Cd-hit: быстрая программа для кластеризации и сравнения больших наборов белковых или нуклеотидных последовательностей

Актуальность: В 2001 и 2002 годах мы опубликовали две статьи (Bioinformatics, 17, 282–283; Bioinformatics, 18, 77–82), описывающие ультрабыструю программу для кластеризации белковых последовательностей под названием cd-hit. Эта программа эффективно кластеризует огромные белковые базы данных с миллионами последовательностей. Однако применение базового алгоритма не ограничивается только кластеризацией белковых последовательностей; в данной работе мы представляем несколько новых программ, использующих тот же алгоритм, включая cd-hit-2d, cd-hit-est и cd-hit-est-2d. Cd-hit-2d сравнивает два набора белковых данных и сообщает о похожих совпадениях между ними; cd-hit-est выполняет кластеризацию базы данных ДНК/РНК; cd-hit-est-2d сравнивает два набора нуклеотидных данных. Все эти программы способны обрабатывать огромные наборы данных с миллионами последовательностей и могут работать в сотни раз быстрее методов, основанных на популярных инструментах сравнения последовательностей и поиска по базам данных, таких как BLAST.