BWT比对算法

简介

BWT算法在多款序列比对软件（BWA，bowtie）中都有涉及，那么对于RNA-seq的2代数据，一般建库长度是单端300bp，双端各150bp左右。

序列比对

对于两个序列进行比对，即pairwise alignment，我们可以按比对方式分为全局比对（NW算法）和局部比对（SW算法）：

当然对于两条短序列，可采用上述算法进行比较，但是如果其中一条序列换成了较长的参考基因组序列，而另一条为fq文件的reads序列，采取这样的方式比对就会显得很慢

因此，为了提高效率，我们首先需要根据参考基因组建立index，然后在Seq 2里面取出一个短序列作为seed，通过seed于ref 的index建立联系，再通过ref index找到附近的序列，然后进行pairwise alignment
那么，建立ref index是通过说明方法建立的呢？

1. 第一代软件

比方说SOAP：

它把参考基因组分成一个个小片段，并且将这些小片段建立成hash关系，也就是说我在序列比对的时候，只要我获取到reads的内容，我就可以match（翻译为完全比对？）到参考基因组上，并获得其位置信息。

2.第二代软件

这里介绍的是BWA，bowtie。而这两款软件除了要对基因组建立index以外，还采用的是BWT算法来实现比对。

(1).什么是BWT算法

step1：假设我有一段序列： ACAACG
那么我们在序列后面加一个“$”符号：

step2：
之后，“$”符号向后平移一个单位，得到 :

“$”符号再向后平移一个单位:得到:

以此类推，最终得到：

这样的序列的排序表，接下来按照字母顺序进行排序（$,A,C,G,T）有：

这个矩阵我们称之为转换矩阵
我们根据F列和L列元素的相对位置就可以推导出该序列的全部信息：
首先，我们单独取出F列和L列

在F列和L列中找到“$”，连接它们，那么在水平位置对应于的G（蓝色箭头）

这个G就是“$”前面的元素:

接下来在F列中找到元素G：

此时F列的G对应L列的C（蓝色箭头），此时序列为：

此时按照上述方法，才F列中找到元素C，由于L列中的元素C为第二个C（上面G后面的C视为第一个C），所以应该对于F列的第二个C

那么此时在L列里面对应元素A：

接下来L列第三个A对应F列第三个A，因此以此类推就可以最终还原（最终对应于L列的$)：

(2).如何实现BWT比对

比方说我现在有一条短序列CAA要比对到ACAACG上，首先说明的是在比对过程中，CAA是反向进行比对的，即A->A->C
由于CAA第一个比对的元素是A，在F列中有三个A，因此我们分类讨论
选择第一个A：

此时比对结果为ACA，不符合
选择第二个A：

结果为$，不符合

选择第三个A：

此时比对结果为CAA，符合原序列

在现实中，CAA可以想象为fq文件reads，ACAACG可以想象为参考基因组，并且在比对中会存在mismatch和gap这种情况的发生，因此软件会对每一种比对的情况进行打分，择优处理

目前 bowtie 是没有gap这一项设定的

参考：https://www.bilibili.com/video/av15743137/

刘小乐哈佛大学课程：https://www.bilibili.com/video/BV1De411s71p

https://www.bilibili.com/video/BV1d4411E7uS?from=search&seid=7482313674070699968