Edlib：方便快速的长序列比对软件包

本文来自“生信算法”公众号。

        序列比对（sequence alignment）又称序列联配， 为确定两个或多个序列之间的相似性（similarity） 或同源性（homology） ，将序列按照一定规律进行排列的操作。序列相似性和序列同源性为两个不同的概念，序列相似性是可以量化的参数，是一个数量值，如相似性为90%。而同源性指两条序列是否来自共同祖先，来自同一祖先则为同源序列。一般而言，序列相似性越高，其同源可能性越大。

        序列比对经过多年的发展， 已提出了一系列算法，其中Needleman-Wunsch算法（NW算法）是全局比对的经典算法，而Smith-Waterman算法（SW算法）是局部比对的代表性算法。NW算法和SW算法都采用动态规划算法实现序列联配。二代、 三代序列比对算法基本上利用NW和SW算法得到序列比对结果。

        序列比对是宏基因组数据分析的基础，但非常耗时，尤其是对于长序列。随着测序技术的发展，尤其是第三代单分子测序技术的出现，产生的序列长度平均值可以超过20000 bp。如此长的序列比对，需要消耗更多的计算时间和计算内存。为了提高长序列比对速度，Martin Sosi等人2017年在Bioinformatics期刊上发表了一篇快速序列比对软件包Edlib，可实现长序列，甚至长基因组之间的序列比对。

如何使用 Edlib 序列比对包

        Edlib主要基于Myers’s bit-vector （位相量）实现序列比对过程，而且采用了带状比对（banded alignment）思想，可以进一步提高运算速度和降低内存消耗。Edlib实现过程比较复杂，不容易理解，对计算机数据结构、编程技巧有较高的要求。本次不做详细解读，主要高速大家怎么用 Edlib 软件包。Edlib是用C++语言编的，主要包含两个文件：edlib.h 头文件和edlib.cpp源文件。

        首先在Github上下载Edlib源代码：

git clone https://github.com/Martinsos/edlib.git

        然后用CMake命令进行安装：

cd build && cmake -D CMAKE_BUILD_TYPE=Release .. && make

        然后在 bin/ 目录中会生成二进制文件：

        执行以下命令进行测试：

        

.runTests

        Edlib运行时候需要包括"edlib.h"文件，如下：

#include <cstdio>
#include "edlib.h"

int main() {
    EdlibAlignResult result = edlibAlign("hello", 5, "world!", 6, edlibDefaultAlignConfig());
    if (result.status == EDLIB_STATUS_OK) {
        printf("edit_distance('hello', 'world!') = %d\n", result.editDistance);
    }
    edlibFreeAlignResult(result);
}

        Edlib主程序实现函数为edlibAlign（上面第5行），需要5个参数，其中第一个是比对的第一条序列，第二个参数为序列的长度，第三个是第二条序列，第四个是序列的长度，第五个是比对模式设置，一般用默认值。

        Edlib比对模式（EDLIB_MODE）有三种设置，分别为NW、SHW和HW模式。比如我们有两条序列需要进行比对：

s1= GCTAACTGGC 和 s2=CGTAGCTG 

        NW模式就是我们之前的全序列比对，SHW模式是从序列 s1 开始，只比对到序列 s2的末端，HW是寻找序列 s2 和序列 s1 之间最相似的部分，也就是半全局（semi-global sequencealignment ）比对。

         具体实现不同的比对模式如下图第5个参数：EDLIB_MODE_HW

edlibAlign(seq1, seq1Length, seq2, seq2Length, edlibNewAlignConfig(42, EDLIB_MODE_HW, EDLIB_TASK_PATH, NULL, 0));

比对结果

        Edlib和其他2个方法SeqAn和Parasail进行了比较，从下表中可以看出，比对的序列长度都是10000 bp起步，Edlib实现的序列比对速度明显高于其他方法，尤其是序列相似性越高，比对的速度越快。

参考资料：

1. Šošić M, Šikić M. Edlib: a C/C++ library for fast, exact sequence alignment using edit distance. Bioinformatics, 2017, 33(9): 1394-1395.