[發(fā)明專利]一種核酸第三代測(cè)序原始數(shù)據(jù)的處理方法及其應(yīng)用

有效

• 申請(qǐng)?zhí)枺?/td>: 201710150622.6
• 申請(qǐng)日: 2017-03-14
• 公開（公告）號(hào): CN108573127B
• 公開（公告）日: 2021-04-27
• 發(fā)明（設(shè)計(jì)）人: 劉亞斌;鄧天全;賀麗娟;楊林峰;高強(qiáng)
• 申請(qǐng)（專利權(quán)）人: 深圳華大基因科技服務(wù)有限公司
• 主分類號(hào): G16B20/30
• 分類號(hào): G16B20/30
• 代理公司: 深圳鼎合誠(chéng)知識(shí)產(chǎn)權(quán)代理有限公司 44281
• 代理人: 彭家恩;羅瑤

本申請(qǐng)公開了一種核酸第三代測(cè)序原始數(shù)據(jù)的處理方法及其應(yīng)用。本申請(qǐng)的核酸第三代測(cè)序原始數(shù)據(jù)的處理方法，包括將第二代短序列數(shù)據(jù)比對(duì)到第三代自糾錯(cuò)數(shù)據(jù)上，統(tǒng)計(jì)比對(duì)結(jié)果中第三代自糾錯(cuò)數(shù)據(jù)的單堿基覆蓋深度，將單堿基覆蓋深度低于閾值的區(qū)域屏蔽為N，采用第二代測(cè)序的補(bǔ)洞軟件對(duì)N屏蔽區(qū)域進(jìn)行補(bǔ)洞，以獲得單堿基錯(cuò)誤率較低的核酸第三代測(cè)序數(shù)據(jù)。本申請(qǐng)的核酸第三代測(cè)序原始數(shù)據(jù)的處理方法，利用第二代短序列數(shù)據(jù)與第三代長(zhǎng)序列數(shù)據(jù)進(jìn)行比對(duì)，并利用第二代測(cè)序的補(bǔ)洞軟件對(duì)比對(duì)結(jié)果中單堿基覆蓋深度較低的N屏蔽區(qū)進(jìn)行補(bǔ)齊，有效的降低了第三代測(cè)序數(shù)據(jù)中的單堿基錯(cuò)誤率，提高了測(cè)序質(zhì)量。

技術(shù)領(lǐng)域

本申請(qǐng)涉及核酸測(cè)序數(shù)據(jù)處理領(lǐng)域，特別是涉及一種核酸第三代測(cè)序原始數(shù)據(jù)的處理方法及其應(yīng)用。

背景技術(shù)

隨著第二代測(cè)序技術(shù)(Next-generation sequencing，NGS)的成熟和普及，測(cè)序成本大大降低，其中二代測(cè)序儀Hiseq2500一次運(yùn)行就可產(chǎn)出600Gb的數(shù)據(jù)量，相當(dāng)于人類基因組的200倍。二代測(cè)序技術(shù)雖然可以快速產(chǎn)出大量數(shù)據(jù)，但是其有一個(gè)致命的缺點(diǎn)就是測(cè)序讀長(zhǎng)過短，眾所周知，基因組組裝最重要的指標(biāo)就是N50以及基因組的完整度，但是傳統(tǒng)二代測(cè)序技術(shù)由于其讀長(zhǎng)過短，其組裝算法大多都是基于德布魯因圖論(de Bruijngraph)的思想，從而使得組裝中遇到的最大的挑戰(zhàn)就是解決高重復(fù)及高雜合基因組。

把組裝出的重疊群(Contig)或骨架序列(Scaffold)從大到小排列，當(dāng)其累計(jì)長(zhǎng)度剛剛超過全部組裝序列總長(zhǎng)度50％時(shí)，最后一個(gè)重疊群(Contig)或骨架序列(Scaffold)的大小即為N50的大小，N50對(duì)評(píng)價(jià)基因測(cè)序的完整性有重要意義。把組裝出的重疊群(Contig)或骨架序列(Scaffold)從大到小排列，當(dāng)其累計(jì)長(zhǎng)度剛剛超過全部組裝序列總長(zhǎng)度90％時(shí)，最后一個(gè)重疊群(Contig)或骨架序列(Scaffold)的大小即為N90的大小。

在一條骨架序列(Scaffold)中，重疊群(Contig)之間無序列信息且被表示為N的區(qū)域，被稱為洞(gap)。

K-mer是指將一條長(zhǎng)度為L(zhǎng)的序列，按照長(zhǎng)度K由L序列的5’到3’端挨個(gè)堿基進(jìn)行分割，從而得到L-K+1個(gè)長(zhǎng)度為K的核苷酸序列。例如，長(zhǎng)度為90bp的短序列，按照17bp從頭到尾挨個(gè)堿基進(jìn)行分割，可以得到74個(gè)17bp的連續(xù)序列，即17-mer序列。

第三代測(cè)序技術(shù)也稱為單分子實(shí)時(shí)測(cè)序技術(shù)(Single Molecule Real Time,SMRT)。PacBio第三代測(cè)序儀具有超長(zhǎng)讀長(zhǎng)、無PCR擴(kuò)增偏差的單分子測(cè)序、直接分析堿基修飾等技術(shù)優(yōu)勢(shì)，已經(jīng)快速應(yīng)用于基因組de novo組裝、轉(zhuǎn)錄組學(xué)研究等領(lǐng)域，其平均讀長(zhǎng)10-15Kb，最長(zhǎng)讀長(zhǎng)可超過40Kb。第三代測(cè)序技術(shù)的優(yōu)勢(shì)就在于單分子測(cè)序，對(duì)于高雜合、高重復(fù)、或者高GC，不存在任何偏好，所以三代測(cè)序技術(shù)可以顯著的提升重疊群(Contig)組裝水平。

但是，第三代數(shù)據(jù)最大的問題就在于其極高的單堿基錯(cuò)誤率，高達(dá)15％。其錯(cuò)誤類型主要是插入缺失，并且隨機(jī)分布，可以通過生物信息的手段進(jìn)行一定程度的修正，目前發(fā)布的三代組裝流程中，如SMRT、Falcon、Pbcr、Canu，都具有第三代數(shù)據(jù)自糾錯(cuò)的功能，可以將20倍以上的三代數(shù)據(jù)的錯(cuò)誤率從15％降低到3％左右，但是3％的錯(cuò)誤率對(duì)于基于OLC(Overlap-Layout-Consensus)算法的組裝軟件干擾依然很大。

因此，亟需一種錯(cuò)誤率更低的第三代測(cè)序數(shù)據(jù)的處理方法，以提高核酸第三代測(cè)序的質(zhì)量。

發(fā)明內(nèi)容

本申請(qǐng)的目的是提供一種新的核酸第三代測(cè)序原始數(shù)據(jù)的處理方法，及其應(yīng)用。

為了實(shí)現(xiàn)上述目的，本申請(qǐng)采用了以下技術(shù)方案：