重访 K-mer 谱型以实现有效且可扩展的基因组表示学习

获得 DNA 序列的有效表示对于基因组分析至关重要。例如，宏基因组 binning 依赖于基因组表示来聚类来自生物样本的复杂 DNA 片段混合物，以确定其微生物组成。在本文中，我们重新审视了基于 k-mer 的基因组表示，并对其在表示学习中的应用进行了理论分析。基于该分析，我们提出了一种轻量级且可扩展的模型，用于在基因组读取水平上进行宏基因组 binning，仅依赖 DNA 片段的 k-mer 组成。我们将该模型与近期的基因组基础模型进行了比较，结果表明尽管两者在性能上相当，但所提出的模型在可扩展性方面显著更优，而可扩展性是处理真实世界数据集进行宏基因组 binning 的关键方面。