← 最新论文
💻 生物信息学

SIFT: Syncmer-Informed Selection of Haplotypes for T2T Imputation

SIFT 是一种压缩索引方法,它利用闭合同步器解析(closed-syncmer parsing)和伪最大精确匹配查询(pseudo-maximal exact match queries),为 T2T 基因组修补从大型泛基因组面板中高效选择多样化的参考单倍型。

原作者: Ferro, E. A., Varki, R., Lin, M.-J., Gagie, T., Langmead, B., Boucher, C. A.

发布于 2026-11-11
📖 1 分钟阅读☕ 轻松阅读

原作者: Ferro, E. A., Varki, R., Lin, M.-J., Gagie, T., Langmead, B., Boucher, C. A.

原始论文采用 CC BY 4.0 许可(https://creativecommons.org/licenses/by/4.0/)。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明

想象一下,你正试图修复一张破碎的、描绘着广袤复杂地形的地图。这张地图被撕成了成千上万个零散的碎片,虽然你能看到每个碎片的边缘,但中间的部分却缺失了。为了修复它,你需要从其他地图的库中找到合适的缺失部分。挑战在于,这个库已经变得规模庞大,包含了数百个略有不同的同一地形版本,每个版本都有其独特的细节。如果你选错了版本来填补空隙,修复后的边缘看起来可能很平滑,但中间部分会出错,从而导致地形图像发生扭曲。这就是科学家研究人类基因组时的日常现实。他们拥有对 DNA 进行测序的能力,但得到的图谱往往是碎片化的。为了使它们完整,他们必须使用来自一个不断增长的参考基因组集合(被称为泛基因组)的序列来“修补”这些缺口。库越大,就越难在不花费数天或数周计算时间的情况下,为每一个微小的缺口找到那个唯一的最佳匹配。

一个研究小组开发了一种名为 SIFT 的新方法来解决这个选择问题。SIFT 并不是尝试将查询序列中的每一个 DNA 字母都与包含数百个基因组的海量库中的每一个字母进行比较,而是根据特定的重复模式将序列分解成易于处理的块。这可以想象成读一本书时,不是通过扫描每一个字母,而是通过识别贯穿全文的独特且固定的短语。研究人员使用一种数学规则来挑选这些短语,以确保如果同一个短语出现在两个不同的地方,它们之间的距离始终是可预测的。这使得计算机可以在无需存储短语之间缺失文本的情况下,直接跳过这些间隙,从而为整个库创建一个高度压缩的索引。当科学家想要修补新基因组中的缺口时,SIFT 会快速扫描这个压缩索引,以寻找哪些参考基因组与该缺口周围的环境拥有最多的匹配短语。随后,它会对这些候选者进行排名,以确定最可能的缺失 DNA 来源。

研究人员在一个包含来自世界各地多样化人群的 472 个人类基因组的海量库上测试了这种方法。他们使用该工具帮助修复了两个特定的人类基因组,一个是欧洲血统,另一个是东亚血统。结果表明,SIFT 能够准确地识别出缺失部分的正确祖先群体,而无需预先告知这些群体的身份。对于欧洲基因组,该工具一致选择了来自欧洲人群的参考序列;对于东亚基因组,它则专门选择了东亚序列。这种精准度至关重要,因为修复的质量高度依赖于所使用的参考序列是否与目标对象的历史相匹配。当研究人员使用 SIFT 建议的这一小组精心挑选的基因组来填补缺口时,最终修复的图谱既与使用全部 472 个基因组创建的图谱同样准确,在某些情况下甚至更加准确。

或许最令人震惊的发现是处理过程的速度。使用包含 472 个基因组的全量库来修复单个人类基因组需要计算机运行超过 500 小时。相比之下,使用 SIFT 方法先筛选出一个约 50 个基因组的小型最优组,仅耗时约 13 分钟。随后使用这个较小组进行实际修复工作所需的时间,也仅为使用全量库所需时间的极小部分,然而最终结果却更为优越。该工具通过观察 DNA 短语的结构,而非通过暴力比对每一个字母来寻找最佳匹配。这意味着,随着人类基因组库继续增长到数千个,科学家们将不必等待数周让计算机去寻找正确的碎片。相反,他们可以使用 SIFT 瞬间定位出最相关的参考资料,从而确保修复后的人类 DNA 图谱既完整,又真实地反映了个体独特的遗传历史。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →