SWeeP: representing large biological sequences datasets in compact vectors
Carregando...
Data
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Artigo de periódico
Título alternativo
SWeeP: representando grandes conjuntos de dados de sequências biológicas em vetores compactos
Primeiro orientador
Membros da banca
Resumo
Abordagens vetoriais e sem alinhamento para a representação de sequências biológicas têm sido exploradas em bioinformática para lidar eficientemente com grandes volumes de dados. Mesmo assim, a maioria dos métodos atuais envolve comparações de sequências por meio de heurísticas baseadas em alinhamento e falha quando aplicadas à análise de grandes conjuntos de dados. Aqui, apresentamos o “Spaced Words Projection (SWeeP)”, um método para representar sequências biológicas usando vetores relativamente pequenos, preservando a comparabilidade entre sequências. O SWeeP utiliza palavras espaçadas, percorrendo as sequências e gerando índices para criar um vetor de dimensão superior que é posteriormente projetado em uma base ortonormal menor e orientada aleatoriamente. Construímos árvores filogenéticas para todos os organismos com dados de proteínas mitocondriais e bacterianas no banco de dados do NCBI. O SWeeP construiu rapidamente árvores completas e precisas para esses organismos com baixo custo computacional. Comparamos o SWeeP com outros métodos sem alinhamento e o SWeeP foi de 10 a 100 vezes mais rápido que as outras técnicas. Uma ferramenta para construir vetores SWeeP está disponível em https://sourceforge.net/projects/spacedwordsprojection/ .
Abstract
Vectoral and alignment-free approaches to biological sequence representation have been explored in bioinformatics to efficiently handle big data. Even so, most current methods involve sequence comparisons via alignment-based heuristics and fail when applied to the analysis of large data sets. Here, we present “Spaced Words Projection (SWeeP)”, a method for representing biological sequences using relatively small vectors while preserving intersequence comparability. SWeeP uses spaced-words by scanning the sequences and generating indices to create a higher-dimensional vector that is later projected onto a smaller randomly oriented orthonormal base. We constructed phylogenetic trees for all organisms with mitochondrial and bacterial protein data in the NCBI database. SWeeP quickly built complete and accurate trees for these organisms with low computational cost. We compared SWeeP to other alignment-free methods and Sweep was 10 to 100 times quicker than the other techniques. A tool to build SWeeP vectors is available at https://sourceforge.net/projects/spacedwordsprojection/.
Assunto
Biologia computacional, Análise de sequência
Palavras-chave
Computational models, Data mining
Citação
Departamento
Curso
Endereço externo
https://www.nature.com/articles/s41598-019-55627-4