基于对称删除查找的闪电式自适应免疫受体相似性搜索

由于适应性免疫受体 (AIR) 具有精细的抗原特异性，个体的 AIR 库记录了免疫历史。读取这一记录需要从序列推断受体功能的计算方法，因为可能的受体-抗原对多样性远远超出了实验知识。识别具有相似序列并因此具有假定相似功能的 AIR 是这些方法中常见的性能瓶颈。在此，我们对五种不同的 Levenshtein 邻居半径搜索算法方法的时间复杂度进行了基准测试。我们表明，最初为拼写检查提出的对称删除查找方法具有高度可扩展性。然后我们引入了 XTNeighbor，这是一种可以在 GPU 上大规模并行化的该算法变体。对于一百万个输入序列，XTNeighbor 在商用硬件上仅需几秒钟即可识别出所有相差最多两次编辑的序列邻居，比现有方法快几个数量级。我们还演示了对称删除查找如何加速使用更复杂序列相似性度量（如 TCRdist）的搜索。我们的贡献有望极大地加速现有分析流程，并能够在不进行下采样的情况下处理大规模免疫测序数据。