【7.2】使用 MinHash 快速估计基因组和宏基因组距离--Mash

Mash 扩展了 MinHash 降维技术，包括成对变异距离和P值显着性检验，从而实现对海量序列集合的高效聚类和搜索。Mash 将大序列和序列集缩减为小的、有代表性的草图，从中可以快速估计全局突变距离。

代码： https://github.com/marbl/mash

Mash 为序列比较提供了两个基本函数：sketch和dist。

• sketch的函数转换序列或序列集合到一个最小哈希草图（MinHash sketch）（图 1）。
• DIST函数比较两个草图和返回的Jaccard指数的估计值（共用的k聚体的即部分），一个P值和Mash距离，其估计序列突变的速率下一个简单的进化模型[ 22 ]（见“方法”）。

由于 Mash 仅依赖于比较长度k子串或 k-mers，输入可以是全基因组、宏基因组、核苷酸序列、氨基酸序列或原始测序读数。每个输入都被简单地视为取自某些已知字母表的 k-mer 的集合，从而允许许多应用。

细心的读者可能注意到了，以上的计算中做了一个随机抽样的近似，这也是Mash可以大大节省资源消耗的一个关键，不难推论，抽样的群体越大，得到的估计值越接近真实值，遗憾的是，这样耗时也会相应增加，文章的实验结论也印证了这一点。

参考资料

• Mash: fast genome and metagenome distance estimation using MinHash。 https://link.springer.com/article/10.1186/s13059-016-0997-x