[發(fā)明專利]測序數(shù)據(jù)的處理方法及裝置

無效

• 申請?zhí)枺?/td>: 201110391826.1
• 申請日: 2011-11-30
• 公開（公告）號: CN102831330A
• 公開（公告）日: 2012-12-19
• 發(fā)明（設(shè)計）人: 田仕林;周廣宇;李瑞強(qiáng)
• 申請（專利權(quán)）人: 北京諾禾致源生物信息科技有限公司
• 主分類號: G06F19/18
• 分類號: G06F19/18
• 代理公司: 北京康信知識產(chǎn)權(quán)代理有限責(zé)任公司 11240
• 代理人: 吳貴明;余剛

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)處理領(lǐng)域，具體而言，涉及一種測序數(shù)據(jù)的處理方法及裝置。

背景技術(shù)

隨著高通量測序技術(shù)的迅速發(fā)展，DNA測序的能力也越來越強(qiáng)，然而，現(xiàn)有技術(shù)中在進(jìn)行測序時存在一些沒法避免的測序錯誤問題，比如由于接頭序列污染導(dǎo)致的測序錯誤；由于文庫的隨機(jī)性導(dǎo)致測序GC含量偏差和測序序列重復(fù)片段比例過高；此外，還有測序儀本身所帶來的測序誤差等，這些測序錯誤問題的存在導(dǎo)致難以從測序序列中獲取高準(zhǔn)確性的測序數(shù)據(jù)，造成生物信息分析員在進(jìn)行質(zhì)量控制時不能準(zhǔn)確地對測序數(shù)據(jù)進(jìn)行處理。

針對相關(guān)技術(shù)中難以從測序序列中獲取高準(zhǔn)確性的測序數(shù)據(jù)的問題，目前尚未提出有效的解決方案。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供一種測序數(shù)據(jù)的處理方法及裝置，以解決現(xiàn)有技術(shù)中難以從測序序列中獲取高準(zhǔn)確性的測序數(shù)據(jù)的問題。

為了實現(xiàn)上述目的，根據(jù)本發(fā)明的一個方面，提供了一種測序數(shù)據(jù)的處理方法，包括：接收測序序列的第一測序數(shù)據(jù)；以及篩除第一測序數(shù)據(jù)中的第一測序片段的測序數(shù)據(jù)，得到第二測序數(shù)據(jù)，其中，第一測序片段為測序序列中含有接頭序列的測序片段。

進(jìn)一步地，篩除第一測序數(shù)據(jù)中的第一測序片段的測序數(shù)據(jù)，得到第二測序數(shù)據(jù)包括：將第一測序數(shù)據(jù)與接頭序列庫中的數(shù)據(jù)進(jìn)行對比以確定第一測序數(shù)據(jù)中是否含有第一測序片段的測序數(shù)據(jù)；以及在確定第一測序數(shù)據(jù)中含有第一測序片段的測序數(shù)據(jù)時，篩除第一測序數(shù)據(jù)中的第一測序片段的測序數(shù)據(jù)，得到第二測序數(shù)據(jù)。

進(jìn)一步地，在篩除第一測序數(shù)據(jù)中的第一測序片段的測序數(shù)據(jù)，得到第二測序數(shù)據(jù)之后，上述方法還包括：根據(jù)第二測序數(shù)據(jù)計算測序序列中對應(yīng)位置的第一堿基和第二堿基的個數(shù)含量，得到第一堿基的含量分布和第二堿基的含量分布，其中，第一堿基和第二堿基為測序序列中一對互補(bǔ)的嘌呤堿基和嘧啶堿基。

進(jìn)一步地，在根據(jù)第二測序數(shù)據(jù)計算測序序列中對應(yīng)位置的第一堿基和第二堿基的個數(shù)含量，得到第一堿基的含量分布和第二堿基的含量分布之后，上述方法還包括：判斷測序序列是否為已知物種的測序序列；以及在確定測序序列為已知物種的測序序列時，將第一堿基的含量分布和第二堿基的含量分布與標(biāo)準(zhǔn)含量分布進(jìn)行對比以確定測序序列的質(zhì)控質(zhì)量。

進(jìn)一步地，在根據(jù)第二測序數(shù)據(jù)計算測序序列中對應(yīng)位置的第一堿基和第二堿基的個數(shù)含量，得到第一堿基的含量分布和第二堿基的含量分布之后，上述方法還包括：判斷第一堿基的含量分布與第二堿基的含量分布是否一致；以及在確定第一堿基的含量分布與第二堿基的含量分布不一致時，確定測序序列存在測序錯誤。

進(jìn)一步地，在根據(jù)第二測序數(shù)據(jù)計算測序序列中對應(yīng)位置的第一堿基和第二堿基的個數(shù)含量，得到第一堿基的含量分布和第二堿基的含量分布之后，上述方法還包括：判斷測序序列是否為未知物種的測序序列；以及在確定測序序列為未知物種的測序序列時，將第一堿基的含量分布和第二堿基的含量分布作為未知物種的第一堿基和第二堿基含量的預(yù)測值。

進(jìn)一步地，在篩除第一測序數(shù)據(jù)中的第一測序片段的測序數(shù)據(jù)，得到第二測序數(shù)據(jù)之后，上述方法還包括：計算第二測序數(shù)據(jù)中測序片段對應(yīng)位置的堿基質(zhì)量的平均值；以測序片段對應(yīng)位置的堿基質(zhì)量的平均值作為測序序列對應(yīng)位置的堿基質(zhì)量；以及統(tǒng)計測序序列的堿基質(zhì)量的位置分布。

進(jìn)一步地，在篩除第一測序數(shù)據(jù)中的第一測序片段的測序數(shù)據(jù)，得到第二測序數(shù)據(jù)之后，上述方法還包括：計算第二測序數(shù)據(jù)中不同堿基質(zhì)量所對應(yīng)的堿基數(shù)目；以及統(tǒng)計測序序列的堿基質(zhì)量的數(shù)目分布。

進(jìn)一步地，上述方法還包括：按照下式計算測序錯誤率，得到測序錯誤率分布：

Q＝-10log₁₀?E

其中，Q為堿基質(zhì)量，E為測序錯誤率。

進(jìn)一步地，在計算第二測序數(shù)據(jù)中不同堿基質(zhì)量所對應(yīng)的堿基數(shù)目；以及統(tǒng)計測序序列的堿基質(zhì)量的數(shù)目分布之后，上述方法還包括篩除第二測序數(shù)據(jù)中的第二測序片段和第三測序片段的測序數(shù)據(jù)，得到第三測序數(shù)據(jù)，其中，第二測序片段為含有第三堿基的測序片段，其中，第三堿基為堿基質(zhì)量小于預(yù)設(shè)質(zhì)量且堿基數(shù)目在第二測序片段中的比例大于第一預(yù)設(shè)比例的堿基，第三測序片段為含有第四堿基的測序片段，其中，第四堿基為未知堿基且在第三測序片段中的比例大于第二預(yù)設(shè)比例的堿基。

進(jìn)一步地，在篩除第二測序數(shù)據(jù)中的第二測序片段和第三測序片段，得到第三測序數(shù)據(jù)之后，上述方法還包括：根據(jù)第三測序數(shù)據(jù)中測序片段的堿基的排序判斷第三測序數(shù)據(jù)中的任意兩條測序片段是否為重復(fù)的測序片段；以及在確定第三測序數(shù)據(jù)中任意兩條測序片段是重復(fù)的測序片段時，將其中一條篩除。