. Currently, only the first task was realised. While other de novo long reads assemblers use heuristics and De Bruijn graphs, LOREAS is based on overlaps similarity between all the long reads. It uses integer linear programming, to find the heaviest path in a graph $G= (V,E,λ)$, where V is the vertices set corresponding to the long reads set, E the set of edges associated with the overlaps between long reads – weighted by λ: the overlap length. When this graph is too huge, the set of reads V is partitioned in several parts. Then, all the parts are solved sequentially. Here we present the solution concerning the first task related to ten bacteria genomes. Seven of them have been successfully solved for less than 12 minutes on a laptop.
Étudier insilico un génome nécessite deux principales tâches: le séquencer, en le clonant puis en le découpant en plusieurs lectures, puis assembler les lectures. Le serreurs de séquençage dépendent de la taille des lectures générées: le taux d'erreur pour les longues lectures est plus important que celui des courtes lectures. Toutefois, les longues lectures permettent de contrer les problèmes issus des régions génomiques répétées. L'assemblage de novo est une méthode qui n'a pas besoin de référence. Le programme présenté LOREAS, a pour but d'être un assembleur de novo en deux étapes: la première consiste à donner un ordonnancement des longues lectures, la deuxième, réaliser une séquence consensus des lectures ordonnancées. Pour le moment, seule la première étape fut réalisée. Alors que d'autres assembleurs de novo usent d'heuristiques et des graphes de De Bruijn, LOREAS est basé sur les similarités de chevauchements entre toutes les lectures. À cette fin, la programmation linéaire en nombres entiers permet de trouver le plus lourd chemin dans un graph $G= (V,E,λ)$, où V est l'ensemble des sommets qui sont les longues lectures, E l'ensemble des arcs représentant les chevauchements entre les longues lectures-pondérés par λ, la longueur de chevauchement. Si le graphe précédent est trop important, l'ensemble V est partitionné en parties distinctes, puis toutes les parties sont résolues séquentiellement. Dix génomes de bactéries simulés séquencés furent résolus pour la tâche d'ordonnancement des longues lectures. Il en résulte sept résultats positifs sur dix obtenus en moins de 12 minutes sur un ordinateur portable.
Fichier principal
M1_BioInformatic_Internship_report_EPAIN_Victor.pdf (1.61 Mo)
Télécharger le fichier
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...