Применение суффиксных массивов для обнаружения повторов в геномных последовательностях
Назипова Н.Н.
Институт математических проблем биологии РАН – филиал Института прикладной математики Российской академии наук, Пущино, Россия
Аннотация. В последние годы исследователям становятся доступными геномы высших эукариот без пятен неопределенности. Это так называемые T2T (telomere-to-telomere) сборки. По сравнению с референсными геномами, изучавшимися до эры T2T, они состоят из минимального количества несобранных участков или не содержат их вовсе. Теперь стала доступной исчерпывающая информация о теломерах, центромерах, генах рибосомной РНК, сложных хромосомных участках и транспозонных элементах. Для нахождения всех без исключения повторов в геномных последовательностях нужны новые вычислительные подходы. В этой статье мы описали часть алгоритмических проблем, которые были решены нами в ходе работы над технологией обнаружения de novo длинных размытых повторяющихся участков в огромных символьных массивах, которыми представляются геномные последовательности. Многообещающими являются подходы, которые используют k-мерный состав анализируемой последовательности. В статье обсуждается важность подбора адекватного значения k, поскольку результат работы программы поиска зависит от этого ключевого параметра алгоритма.
Ключевые слова: повторы в ДНК, суффиксные и префиксные деревья, суффиксный массив, преобразование Барроуза-Уиллера, k-мерный словарь