Übersicht

Die K-mer-Analyse zerlegt biologische Sequenzen in alle möglichen Teilstrings einer festen Länge k und zählt deren Häufigkeiten. Diese einfache, aber leistungsstarke Technik erfasst die Zusammensetzungseigenschaften von Genomen und Transkriptomen, ohne dass eine Ausrichtung erforderlich ist, wodurch sie recheneffizient und referenzfrei ist. K-mer-Häufigkeitsverteilungen zeigen Genomgröße, Heterozygotie, Wiederholungsgehalt und Sequenzierungsfehlerraten aus Rohdaten vor jedem Assemblierungsschritt. Die Wahl von k beinhaltet einen Kompromiss: Kleine k-Werte (k < 20) liefern robuste Zählungen, aber begrenzte Unterscheidungskraft, während große k-Werte (k > 50) eine hohe Spezifität, aber eine geringere Abdeckung bieten.

Schlüsselkonzepte

Das k-mer-Spektrum – ein Histogramm der Häufigkeit des Auftretens von k-mer – folgt in idealen Daten einer Poisson-ähnlichen Verteilung. Fehlerhafte k-mers aufgrund von Sequenzierungsfehlern erscheinen als Singletons (Häufigkeit 1), während echte genomische k-mers einen Peak bei der erwarteten Abdeckungstiefe bilden. Genomische Wiederholungen erzeugen zusätzliche Peaks bei höheren Multiplizitäten. Tools wie Jellyfish und KMC zählen k-mers mithilfe von Hash-Tabellen oder Suffix-Arrays effizient. Über das Zählen hinaus umfassen k-mer-basierte Methoden den k-mer-Abstand (der Anteil gemeinsamer k-mers zwischen zwei Proben) für die Phylogenie, die k-mer-Abdeckung zur Schätzung der Genomgröße und k-mer-Spektren zur Fehlerkorrektur durch Entfernen von k-mers unterhalb eines Abdeckungsschwellenwerts.

Anwendungen

Die K-mer-Analyse ist ein wesentlicher Bestandteil der Qualitätskontrolle der Next-Generation-Sequenzierung, der Erkennung von Kontaminationen und der Schätzung der Abdeckung vor dem Zusammenbau. In der Bakteriengenetik unterscheiden k-mer-basierte Methoden Stämme anhand ihrer einzigartigen Zusammensetzungssignaturen. Beim metagenomischen Binning werden k-mer-Frequenzvektoren verwendet, um Contigs desselben Organismus zu gruppieren. DNA-Sequenzierung-Projekte verwenden die k-mer-Zählung, um Sequenzierungsfehler zu korrigieren, indem fehlerhafte Basen ersetzt werden, die niederfrequente k-mer erzeugen.

Praktisches Protokoll

Beginnen Sie für die k-mer-Zählung mit Jellyfish mit den rohen FASTQ-Dateien: jellyfish count -m 21 -s 100M -t 8 -C -o kmers.jf reads.fastq. Parameter: -m 21 setzt die k-mer-Größe auf 21 (ein üblicher Standardausgleich zwischen Spezifität und Abdeckung), -s 100M legt die anfängliche Hash-Größe fest (Erhöhung für große Genome), -C zählt beide Stränge (kanonische k-mers), -t 8 verwendet 8 Threads. Erhöhen Sie für große Genome (menschlich, ~3 GB) die Hash-Größe: -s 3G. Generieren Sie ein k-mer-Frequenzhistogramm: jellyfish histo -o kmers.histo kmers.jf. Zeichnen Sie das Histogramm, um das k-mer-Spektrum zu visualisieren: Der erste Peak bei Frequenz 1 stellt Sequenzierungsfehler (Singletons) dar, der Hauptpeak bei der erwarteten Abdeckungstiefe stellt authentische genomische k-mers dar und zusätzliche Peaks bei höheren Frequenzen weisen auf sich wiederholende Sequenzen hin. Schätzen Sie die Genomgröße mithilfe der Formel: genome_size = total_k_mers / Peak_Frequency. Wenn der Hauptpeak beispielsweise eine 20-fache Abdeckung aufweist und die Gesamtzahl der k-mere 60 Millionen beträgt, beträgt die Genomgröße ≈ 3 Millionen bp. Verwenden Sie GenomeScope (Webtool), um ein K-mer-Spektrummodell anzupassen und die Genomgröße, Heterozygotie und Wiederholungsinhalte abzuschätzen. Führen Sie zur Kontaminationserkennung KMC für sehr große Datensätze aus: kmc -k21 -m64 -t8 -ci1 reads.fastq kmc_output workdir. Vergleichen Sie das k-mer-Spektrum mit bekannten Referenzsignaturen; Unerwartete hochfrequente k-mere, die nicht mit dem erwarteten Genom übereinstimmen, können auf eine Bakterien- oder Adapterkontamination hinweisen. Berechnen Sie für das metagenomische Binning k-mer-Häufigkeitsvektoren (typischerweise Tetranukleotidfrequenzen, k=4) in 5-kb-Fenstern entlang zusammengesetzter Contigs mithilfe von seqtk comp oder benutzerdefinierten Skripten und gruppieren Sie dann Contigs nach kompositorischer Ähnlichkeit mithilfe von k-Means oder hierarchischem Clustering, das in MetaBAT2 implementiert ist. Verwenden Sie zur Dehnungsunterscheidung Mash, um k-mer-Abstände zwischen Abfragesequenzen und Referenzdatenbanken zu berechnen: mash sketch genome.fasta; mash dist genome.msh reference.msh > distances.txt. Der Mash-Abstand gibt annähernd die Mutationsrate zwischen Genomen an.