A new method for decontamination of de novo transcriptomes using a hierarchical clustering algorithm

Citation

Lafond-Lapalme, J., Duceppe, M.O., Wang, S., Moffett, P., Mimee, B. (2017). A new method for decontamination of de novo transcriptomes using a hierarchical clustering algorithm. Bioinformatics, [online] 33(9), 1293-1300. http://dx.doi.org/10.1093/bioinformatics/btw793

Plain language summary

Les nouvelles techniques de séquençage (décodage du génome) permettent de savoir quels gènes sont exprimés par un organisme dans une condition donnée. Par contre, ces techniques génèrent un très grand nombre de données qu’il faut trier. Il arrive souvent que ces données soient « contaminées » dû à la présence d’un deuxième organisme non-voulu. Par exemple, l’analyse d’un insecte qui est infecté par un champignon générera des données mélangées de ces organismes, ce qui n’est pas souhaité. Les méthodes précédentes afin de « décontaminer » ces données avaient un potentiel limité. Nous présentons dans ces travaux une nouvelle méthode très prometteuse basée sur la reconnaissance de motifs génétiques. Cette méthode permet de trier les données et de les associer à un seul organisme même sans connaissance des organismes présents dans l’échantillon.

Abstract

Motivation: The identification of contaminating sequences in a de novo assembly is challenging because of the absence of information on the target species. For sample types where the target organism is impossible to isolate from its matrix, such as endoparasites, endosymbionts and soilharvested samples, contamination is unavoidable. A few post-assembly decontamination methods are currently available but are based only on alignments to databases, which can lead to poor decontamination. Results: We present a new decontamination method based on a hierarchical clustering algorithm called MCSC. This method uses frequent patterns found in sequences to create clusters. These clusters are then linked to the target species or tagged as contaminants using classic alignment tools. The main advantage of this decontamination method is that it allows sequences to be tagged correctly even if they are unknown or misaligned to a database.

Publication date

2017-05-01

Author profiles