[發(fā)明專利]一種基于長(zhǎng)讀數(shù)和contig分類的scaffolding方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810642753.0
• 申請(qǐng)日: 2018-06-21
• 公開(kāi)（公告）號(hào): CN108830047A
• 公開(kāi)（公告）日: 2018-11-16
• 發(fā)明（設(shè)計(jì)）人: 羅軍偉;王俊峰;張波;張霄宏;賈利琴
• 申請(qǐng)（專利權(quán)）人: 河南理工大學(xué)
• 主分類號(hào): G06F19/26
• 分類號(hào): G06F19/26;G06F19/22
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明公開(kāi)了一種基于長(zhǎng)讀數(shù)和contig分類的scaffolding方法。本方法首先把長(zhǎng)讀數(shù)比對(duì)到contig集合上，根據(jù)比對(duì)結(jié)果生成局部scaffold集合。一條局部scaffold是由比對(duì)到同一條長(zhǎng)讀數(shù)的contig構(gòu)成。基于每條contig在局部scaffold中出現(xiàn)的位置信息，把所有的contig分成兩類，一類是重復(fù)contig，另一類是非重復(fù)contig。構(gòu)建只包含非重復(fù)contig的scaffold圖，圖中每一個(gè)節(jié)點(diǎn)代表一個(gè)非重復(fù)contig。接著利用線性規(guī)劃方法消除scaffold圖中的方向和順序沖突，并使scaffold圖中只包含簡(jiǎn)單路徑，其中每條簡(jiǎn)單路徑對(duì)應(yīng)一條scaffold。然后把重復(fù)contig插入到scaffold中，形成最終的scaffolding結(jié)果。本發(fā)明簡(jiǎn)單易用，在不同的真實(shí)數(shù)據(jù)上表現(xiàn)出良好的scaffolding結(jié)果，較其它scaffolding方法具有更高的準(zhǔn)確性和連續(xù)性。

技術(shù)領(lǐng)域

本發(fā)明涉及生物信息學(xué)的序列組裝領(lǐng)域，特別是一種基于長(zhǎng)讀數(shù)和contig分類的scaffolding方法。

背景技術(shù)

基因組一般是指全部編碼和非編碼的脫氧核糖核酸(DNA)序列，它是由四種堿基：腺嘌呤(A)、胸腺嘧啶(T)、胞嘧啶(C)與鳥(niǎo)嘌呤(G)組成的序列，即基因組序 列是一個(gè)字符串，這個(gè)字符串中只包含四個(gè)字符A，T，G，C。在實(shí)際基因組序列中也 包含另一個(gè)字符N，代表該位置的堿基無(wú)法確定。基因組DNA序列包含了遺傳和調(diào)控 信息，引導(dǎo)生物發(fā)育與生命機(jī)能運(yùn)作。在基礎(chǔ)生物學(xué)研究和眾多應(yīng)用領(lǐng)域中，如診斷、 生物技術(shù)、法醫(yī)生物學(xué)、生物系統(tǒng)學(xué)中，完整和正確的基因組DNA序列已成為不可缺 少的知識(shí)。通過(guò)基因組測(cè)序，可以獲得大量基因組序列上堿基序列片段(讀數(shù)或read)。 序列組裝是通過(guò)這些得到的序列片段還原整個(gè)基因組DNA序列的方法。而由于重復(fù)區(qū)、 測(cè)序錯(cuò)誤以及測(cè)序不均衡等問(wèn)題，序列組裝方法往往先生成一些比較獨(dú)立和零散的序列 片段，即contig，這些contig可能分布在基因組DNA序列的任意區(qū)域，并且由于DNA 序列是雙鏈結(jié)構(gòu)，這些contigs可能處在雙鏈上的任意一條鏈上。scaffolding方法就是確 定這些contigs之間的方向和順序關(guān)系，進(jìn)而產(chǎn)生更長(zhǎng)的scaffold。scaffolding會(huì)使序列 組裝結(jié)果更加連續(xù)和完整，這有助于后續(xù)基因識(shí)別，基因組比對(duì)，結(jié)構(gòu)變異檢測(cè)等研究， 是序列組裝研究中的熱點(diǎn)之一。

目前，以Illumina/Solexa以及AB/SOLid公司為代表的第二代測(cè)序技術(shù)在顯著降低 成本的同時(shí)，單次運(yùn)行也能夠產(chǎn)生海量和錯(cuò)誤率較低的讀數(shù)。因此，第二代測(cè)序技術(shù)在國(guó)內(nèi)外得到了廣泛的應(yīng)用。由第二代測(cè)序技術(shù)得到的雙端短讀數(shù)(paired reads)是來(lái)自一段較長(zhǎng)原始基因組序列片段兩端的兩個(gè)序列片段。雙端短讀數(shù)的間距(insert size)可以達(dá)到數(shù)千堿基，所以雙端短讀數(shù)能夠跨過(guò)一段較長(zhǎng)的區(qū)域并克服序列組裝中的部分重復(fù)區(qū)問(wèn)題，因此基于雙端短讀數(shù)的scaffolding方法獲得了研究人員廣泛的關(guān)注。其步驟一般是先利用已有的序列組裝工具生成contig，然后把雙端短讀數(shù)比對(duì)到contig上，再 通過(guò)比對(duì)信息構(gòu)建scaffold圖(scaffold graph或者bidiercted graph)，進(jìn)而推斷contigs之間的方向和順序關(guān)系。

隨著測(cè)序技術(shù)的迅速發(fā)展，速度更快通量更高的第三代測(cè)序技術(shù)正在逐步完善成熟。第三代測(cè)序技術(shù)主要有太平洋生物科學(xué)公司(Pacific Biosciences)的單分子實(shí)時(shí)測(cè)序技術(shù)和牛津納米技術(shù)公司(OxfordNanopore Technology)的納米孔單分子技術(shù)。第三 代測(cè)序技術(shù)所產(chǎn)生的長(zhǎng)讀數(shù)長(zhǎng)度可以達(dá)到數(shù)萬(wàn)堿基，這些長(zhǎng)讀數(shù)可以跨過(guò)基因組中大部 分的重復(fù)區(qū)，進(jìn)而幫助研究人員獲得完整的基因組序列。由于長(zhǎng)讀數(shù)的長(zhǎng)度較長(zhǎng)，能夠 跨過(guò)大部分重復(fù)區(qū)，但是長(zhǎng)讀數(shù)的測(cè)序錯(cuò)誤率較高，一般達(dá)到15％左右。