[發(fā)明專利]腫瘤純度和平均倍體信息的預(yù)測方法、系統(tǒng)、存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010924523.0
• 申請日: 2020-09-05
• 公開（公告）號: CN112216344A
• 公開（公告）日: 2021-01-12
• 發(fā)明（設(shè)計）人: 李杰;夏祖恒;劉暢;袁細國
• 申請（專利權(quán)）人: 西安翻譯學院;西安電子科技大學
• 主分類號: G16B30/00
• 分類號: G16B30/00;G16B20/20;G16B5/00
• 代理公司: 西安長和專利代理有限公司 61227
• 代理人: 黃偉洪

本發(fā)明屬于信息處理技術(shù)領(lǐng)域，公開了一種腫瘤純度和平均倍體信息的推測方法、系統(tǒng)、存儲介質(zhì)。從fasta文件中讀取標準序列，從bam文件中讀入測序讀段；利用BWA軟件對read段比對對齊，使用SAMtools提取readcount的值；定義Bin的長度，除去無用的位置和去除噪音，求出每個不包含缺失位置的bin的readdepth值；使用Free?C軟件檢測出拷貝數(shù)變異CNV區(qū)域；使用高斯混合模型確定loss區(qū)域的類型；確定迭代范圍和步長；采用偏差最小策略來篩選最優(yōu)的結(jié)果，確定此時的腫瘤純度和平均倍體為最終的結(jié)果。本發(fā)明防止噪音在模型中的傳播，得到較為可靠的結(jié)果；縮短了需要比對的數(shù)據(jù)量。

技術(shù)領(lǐng)域

本發(fā)明屬于信息處理技術(shù)領(lǐng)域，尤其涉及一種腫瘤純度和平均倍體信息的預(yù)測方法、系統(tǒng)、存儲介質(zhì)。

背景技術(shù)

高斯混合模型是一種對數(shù)據(jù)進行聚類的算法，它的基本假設(shè)是總體的分布中含有K個子高斯分布。整個算法最主要的是以下幾個概念：高斯分布：又叫正態(tài)分布，其數(shù)學期望μ決定了分布的位置，其標準差δ決定了分布的幅度。期望最大算法：在含有隱變量概率參數(shù)模型中，求解似然方程。該算法用于迭代求解高斯混合模型。極大似然估計：一種常見的統(tǒng)計方法，用于推測與一組樣本相關(guān)的概率密度函數(shù)的參數(shù)。

目前，針對新一代測序技術(shù)的腫瘤純度和平均倍體的檢測方法，主要有以下幾種：1.基于拷貝數(shù)的方法；通過計算腫瘤和正常基因組的拷貝數(shù)來估計腫瘤純度；2.基于SNV雜合位點的方法：考慮腫瘤樣本中帶有體細胞突變的雜合位點的等位基因的突變部分，來估計腫瘤的純度，或者同時估計出腫瘤的倍性；3.結(jié)合拷貝數(shù)變化和等位基因頻率的方法：結(jié)合拷貝數(shù)變化和正?；蚪M中雜合位點上等位基因頻率，來推斷腫瘤純度和倍性；

上述方法中，結(jié)合拷貝數(shù)改變的方法，在實踐中往往能獲得更好的準確度，同時方法本身也表現(xiàn)出更強的魯棒性。這是因為，在NGS數(shù)據(jù)中，總的讀數(shù)是非常大的，這就使得這種方法具有一定的統(tǒng)計學基礎(chǔ)?，F(xiàn)階段使用該方法來檢測腫瘤純度和倍性的主要思想可分為以下幾種：(1)通過確定腫瘤區(qū)域中映射到各個部分的reads服從的分布，建立概率模型來推斷腫瘤的純度和倍性。(2)通過結(jié)合全外顯子組測序(WES)數(shù)據(jù)來推斷腫瘤的純度和倍性。(3)利用讀段計數(shù)，并結(jié)合一定的先驗知識，建立模型來推斷腫瘤純度。

通過上述分析，現(xiàn)有技術(shù)存在的問題及缺陷為：現(xiàn)有技術(shù)在腫瘤純度和平均倍體檢測中，對異常信息敏感，時間復雜度過大，計算時間長。

解決以上問題及缺陷的難度為：

1、如何在減少算法復雜度的基礎(chǔ)上，確保算法結(jié)果能滿足一定的準確度是困難的。2、數(shù)據(jù)帶有噪音是普遍現(xiàn)象，當噪音比較大的時候，保證算法依然能給出一個讓人接受的結(jié)果是困難的。

解決以上問題及缺陷的意義為：算法比較快的執(zhí)行速度和較為可靠的結(jié)果，可以滿足在某些特定應(yīng)用場景下的需求，這些應(yīng)用場景一般要求算法盡快給出結(jié)果。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了一種腫瘤純度和平均倍體信息的預(yù)測方法、系統(tǒng)、存儲介質(zhì)。

本發(fā)明是這樣實現(xiàn)的，一種腫瘤純度和平均倍體信息的預(yù)測方法，所述腫瘤純度和平均倍體信息的預(yù)測方法包括：

從fasta文件中讀取標準序列，從bam文件中讀入測序讀段；

利用BWA軟件對read段比對對齊，使用SAMtools提取readcount的值；定義Bin的長度，去除無用的位置和去除噪音，求出每個不包含缺失位置的bin的readdepth值；使用Free-C軟件檢測出拷貝數(shù)變異CNV區(qū)域；

使用高斯混合模型確定loss區(qū)域的類型；

確定迭代范圍和步長；

采用偏差最小策略來篩選最優(yōu)的結(jié)果，即當某一步計算出來的結(jié)果與實際的觀測值的偏差小于閾值時，確定此時的腫瘤純度和平均倍體為最終的結(jié)果。