Il progetto riguarda la costruzione e l'analisi di un pangenome graph, che permette di rappresentare e analizzare variazioni genetiche all'interno di un insieme di genomi in bioinformatica. Utilizzando il formato GFA (Graphical Fragment Assembly), ci proponiamo di leggere file GFA e creare un grafo etichettato, nonché di eseguire diverse operazioni su di esso.

Obiettivi del Progetto

I. Lettura e Creazione del Grafo:

• Leggere un file GFA e creare un grafo etichettato e orientato, utilizzando le liste di adiacenza (vector in C++).
• Etichettare i nodi e gli archi del grafo in base alle informazioni fornite nel file GFA.

II. Analisi dei Cammini nel Grafo:

• Considerare tutti i possibili cammini da una sorgente (grado d'ingresso a zero) a una destinazione (grado d'uscita a zero) senza materializzarli tutti.
• Se ci sono più sorgenti o destinazioni, selezionarne una specifica per l'analisi.

III. Ricerca di Cammini con DFS:

• Utilizzare una ricerca in profondità (DFS) per trovare tutti i cammini da una sorgente a una destinazione nel grafo.
• Ignorare l'array booleano “visitato” poiché il grafo è aciclico e utilizzare un array \( S \) di char di appoggio.
• Modificare la visita ricorsiva \( DFS(u) \) vista a lezione, in modo da aggiungere e rimuovere la stringa del nodo \( u \) quando rispettivamente \( u \) viene visitato per la prima volta e quando la visita in \( u \) termina. (Nota: quando \( u \) è nodo di destinazione, quindi con grado di uscita pari a zero, la sequenza corrispondente al cammino dalla sorgente si trova in \( S \).)

IV. Verifica di Pattern nella Sequenza:

• Data una sequenza pattern \( P \) di lunghezza \( K \), verificare se è contenuta in una delle sequenze generate durante la ricerca. In tal caso, \( P \) è chiamata K-mer.
• Utilizzare tecniche di rolling hash per calcolare l'hash delle porzioni di lunghezza \( K \) nella sequenza (hash visto a lezione) e confrontarle con l'hash del pattern \( P \).

V. Calcolo delle Frequenze dei K-mer:

• Identificare la frequenza dei K-mer in un pangenome graph \( G \).
• Calcolare la frequenza di ogni K-mer e il numero delle sue occorrenze. Ad esempio, per \( P = ATA \), la frequenza può essere 2.
• Riportare i 10 K-mer più frequenti in \( G \).

Struttura del GFA

Il formato GFA permette di rappresentare graficamente l'assemblaggio di frammenti genomici. Ogni linea nel file GFA ha un campo specifico:

• H (Header): La prima linea che indica il tipo di formato.
• S (Segment): Linee che descrivono segmenti di DNA.
• L (Link): Linee che descrivono collegamenti tra segmenti.
• P (Path): Linee che descrivono cammini attraverso segmenti.
• L (Walk): Linee che descrivono cammini attraverso segmenti.

Utilizzare solo S per i nodi e L per gli archi.

Esempio di Analisi

Consideriamo un grafo con i seguenti nodi e archi rappresentati in formato GFA: ``` H VN:Z:1.0 S s11 GAT S s12 T S s13 A S s14 CAG S unused GAA S s15 A S s16 T S s17 TA L s11 + s12 + * L s11 + s13 + * L s12 + s14 + * L s13 + s14 + * L s14 + s15 + * L s14 + s16 + * L s15 + s17 + * L s16 + s17 + * P A s11+,s12+,s14+,s15+,s17+ *,*,*,* W sample 1 A 0 10 >s11>s12>s14>s15>s17 W sample 2 A 0 10 >s11>s13>s14>s16>s17 ``` In questo grafo, analizziamo i cammini possibili e verifichiamo se il pattern \( P = TTCA \) è presente in una delle sequenze ottenute.

Conclusioni

Questo progetto permette di comprendere e applicare tecniche avanzate di bioinformatica per l'analisi di variazioni genetiche su larga scala. La rappresentazione tramite pangenomegraph offre una visione dettagliata delle differenze genomiche e facilita l'identificazione di pattern specifici attraverso l'utilizzo di algoritmi efficienti come la DFS e il rolling hash.

Riferimenti - Documentazione del formato GFA - Data set - Canale Team per maggiori info