[發(fā)明專利]一種基于mTag的靶向測序數(shù)據(jù)預(yù)處理的方法、設(shè)備和介質(zhì)

有效

• 申請?zhí)枺?/td>: 202310069596.X
• 申請日: 2023-02-07
• 公開（公告）號: CN115831233B
• 公開（公告）日: 2023-05-16
• 發(fā)明（設(shè)計）人: 方超;陳志鋒;郎秋蕾
• 申請（專利權(quán)）人: 杭州聯(lián)川基因診斷技術(shù)有限公司
• 主分類號: G16B30/00
• 分類號: G16B30/00;G16B20/50;G16B20/30
• 代理公司: 杭州信與義專利代理有限公司 33450
• 代理人: 萬景旺

本發(fā)明公開了一種基于mTag的靶向測序數(shù)據(jù)預(yù)處理的方法、設(shè)備和介質(zhì)，屬于生物數(shù)據(jù)處理技術(shù)領(lǐng)域。所述方法包括將測序reads基于mTag序列進(jìn)行分類，包含reads數(shù)量較少的mTag類別為第一類別，其余為第二類別，對于各第一類別中各read，基于差異堿基的質(zhì)量值對其mTag序列進(jìn)行修正并重新分類；進(jìn)一步選擇包含適當(dāng)reads數(shù)量的mTag類別，并從各mTag類別中選擇一條代表性序列。利用本發(fā)明的方法，可以對mTag進(jìn)行修正，避免PCR過程中或測序過程中引入的錯誤，并且可以精準(zhǔn)地選擇合適的mTag類別，還可以精準(zhǔn)地選擇mTag類別中的代表性序列，使得測序數(shù)據(jù)利用率更高，檢測靈敏度和特異性也更好。

技術(shù)領(lǐng)域

本發(fā)明屬于生物數(shù)據(jù)處理技術(shù)領(lǐng)域，具體地，涉及一種基于mTag的靶向測序數(shù)據(jù)預(yù)處理的方法、設(shè)備和介質(zhì)。

背景技術(shù)

下一代測序（Next-generation?sequencing，NGS）又稱為高通量測序（High-throughput?sequencing），是基于PCR和基因芯片發(fā)展而來的邊合成邊測序技術(shù)。高通量測序技術(shù)的特點主要有：測序讀長短，通量高，準(zhǔn)確度高。高通量測序相比一代測序大幅降低了成本，同時保持了較高準(zhǔn)確性，并且大幅降低了測序時間，目前高通量測序已經(jīng)在全組學(xué)得到廣泛應(yīng)用。

高通量測序得到的原始圖像數(shù)據(jù)經(jīng)堿基識別（BaseCalling）轉(zhuǎn)化為原始測序序列（Sequenced?Reads），我們稱之為Raw?Data或Raw?Reads，結(jié)果以FASTQ格式存儲，其中包含測序序列（reads）信息以及其對應(yīng)的測序質(zhì)量信息。

FASTQ格式文件中每個read由四行描述，如下所示：

@HWI-ST507:248:D29JDACXX:8:1101:1715:1919:1:1:0:ACTTGA/1

NTAATATTGGGCTAGAAAGTATCTTTGGGATTGCATGTTTTGATGCAGAATCATTGTGCCGTAGAATGC

+

BPYccaceceggghhfhhhhhhhhhhffhfhhgfahhchhhhhhfhbfghh_gfhhhhgghefffhhhh

其中第一行以“@”開頭后跟Illumina測序標(biāo)識符，包括機(jī)器型號、上機(jī)次數(shù)、試劑型號、第幾個lane、在flowcell上的坐標(biāo)、barcode等；第二行是堿基序列；第三行以“+”開頭后跟Illumina測序標(biāo)識符（為節(jié)省存儲空間，部分fq文件會省略“＋”后的信息）；第四行是對應(yīng)第二行堿基序列的質(zhì)量值，是用來衡量測序準(zhǔn)確度的，字符范圍[B,h]，對應(yīng)質(zhì)量范圍[2,40]。第四行每個字符對應(yīng)的ASCII值減去64，即為該堿基的測序質(zhì)量值，例如h對應(yīng)ASCII值為104，104-64=40。質(zhì)量值越高，測序錯誤率越低。

在NGS過程中可能會出現(xiàn)PCR重復(fù)，雖然重復(fù)似乎是單獨的reads，但它們實際上是由于PCR和測序過程中的錯誤導(dǎo)致的技術(shù)噪音。分子標(biāo)簽（mTag）技術(shù)是在文庫制備過程中與DNA片段連接的隨機(jī)短核苷酸序列。這些mTag序列充當(dāng)唯一識別碼，將每個reads標(biāo)記為來自單個片段的擴(kuò)增，為確定PCR重復(fù)提供了更準(zhǔn)確的機(jī)制。但目前如何對針對PCR重復(fù)引入的分子標(biāo)簽技術(shù)進(jìn)行去噪尚缺乏統(tǒng)一的標(biāo)準(zhǔn)和方法。

發(fā)明內(nèi)容

為了解決上述技術(shù)問題中的至少一個，本發(fā)明采用的技術(shù)方案如下：

本發(fā)明第一方面提供一種基于mTag的靶向測序數(shù)據(jù)預(yù)處理的方法，包括以下步驟：

S1，mTag分類與修正：將測序reads基于mTag序列進(jìn)行分類，包含reads數(shù)量小于第一閾值P1的mTag類別為第一類別，其余為第二類別，對于各第一類別中各read，基于其mTag序列中與各第二類別的mTag序列的差異堿基的質(zhì)量值對其mTag序列進(jìn)行修正并重新分類；