面向从头长读长基因组组装的分布式内存并行重叠群生成

从头基因组组装，即从冗余且含错误的短序列重建未知基因组的序列，是许多基因组学流程中的关键但计算密集的步骤。基因组数据的指数增长正增加计算需求，并需要可扩展的高性能方法。本工作中，我们提出一种新颖的分布式内存算法，该算法从基因组的字符串图表示出发并利用稀疏矩阵生成重叠群集合，即构成表示染色体区域的图的重叠序列。利用矩阵抽象，我们掩蔽字符串图中的分支并计算连通分量以将属于同一线性链（即重叠群）的基因组序列分组。然后，我们执行多路数字划分以最小化局部组装（即给定重叠群中序列的拼接）的负载不平衡。基于划分所得分配，我们计算诱导子图函数在进程间重分布序列，得到一组局部稀疏矩阵。最后，我们使用深度优先搜索遍历每个矩阵以拼接序列。我们的算法在128个节点上展现出高达80%的并行效率的良好扩展性，实现了均匀的基因组覆盖并在组装质量方面显示出有前景的结果。我们的重叠群生成算法将组装过程局部化以显著减少该步骤的计算量。我们的工作是在分布式内存中高效从头长读长组装大基因组的一步进展。