[發(fā)明專利]一種基于DNA變異檢測(cè)的三代數(shù)據(jù)校正方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810336881.2
• 申請(qǐng)日: 2018-04-16
• 公開（公告）號(hào): CN108595915B
• 公開（公告）日: 2021-06-22
• 發(fā)明（設(shè)計(jì)）人: 高敬陽;高峰;陳禹保
• 申請(qǐng)（專利權(quán)）人: 北京化工大學(xué);北京市計(jì)算中心
• 主分類號(hào): G16B20/20
• 分類號(hào): G16B20/20;G16B30/10;G06F16/28
• 代理公司: 北京太兆天元知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11108
• 代理人: 張洪年

本發(fā)明提供了屬于生物信息技術(shù)領(lǐng)域的一種基于DNA變異檢測(cè)的三代數(shù)據(jù)校正方法，首先將三代測(cè)序數(shù)據(jù)處理后作為參考序列數(shù)據(jù)，然后將二代測(cè)序數(shù)據(jù)處理后與其進(jìn)行比對(duì)，得到比對(duì)文件。對(duì)比對(duì)文件進(jìn)行變異分析檢測(cè)，可以得到二代測(cè)序數(shù)據(jù)相對(duì)于三代測(cè)序數(shù)據(jù)的變異信息，利用變異信息完成對(duì)三代測(cè)序數(shù)據(jù)的校正。將DNA變異檢測(cè)方法應(yīng)用到三代測(cè)序數(shù)據(jù)糾錯(cuò)中，聯(lián)合使用二代測(cè)序數(shù)據(jù)與三代測(cè)序數(shù)據(jù)，降低三代數(shù)據(jù)校正的成本，程序采用多線程的思想，加快三代數(shù)據(jù)的校正速度。本發(fā)明通過聯(lián)合校正技術(shù)解決三代測(cè)序技術(shù)中存在的高錯(cuò)誤率和高成本問題，為后續(xù)的三代測(cè)序數(shù)據(jù)變異檢測(cè)方面奠定基礎(chǔ)。

技術(shù)領(lǐng)域

本發(fā)明屬于生物信息技術(shù)領(lǐng)域，具體來說，涉及一種基于DNA變異檢測(cè)的三代數(shù)據(jù)校正方法。

背景技術(shù)

隨著三代測(cè)序技術(shù)的發(fā)展，測(cè)序數(shù)據(jù)的片段長(zhǎng)度不斷提高，同時(shí)隨著精準(zhǔn)醫(yī)療的提出與發(fā)展，測(cè)序數(shù)據(jù)的規(guī)模呈現(xiàn)爆炸性的增長(zhǎng)。現(xiàn)階段正是二代測(cè)序技術(shù)向三代測(cè)序技術(shù)的過渡階段，由于三代測(cè)序技術(shù)中存在的一些缺陷，制約著三代測(cè)序技術(shù)的發(fā)展與應(yīng)用。現(xiàn)在采用的是三代測(cè)序數(shù)據(jù)校正軟件主要有FALCON和PBcR兩種，它們使用三代數(shù)據(jù)自糾錯(cuò)的方法對(duì)測(cè)序數(shù)據(jù)進(jìn)行校正，主要分為兩步：

①將參考模板序列與候選序列進(jìn)行兩兩比對(duì)獲得參考模板序列的多重比對(duì)結(jié)果；

②通過多重序列比對(duì)結(jié)果推斷正確結(jié)果。

三代數(shù)據(jù)自糾錯(cuò)方法對(duì)測(cè)序深度有較高要求，增大了測(cè)序的成本，而且這兩款軟件進(jìn)行自糾錯(cuò)時(shí)所需要的時(shí)間較長(zhǎng)，這主要是由于自比對(duì)算法Daligner和MHAP導(dǎo)致的。

發(fā)明內(nèi)容

為解決上述技術(shù)問題，本發(fā)明提供了一種基于DNA變異檢測(cè)的三代數(shù)據(jù)校正方法，首先將三代測(cè)序數(shù)據(jù)處理后作為參考序列數(shù)據(jù)，然后將二代測(cè)序數(shù)據(jù)處理后與其進(jìn)行比對(duì)，得到比對(duì)文件。對(duì)比對(duì)文件進(jìn)行變異分析檢測(cè)，可以得到二代測(cè)序數(shù)據(jù)相對(duì)于三代測(cè)序數(shù)據(jù)的變異信息，利用變異信息完成對(duì)三代測(cè)序數(shù)據(jù)的校正。本發(fā)明通過聯(lián)合校正技術(shù)解決三代測(cè)序技術(shù)中存在的高錯(cuò)誤率和高成本問題，為后續(xù)的三代測(cè)序數(shù)據(jù)變異檢測(cè)方面奠定基礎(chǔ)。

一種基于DNA變異檢測(cè)的三代數(shù)據(jù)校正方法，其特征在于，包括以下步驟：

(a)數(shù)據(jù)格式轉(zhuǎn)換，包括并行的線程1和線程2：

線程1：將原始三代fastq數(shù)據(jù)進(jìn)行處理轉(zhuǎn)換為fasta格式數(shù)據(jù)并保存，并對(duì)其建立索引得到三代fasta參考序列集合；

線程2：得到作為數(shù)據(jù)比對(duì)的二代fastq初始序列集合；

(b)DNA變異檢測(cè)：

將二代fastq初始序列集合與三代fasta參考序列集合使用bwa-mem算法進(jìn)行比對(duì)，得到比對(duì)結(jié)果所生產(chǎn)的bam文件；對(duì)bam文件進(jìn)行質(zhì)量控制，根據(jù)bam文件中的序列質(zhì)量信息，去除低質(zhì)量的序列，然后進(jìn)行序列去重；對(duì)去重后的文件進(jìn)行Indel Realigner，對(duì)到indel附近的reads進(jìn)行局部重新比對(duì)；對(duì)bam文件中的reads進(jìn)行堿基質(zhì)量值的重新校正，使最后輸出的bam文件中reads的質(zhì)量值接近真實(shí)值，以此作為三代數(shù)據(jù)校正所使用的數(shù)據(jù)集合；使用DNAseq對(duì)此數(shù)據(jù)進(jìn)行變異檢測(cè)，得到二代Illumina數(shù)據(jù)與三代數(shù)據(jù)之間的變異信息，即三代數(shù)據(jù)中存在的測(cè)序錯(cuò)誤的位置；

(c)mapping區(qū)域堿基校正。

優(yōu)選的，所述線程1中，將原始三代fastq數(shù)據(jù)轉(zhuǎn)換為fasta格式數(shù)據(jù)之前除低質(zhì)量序列和接頭序列。

優(yōu)選的，所述線程2中，具體過程為：去除二代Illumina測(cè)序數(shù)據(jù)中的primer和adapter，并且根據(jù)read的質(zhì)量信息，將低質(zhì)量的read去除。

優(yōu)選的，所述步驟(b)DNA變異檢測(cè)中，對(duì)bam文件進(jìn)行序列去重是去除PCR擴(kuò)增中被過量擴(kuò)增，非基因組中存在且不能作為校正的依據(jù)的序列。