BWA_Bowtie1/2 比对算法【BWT】

参考：

0.bowtie jimmy 介绍
1.BWT算法
2.BWA mem 算法
3.BBQ（生信基础问题16）-BWA算法原理及软件实用
4.20171026-基于BWT算法的比对软件原理解析（BWA & Bowtie & Bowtie2）
5.BWT-FM 算法（Burrows-Wheeler Transform And FM Index）
6.【哈佛大学】2019年生物信息学与计算生物学课程--刘小乐老师--2020 STAT115 || 英文字幕
7.比对软件 - 专题

---

BWT 算法介绍：

BWT(Burrows Wheeler Transform)

BWT，数据转换算法，其实也是一种压缩算法，基本思想就是找到字符串的重复部分来进行压缩，还可以用来进行序列比对。BWT会将字符串转换成一个类似的字符串，但是转换后的字符串的相同字符是相邻的，这样，我们就可以对数据进行压缩了。这个算法的解压缩也很方便简单。

BWT原理

BWT编码部分

BWT编码压缩步骤如下：

1. 首先对要转换的字符串，添加一个不在字符串里的ASCII码表里最小的字符。如 AGGAGC ——> 。
2. 对字符串进行依次循环移位，得到一系列的字符串，如果字符串长度为 n， 就可以得到n个字符串，如下面图里的第二列所示。
3. 对2中的位移后的一系列的字符串按照ASCII进行排序，如下图的第四列所示，第三列是排序后的字符串的原index位置。
4. 取位移后的一系列字符串的首字母出来作为 F 列， 最后一个字母作为 L 列。如下图 F 列 和L 列所示。
5. L 列就是最后的编码结果。

No.	rotated	index	sorted	F	L	LF
0	AGGAGC$	6	$AGGAGC	$	C	C->$
1	GGAGC$A	3	AGC$AGG	A	G	G->A
2	GAGC$AG	0	AGGAGC$	A	$	$->A
3	AGC$AGG	5	C$AGGAG	C	G	G->C
4	GC$AGGA	2	GAGC$AG	G	G	G->G
5	C$AGGAG	4	GC$AGGA	G	A	A->G
6	$AGGAGC	1	GGAGC$A	G	A	A->G

由编码过程，参考上图，其实可以发现BWT编码有三个特性(循环位移决定)，

1. L 列的第一个元素是源字符串的最后一个元素。
2. 循环位移可知，同一行的 F 列和 L 列的元素在源字符串里是相邻的，而且 L 列元素的下一个字符就是 同行里 F 列的元素。
3. 同一种字符在 F 列和 L 列里的rank是一样的，比方说， F 列里的第二个 A 和 L 列里的第二个 A 在源字符串里是同一个A。 F 列里的第一个 G 和 L 列里的第一个 G 在源字符串里是同一个G,rank如下图所示。

rank

根据以上这三个条件， 我们就可以进行BWT解码，也就是解压缩。

BWT解码部分

BWT解码，已知 L 列， 推源字符串。

1. 由 L 列 得到 F 列。因为L 列 和F 列其实都是源串的字符的不同排列方式，但是我们知道 F 列是按照 ASCII码排序的，所以从 L 就可以推出 F 。
2. 根据第一个性质，我们可以得到源串的最后一个字符是 L 列的第一个字符，作为当前字符(下面依次往前递推)。
3. 依据上一步得到的作为当前字符， 根据第三个性质，我们可以得到同一个字符在 F 列中的位置，作为当前字符。
4. 依据 F 列里的当前字符，根据第二个性质，我们可以得到当前字符的上一个字符是同行里的 L 列里的元素,将新增字符作为当前字符，然后跳转到第 3 步。
5. 直到所有字符全部推算出来。

整个过程如下图所示：

jiema

BWA/Bowtie/Bowtie2 比对算法

三者比对都是基于BWT转换算法，或压缩算法。
由于二代数据数据和三代reads特点存在差别。BWA 这些主要是基于二代测序来设计。

image.png

用于二代测序的比对软件分为SOAP类 ;BWA 类
但是SOAP 是将基因组分成很多小读段，因此内存消耗很大，速度不理想。
BWA此类算法，采用BWT方法，有效节省空间，及其快速确定比对位置。

image.png

下面列出序列建index 过程：

image.png

下面列出用index,获取query 比对位置过程

image.png

一些补充问题：

image.png