FMtree
FMtree copied to clipboard
chhylp123
人基因组中，长模式 (len=30，Occ为1时，FMtree是否还有效？
程博士好，读了您的文章FMtree，很有收获. 我理解，当一个pattern有多个Occ时，FMtree将排位邻近的Occ一起做LF跳步，可以提高访问bwt串的数据局部性，即cache更有效，减少访存时间. 当人基因组中，取长30的模式时，绝大多数模式都只有1处Occ，这样的长模式，FMtree应该就起不到加速作用了. 看到文章中结果部分，FMtree仍比未优化的FM-index快了8倍，不太理解是什么原因？或者是我理解错了，FMtree是对多个（上千）模式的Occ一起处理？这样可以避免单个长模式Occ为1的情况.
是的，当长度较长的时候，很多pattern的occ只有1。但是有很小比例的pattern的occ依然非常的大，而这部分pattern的occ占比能占到总比例的90%以上。因此这些高频的pattern在总时间占比上依然非常的高。而且现在Grch38上是缺失了大量的repeat区域的，如果考虑这些高度重复的区域，高频pattern占比会更高。不过如何使用的确是个问题，因为现在的short read mapper倾向于直接把这些高频pattern丢弃。
明白了，找全模式下，要对所有Occ做定位，少量高频模式的定位占大部分时间。目前多数short read mapper是找最优. 还有个问题，FMtree应该是对同一个patter的多个Occ进行批量处理的吧？ 而不是对多个patter的Occ进行批量处理 (因为patter不同，SA排位区间也不同，FMtree在这种情况下起不到优化作用. 是这样的吗？
是的。理论上是可以对多个pattern同时处理，但是这样从方法的角度上来说没有什么太大意义，FMtree本身是一个轻量的方法。我自己感觉随着reference genome越来越全，重复区域很多都被包含进去，也许best-mapping以后也不一定完全丢弃所有高频的seed。