利用德布鲁因图的欧拉覆盖和BWT实现高效的k-mer数据集压缩

将输入序列转换为其组成k-mer是计算基因组学中的一项基本操作。为了降低与k-mer数据集相关的存储成本，我们引入并正式分析了MCTR，一种用于k-mer多重集无损压缩的新型两阶段算法。我们的核心方法通过计算数据集德布鲁因图的最优欧拉覆盖（最小字符串计数）来实现最小文本表示(W)，这得益于一种高效的局部欧拉化技术。然后使用Burrows-Wheeler变换(BWT)对生成的字符串进行进一步无损压缩。利用德布鲁因图的性质，MCTR被证明具有线性的时间和空间复杂度，并保证原始k-mer多重集（包括频率）的完全重建。使用模拟和真实基因组数据，我们评估了MCTR（列表和频率表示）相对于最先进的有损unitigging工具greedytigs（来自matchtigs）的性能。我们测量了核心执行时间和原始压缩比cmpr = weight(M)/weight(W)，其中M是输入序列数据）。基准测试证实了MCTR的数据保真度，但揭示了无损表示固有的性能权衡。GreedyTigs明显更快。在原始压缩方面，GreedyTigs在其有损序列输出上对嘈杂的真实数据实现了高压缩比（cmpr约14）。在真实数据上，MCTR（频率）显示出适度的原始压缩（cmpr约1.5-2.7），而MCTR（列表）则没有（cmpr约1）。重要的是，完整的MCTR+BWT流水线在增强无损压缩方面显著优于单独的BWT。我们的结果确立了MCTR作为针对需要高效、无损存储和分析k-mer多重集的应用的一个有价值的、有理论依据的工具，补充了针对序列摘要优化的有损方法。