# K-mer indexing for pan-genome reference annotation

> **NIH NIH U01** · STANFORD UNIVERSITY · 2022 · $300,000

## Abstract

ABSTRACT 
The human genome reference sequence is one of the foundations of genome sciences, especially in the context 
of next-­generation sequencing (NGS) analysis.  The reference has enabled discoveries in biomedical research 
and been particularly instrumental in human disease gene identification.  However, the human genome reference 
is  limited  by  its  static  and  linear  nature.    Specifically,  the  current  reference  lacks  the  featural  and  contextual 
flexibility  to  represent  the  breadth  of  human  variation.    Important  elements  of  individual  genomes  are  either 
missed or incorrectly represented.  As a solution that will bridge the next generation of reference assemblies with 
population genome sequencing studies, we have developed a K-­mer-­based indexing approach.  This method is 
more efficient computationally, provides accurate representation in the context of populations and facilitates the 
analysis  of  diverse  human  genomes.    Our  goal  is  to  use  this  strategy  in  developing  a  robust  computational 
architecture  that  will  encode  and  annotate  large  collections  of  genomes  in  the  context  of  a  pan-­genome 
reference. 
  First, we plan to develop a scalable, efficient K-­mer representation of a large collection of haplotype/phased 
reference genomes, by 1) generating an index of all K-­mers in human reference genome GRCh38 in a manner 
that can efficiently store variant information as metadata, and then 2) incrementally updating the K-­mer index to 
include all novel K-­mers derived from ongoing population sequencing efforts, while 3) developing schemes for 
directly analyzing compressed genomic data. 
  Second, we plan to apply K-­mer representation to genomic analysis by 1) providing the entirety of known 
human  genetic  variation  in  an  aggregated  index  that  is  computationally  efficient  and  easy  to  understand,  2) 
developing functions for our pan-­genomic index that supports ultra-­rapid queries, such as of clinically important 
variants, and 3) linking conventional coordinate information to the K-­mer metadata in the pan-­genome index to 
allow annotating genetic variation to a particular genome reference. 
  Third, we will create an online web portal for the pan-­genome, using cloud computing, to maximize the utility 
of our approach, to promote community engagement and to enabling contribution from the research community.  
We expect that completion of these aims will provide: a scalable computational architecture which incorporates 
the continuous addition of variant information without loss of resolution or accuracy;; rapid query speeds that will 
remain nearly constant as the database grows;; a universally accessible portal using cloud computing. 
  This work will help solve the issues of multiple assemblies.  It will improve researchers’ ability to understand 
the  relationship of  variants and  disease,  while also  providing  great  savings  over  the  long-­term ...

## Key facts

- **NIH application ID:** 10328233
- **Project number:** 5U01HG010963-03
- **Recipient organization:** STANFORD UNIVERSITY
- **Principal Investigator:** Hanlee P Ji
- **Activity code:** U01 (R01, R21, SBIR, etc.)
- **Funding institute:** NIH
- **Fiscal year:** 2022
- **Award amount:** $300,000
- **Award type:** 5
- **Project period:** 2020-02-01 → 2024-01-31

## Primary source

NIH RePORTER: https://reporter.nih.gov/project-details/10328233

## Citation

> US National Institutes of Health, RePORTER application 10328233, K-mer indexing for pan-genome reference annotation (5U01HG010963-03). Retrieved via AI Analytics 2026-05-22 from https://api.ai-analytics.org/grant/nih/10328233. Licensed CC0.

---

*[NIH grants dataset](/datasets/nih-grants) · CC0 1.0*