[發明專利]一種核酸第三代測序原始數據的處理方法及其應用

有效

• 申請號: 201710150622.6
• 申請日: 2017-03-14
• 公開（公告）號: CN108573127B
• 公開（公告）日: 2021-04-27
• 發明（設計）人: 劉亞斌;鄧天全;賀麗娟;楊林峰;高強
• 申請（專利權）人: 深圳華大基因科技服務有限公司
• 主分類號: G16B20/30
• 分類號: G16B20/30
• 代理公司: 深圳鼎合誠知識產權代理有限公司 44281
• 代理人: 彭家恩;羅瑤

1.一種核酸第三代測序原始數據的處理方法，其特征在于：包括將第二代短序列數據比對到第三代自糾錯數據上，統計比對結果中第三代自糾錯數據的單堿基覆蓋深度，將單堿基覆蓋深度低于閾值的區域屏蔽為N，采用第二代測序的補洞軟件對N屏蔽區域進行補洞，以獲得單堿基錯誤率較低的核酸第三代測序數據。

2.根據權利要求1所述的處理方法，其特征在于：具體包括以下步驟，

（a）根據接頭序列信息、低質量堿基占整條序列的百分比、含N個數占整條序列的百分比以及復制序列情況，對相同核酸待測樣品的第二代測序原始數據進行過濾處理，獲得第二代短序列數據；

（b）根據接頭序列、序列長度和序列質量值，對相同核酸待測樣品的第三代序列原始數據進行過濾處理，獲得第三代長序列數據；

（c）對步驟（b）獲得的第三代長序列數據，通過多重序列比對的方法將20倍以上的第三代數據的錯誤率降低到3%左右，獲得第三代自糾錯數據；

（d）將步驟（a）獲得的第二代短序列數據比對到步驟（c）的第三代自糾錯數據上，統計第三代自糾錯數據中單堿基覆蓋深度以及長序列的覆蓋率；

（e）將單堿基覆蓋深度低于閾值的區域屏蔽為N，獲得屏蔽后的第三代自糾錯數據；

（f）將步驟（e）中獲得的含有N的屏蔽后的第三代自糾錯數據視為含洞的骨架序列，采用至少兩種不同的第二代測序短序列補洞軟件，分別對屏蔽后的第三代自糾錯數據進行補洞，獲得第三代二次自糾錯數據，并提取獲得所有補洞序列；

（g）將所有補洞序列與其相應的被屏蔽處的原始序列進行一一比對，相似度低于相似性閾值的區域還原為原始序列，相似度高于或等于相似性閾值的區域替換為補洞序列，并且，將沒有補洞或者補洞不完全的區域還原為原始序列，即獲得最終的核酸第三代測序數據。

3.根據權利要求2所述的處理方法，其特征在于：在將步驟（a）獲得的第二代短序列數據比對到步驟（c）的第三代自糾錯數據上之前，還包括步驟（a2）根據步驟（a）獲得的第二代短序列數據構建K-mer頻譜，通過K-mer頻譜對所述第二代短序列數據進行糾錯，獲得高精準的第二代短序列數據，再將該高精準的第二代短序列數據用于步驟（d），與步驟（c）的第三代自糾錯數據比對。

4.根據權利要求3所述的處理方法，其特征在于：所述K-mer頻譜的構建以及K-mer頻譜對所述第二代短序列數據進行糾錯采用的軟件為Soapdenovo2軟件包及其糾錯模塊SOAPec-2.0。

5.根據權利要求2所述的處理方法，其特征在于：所述步驟（e）中，具體的將單堿基覆蓋深度低于3的區域屏蔽為N；所述步驟（g）中，相似性閾值為95%。

6.根據權利要求2-5任一項所述的處理方法，其特征在于：在步驟（e）之前，還包括步驟（d2）將雙末端覆蓋深度為0的堿基切除，并刪除覆蓋率低于25%的長序列。

7.根據權利要求6所述的處理方法，其特征在于：所述步驟（c）采用的自糾錯軟件為MHAP、Falcon、HGAP或Canu。

8.根據權利要求6所述的處理方法，其特征在于：所述步驟（d）和（e）采用的軟件為Soap2或Bwa；所述步驟（f）中采用了兩種補洞軟件進行補洞，具體為KGF和Gapcloser；所述步驟（g）中采用的比對軟件為Blast+。

9.一種核酸測序平臺或系統，其特征在于：所述核酸測序平臺或系統采用權利要求1-8任一項所述的處理方法對測序獲得的原始數據進行處理。