面向可扩展全基因组分析的等位子中心全图矩阵表示

人群规模的全基因组分析日益需要能够统一单核苷酸变异和结构变异的表示方式，并且能够在大型队列中保持可扩展性。现有格式通常是序列中心、路径中心或样本中心的，且常常掩盖人群结构或无法利用载体稀疏性。我们引入 H1 全图矩阵，一种等位子中心表示方法，通过基于载体分布的自适应等位子压缩来编码确切的 haplotype 成员资格。通过将等位子作为一等对象并根据载体分布选择最佳编码，H1 在常见和稀有变异方面实现接近最优的存储效率。我们进一步引入 H2，这是一种源自同一等位子-haplotype 关联信息的、以路径为中心的双重表示方法，通过恢复显式的 haplotype 排序而保持与全图等价的信息内容。使用真实人类基因组数据，我们表明该表示方法在结构变异方面实现了显著的压缩收益，并且在信息内容上等价于全基因组图。H1 为可扩展的全基因组分析以及如稀有变异解释和药物发现等下游应用提供了统一、面向人群的基础。