Visão geral

A análise K-mer decompõe sequências biológicas em todas as substrings possíveis de comprimento fixo k e conta suas frequências. Esta técnica simples, mas poderosa, captura as propriedades de composição de genomas e transcriptomas sem a necessidade de alinhamento, tornando-a computacionalmente eficiente e livre de referências. As distribuições de frequência K-mer revelam o tamanho do genoma, heterozigosidade, conteúdo repetido e taxas de erro de sequenciamento de leituras brutas antes de qualquer etapa de montagem. A escolha de k envolve uma compensação: valores k pequenos (k < 20) fornecem contagens robustas, mas poder discriminativo limitado, enquanto valores k grandes (k > 50) oferecem alta especificidade, mas menor cobertura.

Conceitos-chave

O espectro k-mer: um histograma de frequências de ocorrência de k-mer, segue uma distribuição semelhante a Poisson em dados ideais. K-mers errados de erros de sequenciamento aparecem como singletons (frequência 1), enquanto k-mers genômicos genuínos formam um pico na profundidade de cobertura esperada. As repetições genômicas produzem picos adicionais em multiplicidades mais altas. Ferramentas como Jellyfish e KMC contam k-mers com eficiência usando tabelas hash ou matrizes de sufixos. Além da contagem, os métodos baseados em k-mer incluem distância k-mer (a fração de k-mers compartilhados entre duas amostras) para filogenia, cobertura k-mer para estimar o tamanho do genoma e espectros k-mer para correção de erros, removendo k-mers abaixo de um limite de cobertura.

Aplicativos

A análise K-mer é essencial para o controle de qualidade do sequenciamento de última geração, detectando contaminação e estimando a cobertura antes da montagem. Em genética bacteriana, os métodos baseados em k-mer distinguem as cepas por suas assinaturas composicionais únicas. O binning metagenômico usa vetores de frequência k-mer para agrupar contigs do mesmo organismo. Projetos de sequenciamento de DNA usam a contagem de k-mer para corrigir erros de sequenciamento, substituindo bases erradas que criam k-mers de baixa frequência.

Protocolo Prático

Para contagem de k-mer com Jellyfish, comece a partir de arquivos FASTQ brutos: medusa count -m 21 -s 100M -t 8 -C -o kmers.jf reads.fastq. Parâmetros: -m 21 define o tamanho de k-mer como 21 (uma especificidade e cobertura de balanceamento padrão comum), -s 100M define o tamanho inicial do hash (aumento para genomas grandes), -C conta ambas as cadeias (k-mers canônicos), -t 8 usa 8 threads. Para genomas grandes (humanos, ~3 Gb), aumente o tamanho do hash: -s 3G. Gere um histograma de frequência k-mer: medusa histo -o kmers.histo kmers.jf. Plote o histograma para visualizar o espectro k-mer: o primeiro pico na frequência 1 representa erros de sequenciamento (singletons), o pico principal na profundidade de cobertura esperada representa k-mers genômicos autênticos e picos adicionais em frequências mais altas indicam sequências repetitivas. Estime o tamanho do genoma usando a fórmula: genoma_size = total_k_mers / peak_frequency. Por exemplo, se o pico principal estiver na cobertura 20× e o total de k-mers for 60 milhões, então o tamanho do genoma ≈ 3 milhões de pb. Use GenomeScope (ferramenta web) para ajustar um modelo de espectro k-mer e estimar o tamanho do genoma, heterozigosidade e conteúdo repetido. Para detecção de contaminação, execute KMC para conjuntos de dados muito grandes: kmc -k21 -m64 -t8 -ci1 reads.fastq kmc_output workdir. Compare o espectro k-mer com assinaturas de referência conhecidas; k-mers inesperados de alta frequência que não correspondem ao genoma esperado podem indicar contaminação bacteriana ou do adaptador. Para binning metagenômico, calcule vetores de frequência k-mer (normalmente frequências de tetranucleotídeos, k = 4) em janelas de 5 kb ao longo de contigs montados usando seqtk comp ou scripts personalizados e, em seguida, agrupe contigs por similaridade de composição usando k-means ou agrupamento hierárquico implementado em MetaBAT2. Para discriminação de deformação, use Mash para calcular distâncias k-mer entre sequências de consulta e bancos de dados de referência: mash sketch genoma.fasta; mash dist genoma.msh referência.msh > distâncias.txt. A distância Mash aproxima a taxa de mutação entre genomas.