[發(fā)明專利]提升基因組組裝完整性的方法、裝置及其應(yīng)用

有效

• 申請(qǐng)?zhí)枺?/td>: 202111365725.7
• 申請(qǐng)日: 2021-11-18
• 公開（公告）號(hào): CN113808668B
• 公開（公告）日: 2022-02-18
• 發(fā)明（設(shè)計(jì)）人: 李本萍;田仕林;周勛;陶琳娜;王靜
• 申請(qǐng)（專利權(quán)）人: 北京諾禾致源科技股份有限公司
• 主分類號(hào): G16B30/10
• 分類號(hào): G16B30/10;G16B30/20;G16B40/00
• 代理公司: 北京康信知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11240
• 代理人: 路秀麗

本發(fā)明提供了一種提升基因組組裝完整性的方法、裝置及其應(yīng)用。該方法包括：獲取目標(biāo)樣本的初步的染色體版本基因組；利用三代測(cè)序短序列與初步的染色體版本基因組的序列進(jìn)行比對(duì)，將最優(yōu)比對(duì)短序列根據(jù)染色體進(jìn)行聚類，得到多個(gè)類群；在多個(gè)類群里對(duì)三代測(cè)序短序列的序列進(jìn)行局部組裝，從而獲得完整性提升的組裝基因組序列。通過首先利用測(cè)序序列，進(jìn)行常規(guī)組裝得到初組裝基因組序列并進(jìn)行染色體掛載之后，將三代短序列比對(duì)回上述的基因組上，將最優(yōu)比對(duì)的三代短序列根據(jù)染色體聚成多個(gè)類群，之后在每個(gè)類群里做三代局部組裝，從而獲得完整性更高的基因組序列。

技術(shù)領(lǐng)域

本發(fā)明涉及基因組序列組裝領(lǐng)域，具體而言，涉及一種提升基因組組裝完整性的方法、裝置及其應(yīng)用。

背景技術(shù)

自1977年起，DNA測(cè)序技術(shù)先后經(jīng)歷了三個(gè)階段。第一階段主要是依據(jù)桑格爾(Sanger)和考爾森(Coulson)提出的雙脫氧鏈末端終止法技術(shù)，也稱為Sanger測(cè)序；第二階段主要是以Roche公司的454測(cè)序平臺(tái)、Illumina公司的Solexa測(cè)序系統(tǒng)為代表的第二代測(cè)序技術(shù)，也稱為新一代測(cè)序技術(shù)(Next-generation sequencing technology，NGS)；第三個(gè)階段主要是以Pacific Biosciences公司的SMRT（single molecule real time）技術(shù)、Oxford Nanopore Technologies公司的納米孔單分子測(cè)序技術(shù)，被認(rèn)為是第三代測(cè)序技術(shù)。

伴隨著測(cè)序的產(chǎn)生，科研工作者也開啟了對(duì)物種基因組的探索。從小至幾千堿基的噬菌體基因組，到三十億堿基的人類基因組，再到最近公布的上百億堿基的裸子植物（如加州紅杉）和脊索動(dòng)物（如非洲肺魚）基因組，人們正在一點(diǎn)點(diǎn)的揭開基因組的神秘面紗。在這些研究的背后，基因組從頭組裝無疑是發(fā)揮了基礎(chǔ)性的作用。并且隨著研究的進(jìn)一步深入，人們對(duì)組裝基因組的連續(xù)性要求越來越高。在二代測(cè)序階段，基因組組裝的一般都比較碎，基因組N50通常在KB量級(jí)。后來隨著三代長(zhǎng)讀長(zhǎng)測(cè)序技術(shù)的產(chǎn)生，測(cè)序reads讀長(zhǎng)平均就可以達(dá)到幾十到幾百KB，從而使得組裝基因組的連續(xù)性得到大幅度提高，重疊群 N50（Contig N50）基本上都在MB量級(jí)。并且借助Bionano、Hic等技術(shù)，可以將基因組掛載到染色體水平（重疊群之間用N連接，即空缺gap）。

最近，隨著Pacbio推出HIFI測(cè)序模式（長(zhǎng)度大于10kb，準(zhǔn)確性大于99%），Nanopore推出Ultra-long模式（短序列 N50在60K以上），人們逐漸開始挑戰(zhàn)基因組組裝的終極目標(biāo)，即整個(gè)基因組的染色體實(shí)現(xiàn)完整的從端粒到端粒組裝（記為T2T組裝），而沒有任何空缺(gap)。然而，由于物種本身復(fù)雜的重復(fù)特性，以及組裝算法的限制和組裝策略的問題，目前除了人和水稻等少量物種實(shí)現(xiàn)了T2T組裝之外，大部分物種基因組的空缺個(gè)數(shù)還依舊很多。

HiFi reads（High fidelity reads）是PacBio公司推出的基于CCS測(cè)序模式的兼具長(zhǎng)讀長(zhǎng)和高準(zhǔn)確度的測(cè)序序列，又稱CCS序列。在這種測(cè)序模式下，因酶讀長(zhǎng)（平均~100Kb以上）遠(yuǎn)大于插入片段長(zhǎng)度（~20 Kb），測(cè)序時(shí)，聚合酶會(huì)繞著DNA模板進(jìn)行環(huán)形測(cè)序，使得插入片段被多次測(cè)序，產(chǎn)生多條subreads。之后來源于同一條模板鏈的subreads經(jīng)過一致性校正，最終得到長(zhǎng)度大于10KB，準(zhǔn)確性大于99%的HiFi reads，用于基因組組裝。

Nanopore Ultralong測(cè)序模式是Nanopore公司推出的可以有效提升測(cè)序readsN50長(zhǎng)度的測(cè)序模式。它是新一代基于納米孔的單分子實(shí)時(shí)電信號(hào)測(cè)序技術(shù)，其原理是：納米孔蛋白作為生物傳感器，插入聚合物形成的膜中。此外，核酸分子會(huì)與馬達(dá)蛋白（MotorProtein）連接，該馬達(dá)蛋白一方面對(duì)雙鏈進(jìn)行解鏈，使核酸單鏈在電泳的作用下通過特定的納米孔蛋白，另一方面可控制DNA/RNA分子的移動(dòng)速度，保證堿基逐一地穿過納米孔，產(chǎn)生穩(wěn)定可靠的電信號(hào)。由于不同堿基的帶電性質(zhì)不同，通過檢測(cè)電信號(hào)的差異就能檢測(cè)出通過納米孔的堿基類別從而實(shí)現(xiàn)測(cè)序。通常，經(jīng)過Nanopore Ultralong測(cè)序模式產(chǎn)生的reads， Reads N50能達(dá)到60-80K以上。