[發(fā)明專利]一種測序數(shù)據(jù)GC偏向性校正的方法及其裝置

有效

• 申請?zhí)枺?/td>: 202010436420.X
• 申請日: 2020-05-21
• 公開（公告）號: CN111627498B
• 公開（公告）日: 2022-10-04
• 發(fā)明（設(shè)計(jì)）人: 林浩翔;況霓;黃毅;易鑫;楊玲;吳玲清
• 申請（專利權(quán)）人: 北京吉因加醫(yī)學(xué)檢驗(yàn)實(shí)驗(yàn)室有限公司;深圳吉因加醫(yī)學(xué)檢驗(yàn)實(shí)驗(yàn)室
• 主分類號: G16B20/30
• 分類號: G16B20/30;G16B30/10;G16B40/00
• 代理公司: 北京三聚陽光知識產(chǎn)權(quán)代理有限公司 11250
• 代理人: 廖慧敏

一種測序數(shù)據(jù)GC偏向性校正的方法，包括如下步驟：獲取基因組的測序數(shù)據(jù)比對數(shù)據(jù)可供計(jì)算分析區(qū)間R；從可供計(jì)算分析區(qū)間R中獲取最高頻率片段長度數(shù)F；通過對區(qū)間R進(jìn)行不重復(fù)的抽樣，抽樣數(shù)N小于或等于區(qū)間R的總長度；計(jì)算每一個(gè)抽出的位置P對應(yīng)的如下A)?B)的參數(shù):A)位置P到位置P+F之間的序列中的G堿基和C堿基的個(gè)數(shù)之和Gp；B)位置P上比對片段數(shù)Fp，所述比對片段的起始位置為位置P；匯總每一個(gè)位置上述的數(shù)值，對每一個(gè)Gp值進(jìn)行分層統(tǒng)計(jì)，最終計(jì)算每一個(gè)Gp值對應(yīng)的GC片段比例；將測序深度除以Rgc進(jìn)行測序深度計(jì)算修正。本發(fā)明的GC偏向性校正方法構(gòu)建的模型，修正效果好。

技術(shù)領(lǐng)域

本發(fā)明涉及測序數(shù)據(jù)分析領(lǐng)域，特別是涉及一種測序數(shù)據(jù)GC偏向性校正的方法及其裝置。

背景技術(shù)

現(xiàn)代的測序包含了多個(gè)不同的步驟。第一步是樣品遺傳物質(zhì)的收集，例如DNA從血液中的提取。建庫，對DNA等遺傳物質(zhì)進(jìn)行打斷處理，對目標(biāo)長度的DNA碎片進(jìn)行篩選并進(jìn)行PCR的擴(kuò)增。最后是測序儀對建庫后的DNA進(jìn)行基因測序，并通過生物信息學(xué)的方法對測序儀下機(jī)的數(shù)據(jù)進(jìn)行分析處理。但在PCR擴(kuò)增的過程中往往會引入GC偏向性。基因組上G堿基和C堿基含量較低和較高的區(qū)域，測序的片段覆蓋得更少。通過觀察不同GC含量上面測序深度的分布，呈現(xiàn)單峰分布。而人類基因組大部分區(qū)域是低GC的區(qū)域，這些區(qū)域的測序深度都會偏低。而少部分GC偏向性較高的基因組區(qū)域又會出現(xiàn)偏高深度的情況。

GC偏向性導(dǎo)致測序深度在基因組區(qū)域上面的覆蓋度不均勻。這導(dǎo)致后續(xù)的各種生物信息學(xué)分析出現(xiàn)各種問題，例如基因組拷貝數(shù)分析會出現(xiàn)錯(cuò)誤的拷貝數(shù)擴(kuò)增或者減少，進(jìn)而導(dǎo)致腫瘤含量估計(jì)出現(xiàn)錯(cuò)誤以及SNP頻率估計(jì)有偏等。而目前，也有很多針對GC偏向性校正的方法(1、Yoon S,Xuan Z,Makarov V,Ye K,Sebat J.Sensitive and accuratedetection of copy number variants using read depth of coverage.GenomeRes.2009；19:1586；2、Control-free calling of copy number alterations in deep-sequencing data using GC-content normalization.Bioinformatics.2011；27:268.A；3、ReadDepth:a Parallel R Package for detecting copy number alterations fromshort sequencing reads.PLoS One.2011；6:e16327.)。大部分都是通過設(shè)置一個(gè)較大的窗口例如幾十K到幾十M，統(tǒng)計(jì)每一個(gè)窗口上面的測序讀長(read)數(shù)目(count)或者測序片段(fragment)數(shù)目。并對每一個(gè)窗口進(jìn)行GC含量的統(tǒng)計(jì)。使用LOESS等方法對GC含量/count的數(shù)據(jù)進(jìn)行擬合，并通過read count減去擬合值或者除擬合值的方法進(jìn)行校正。但該方法對于偏向性較嚴(yán)重的測序數(shù)據(jù)，校正效果并不理想。而且對于窗口大小的選取往往會遇到挑戰(zhàn)，窗口大小往往受后續(xù)分析所約束，對于低深度的測序數(shù)據(jù)，過小的窗口會導(dǎo)致readcount的波動過大，而窗口過大又會減弱校正的能力，目前還沒有一個(gè)比較好的方法去輔助決定窗口的大小，對于不同的數(shù)據(jù)選用不同的窗口參數(shù)又會為后續(xù)的分析帶來干擾。而且該方法并沒有考慮到基因組的拷貝數(shù)變異會影響read count這個(gè)因素。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題在于克服現(xiàn)有技術(shù)中的GC偏向性會導(dǎo)致測序深度在基因組區(qū)域上面的覆蓋度不均，這導(dǎo)致后續(xù)的各種生物信息學(xué)分析出現(xiàn)各種問題缺陷，從而提供一種測序數(shù)據(jù)GC偏向性校正的方法及其裝置。

為此，本發(fā)明提供了如下的技術(shù)方案：

本發(fā)明提供了一種測序數(shù)據(jù)GC偏向性校正的方法，包括如下步驟：獲取基因組的測序數(shù)據(jù)比對數(shù)據(jù)可供計(jì)算分析區(qū)間R；

從可供計(jì)算分析區(qū)間R中獲取最高頻率片段長度數(shù)F；