gene-hll

Implementación del algoritmo HyperLogLog en C++, con OpenMP e Instrinsics, para cálculo de similitud de genomas mediante índice de Jaccard. El algoritmo se basa en el siguiente paper.

Recibe como entrada múltiples archivos de genomas, y devuelve:

• Las cardinalidades de cada genoma
• El índice de Jaccard de cada par de genomas

Hace uso de la función de hashing wyhash32, pues se encontró que es la más rápida, sin afectar negativamente a los resultados.

Uso

Se compila usando make

Se ejecuta como ./hll -opcion valor genomas, o bien ./hll genomas -opcion valor

Opciones

• -p: Cambia el valor de los p bits. Mínimo: 7, máximo: 31. Por defecto es 22.
• -k: Cambia el largo del kmer. Mínimo: 20, máximo: 31. Por defecto es 31.
• -f: Lee las rutas de los archivos de genomas desde un archivo de texto (1 ruta por linea).
• -s: Guarda los sketches generados en un archivo comprimido.
• -t: Número de hebras Por defecto es el mínimo entre el tamaño del input y la cantidad total máxima de hebras por CPU.
• -d: Lee una ruta de un archivo comprimido, para precargar el sketch.
• -r: Lee las rutas de los archivos comprimidos desde un archivo de texto (1 ruta por linea).
• -o: Guarda el output (matriz de distancias) en un archivo de texto, y no lo imprime por pantalla.

Ejemplo:

./hll -p 22 genoma1 genoma 2 genoma3 ./hll -k 31 -f archivo *./hll -s genoma1 genoma 2 genoma3 -k 32

Nota: El código no detecta opciones inválidas.