该文档主要介绍了一种基于装配的方法和概率隐藏马尔科夫模型 (pHMM) 用于纠正长读序列的错误。文档详细描述了对酵母数据进行实验的结果、纠正方法的拓扑结构以及实验设置和数据集。
这种基于装配的纠正方法相对于直接纠正存在哪些优势？ pHMM 的拓扑结构是怎样的？ 在实验中使用了什么样的数据集？ 提示：AI将基于您添加的资源进行思考~ 这种基于装配的纠正方法相对于直接纠正存在哪些优势？
基于装配的纠正方法相对于直接纠正存在以下优势：
- 不需要高测序深度：相较于自我纠正方法，基于装配的纠正方法不需要高测序深度。
- 较高的纠正性能：基于装配的纠正方法能够提供较高的纠正性能，通过将长读序列与由短读组装而成的contigs进行比对，从而利用比对生成的相邻信息进行纠正。
- 减少计算资源消耗：相较于其他基于机器学习的方法，基于装配的纠正方法能够节省至少三分之一的计算资源。
- 较低的内存使用：基于装配的纠正方法相较于基于比对和装配的方法，对内存的使用要求较低。
请注意，以上回答是根据通用知识进行的推断，并非从上下文中获取的信息。
LocPatcH An efficient long-read hybrid error correction algorithm based on local pHMM.pdf
1
2
4
5
6
6
pHMM 的拓扑结构是怎样的？
pHMM的拓扑结构如下图所示：起始和结束状态初始设置为匹配状态，最大连续插入状态的数量设置为10，最大连续删除状态的数量设置为3。请注意，这是根据提供的上下文信息做出的推测回答。
A Long read hybrid error correction algorithm based on segmented pHMM.pdf
1
2
在实验中使用了什么样的数据集？
在实验中，使用了来自 Escherichia coli K-12 MG1655 (E. coli) 和 Saccharomyces cerevisiae S288C (酵母菌) 的数据集，这些数据集是通过 Pacbio、Oxford Nanopore 和 Illumina 技术获得的。数据集的详细信息列在了论文中的表格1中。
LocPatcH An efficient long-read hybrid error correction algorithm based on local pHMM.pdf
2
2
5
5
6
6
标签：装配,纠正,基于,based,pHMM,algorithm
From： https://www.cnblogs.com/wangprince2017/p/17927418.html