基于reads引导的基因组序列拼接算法.docVIP

基于reads引导的基因组序列拼接算法 　　摘 要：针对新一代测序技术数据读取片段reads长度短、准确度低、数据海量等特点，本文提出了基于reads引导的基因序列拼接算法（SRGA），以整条reads为拼接单位，并首次提出了基于数据特征和拼接信息累计的评分机制。选取常用测试集，将本文中的算法与序列拼接领域中的经典算法进行对比和分析，取得了较好的效果。 　　关键词：生物信息学；新一代测序技术；基因组序列拼接 　　中图分类号：TP391 文献标识码：A 文章编号：2095-2163（2015）03- 　　GENOME ASSEMBLY GUIDED BY READS 　　ZENG Peilong 　　（China Ship Development and Design Center， WuHan 430064，China） 　　Abstract：Due to next generation sequencing data of mass， short length and relatively low precision， this paper proposes a new genome assembly guided by reads， regarding one entire reads sequences as assembly unit. This algorithm firstly invents a scoring mechanism based on accumulated assembly information and data charactistics. Then the paper gives the metrics results of several algorithms on the test set， the proposed （SRGA） and several classical algorithm of genome assembly. Experimental results show SRGA can obtain satisfactory stereo matching results. 　　Key words：Bioinformatics， Next-generation Sequencing， Genome Assembly 　　0 引 言 　　新一代测序技术促进了生命科学的快速发展，但其产生的基因读取片段reads具有长度短、准确度低、数据海量等特点[1-2]，这就对序列拼接算法提出了相当严峻的挑战，传统的序列拼接软件已不再适用[3]。为此，即需针对新一代测序的数据特点，从实际应用需求出发，研发新的优质高效的序列拼接软件。 　　本文针对新一代测序数据的数据特点，提出了基于reads引导的基因组序列拼接算法（SRGA），并以整条reads为拼接单位，首次提出了基于数据特征和拼接信息累计的评分机制，从而减少不必要的重复计算，同时也提高了基因组序列拼接的质量和速度。 　　1 reads数据预处理 　　在序列拼接过程中，reads数据的预处理具有重要意义。由于新一代测序数据精确度较低，以及数据海量，造成reads中含有大量的碱基错误。理论上讲，De Bruijn图构建时，图的大小规模只与基因组的大小相关，与reads数据量无关。但在碱基错误的影响下，De Bruijn图[4]实际大小会随着reads数据的增加呈现几何型增长。拼接时，reads中的碱基错误也极易导致错误拼接。因此，拼接前需要对数据进行预处理，去除初始数据中的错误碱基。 　　（1）新一代测序数据的准确率较低，错误碱基主要分布在reads 3’端，并且越靠近3’端错误率越高，reads 3’端错误率更高，接近20%，而在5’端则非常准确[5]，如图1所示。为降低错误碱基对拼接的影响，拼接前需过滤掉出错率较高的碱基数据。处理方法为：以靠近3’端二分之一reads长度的碱基序列为基准，计算该区域碱基序列的质量平均值，若该值小于15，则过滤掉该条reads。该平均值对应碱基的错误率，计算公式为： 　　（1） 　　其中，Q为碱基质量值， 为碱基出错率。 　　图1 Solexa数据错误分布 　　Fig.1 Error display of Solexa data 　　（2）测序过程中往往会产生许多人工数据[6]，这些reads数据会有许多标识为A的碱基序列，需要去除。处理方法为：若某条reads中A含量=0.9，则该reads被过滤掉。 　　（3）测序过程中有时会产生一些没有被测出来的通常表示为“N”或“.”未知碱基[7]，需要去除。处理方法为：如果某条reads中含有未知碱基，则该条re