cdhit参数

cdhit参数
CD-HIT是一种广泛应用的聚类工具，用于分析大规模的生物序列数据，例如蛋白质序列或核酸序列。

其参数设置对聚类结果的准确性和速度有重要影响。

以下是常用的CD-HIT参数及其含义。

1. -c：阈值（相似度阈值，0-1之间），表示两个序列之间的相似度必须大于该值才会被聚类到同一簇中。

2. -n：识别域长度，即在比对过程中用于计算相似度的最短匹配长度，可根据序列长度进行调整，一般设置为10。

3. -d：距离阈值，即两个聚类中心之间的距离必须小于该值才会合并。

4. -g：表示序列的全局比对模式，即在比对过程中考虑序列的全部长度，而非只考虑识别域的长度。

5. -s：表示序列的本地比对模式，即在比对过程中只考虑序列中的一个局部片段（例如，BLAST算法中的哈希表检索）。

6. -M：簇大小限制，即簇中序列的最大数量，超过该值的序列将被丢弃。

7. -T：线程数，即用于并行化处理的线程数量，可根据计算机性能进行调整。

8. -r：去除低复杂度序列，即去除由少数碱基组成的序列（例如，ATATATATAT）。

9. -aS：序列长度阈值，即短序列的长度限制，超过该值的序列才会被聚类。

以上CD-HIT参数的选取应根据实际研究设计和数据特征进行调整，以达到最佳的聚类结果。