MARC

 008250123s2024        us                              c    eng  d
■001000017162455
■00520250211152014
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383575581
■035    ▼a(MiAaPQ)AAI31331641
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aJoshi,  Dhaivat  Janmejay.
■24510▼aModels,  Algorithms,  and  Downstream  Applications  of  Nanopore  Sequencing
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a168  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-02,  Section:  B.
■500    ▼aAdvisor:  Diggavi,  Suhas  N.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aThe  advent  of  nanopore  sequencing  technology  represents  a  significant  leap  forward  in  the  ability  to  read  long  fragments  of  DNA,  up  to  4M  bases,  surpassing  the  capabilities  of  traditional  short-read  sequencing  methods  that  can  read  a  few  hundred  bases.  Despite  its  potential,  nanopore  sequencing  is  challenged  by  high  error  rates  (5%  −  15%).  In  this  dissertation,  we  presents  a  comprehensive  examination  of  various  computational  approaches  to  address  these  challenges  and  enhance  the  utility  of  nanopore  sequencing  technology  in  genomic  analysis  by  using  an  underlying  physics-based  model  of  nanopore  sequencers  to  guide  our  methods.First,  we  describe  a  mathematical  model  that  describes  the  "nanopore  channel"  which  takes  a  DNA  sequence  as  input  and  outputs  observed  current  variations  in  a  nanopore  sequencer.  This  model  accounts  for  impairments  such  as  inter-symbol  interference,  insertions  deletions,  channel  fading,  and  random  responses.  Moreover,  the  model  also  provides  insights  for  the  error  profiles  in  the  nanopore  sequencer  that  can  be  utilized  to  develop  algorithms  for  downstream  applications.  We  further  study  the  bounds  on  the  information  extraction  capacity  of  nanopore  sequencers  that  provides  benchmarks  for  existing  base-calling  algorithms  and  guidelines  for  designing  improved  nanopores. Our  first  main  algorithmic  work  introduces  QAlign,  a  preprocessing  tool  that  improves  the  accuracy  and  efficiency  of  long-read  aligners  by  converting  nucleotide  reads  into  discretized  current  levels.  This  transformation  captures  the  error  characteristics  of  nanopore  sequencers  studied  in  the  previous  work,  enhancing  alignment  rates  of  nanopore  reads  to  reference  from  around  80%  to  90%,  improving  overlap  quality  for  read-to-read  alignments,  and  read-to-transcriptome  alignment  rates  significantly  across  multiple  datasets.Our  second  main  algorithmic  work  focuses  on  the  detection  of  structural  variants  (SVs)  using  nanopore  sequenced  reads.  We  present  HQAlign,  an  aligner  designed  to  leverage  the  physics  of  nanopore  sequencing  and  SV-specific  modifications  to  enhance  alignment  accuracy.  HQAlign  demonstrates  a  4%  −  6%  improvement  in  detecting  complementary  SVs  compared  to  the  minimap2  aligner,  along  with  substantial  improvements  in  breakpoint  accuracy  and  overall  alignment  rates  for  read  to  reference  alignments  as  compared  to  QAlign  and  minimap2.The  final  algorithmic  work  addresses  the  challenge  of  identifying  heterozygous  variants  using  the  highly  erroneous  nanopore  reads  data  for  developing  algorithms  for  diploid  genome  assembly.  We  propose  an  algorithm  that  identifies  heterozygous  variants  with  a  recall  of  90%  and  precision  of  70%,  facilitating  the  reconstruction  of  diploid  genomes  without  additional  reference  information  or  preliminary  draft  assemblies.Collectively,  these  studies  advance  the  understanding  and  application  of  nanopore  sequencing  technology,  offering  novel  computational  methods  to  mitigate  high  error  rates  and  improve  genomic  analyses,  including  alignment,  structural  variant  detection,  and  diploid  genome  assembly.
■590    ▼aSchool  code:  0031.
■650  4▼aEngineering
■650  4▼aSystematic  biology
■650  4▼aNanotechnology
■650  4▼aBioengineering
■650  4▼aGenetics
■653    ▼aAlgorithms
■653    ▼aGenome  assembly
■653    ▼aNanopore  sequencing
■653    ▼aSequence  alignment
■653    ▼aStructural  variant
■690    ▼a0537
■690    ▼a0202
■690    ▼a0423
■690    ▼a0652
■690    ▼a0369
■71020▼aUniversity  of  California,  Los  Angeles▼bElectrical  and  Computer  Engineering  0333.
■7730  ▼tDissertations  Abstracts  International▼g86-02B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162455▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서