[生物信息学序列拼接.pptVIP

基因组序列拼接 段倩倩 序列拼接 序列拼接任务即将测序生成的reads短片段拼接起来，恢复出原始的序列。该问题是序列分析的最基本任务，是基因组研究成功与失败的关键，拼接结果直接影响到序列标注，基因预测、基因组比较等后续任务。 基因组序列的拼接也是基因组研究必须解决的首要难题。其困难不仅来自它的海量数据(以人类基因组序列为例，从数量为10兆级的片断恢复出长度为亿级的原始序列)，而且源于它含有高度重复的序列。 拼接问题的难点 DNA测序数据有其固有的四个的特点，他们也正是解决实际的序列拼接问题的难点所在： 1．测序有误差 2．不完全覆盖性 3．序列所在链不确定 4．重复序列的干扰 1．测序有误差 由于测序技术的局限，难免会出现测序错误，尤其是在序列的末端，一般错误率可控制在1％以下。所以对每个碱基一般有一个正确概率，以质量打分的形式给出。因此每个ri都有个可信度。而read与read之间有不同程度的重叠，由此导致有的重叠可信度高，有的重叠可信度低。 2．不完全覆盖性 不是所有的碱基被测序的次数都等于平均测序覆盖度。极端的情况，可能会出现源基因组序列上部分区域未被测序的情况(这段区域称为gap)。即，测序的reads集合不是原始基因组序列一个完整覆盖。此时需要借助于各种图谱如：基因组指纹图谱(genome fingerprint map)， 基因组级物理图谱(genome-wide physical map)，细胞发生图谱(cytogenetic maps)等协助对reads进行定位． 3．序列所在链不确定 由于测序过程中无法确定特定片断属于DNA双链中的哪一条链上，所以我们在拼接过程中并不清楚使用的是read的正义链，还是其互补链。 4．重复序列的干扰 DNA序列自身含有高度重复的子序列，它们一种表现为短序列的串级重复，比如：(GGAA)n。或AmTn等。另一种表现为大量相似序列(其拷贝数可达几十万)散布在基因组的各个地方。Repeat的存在，将导致fragments间overlap的不真实性，进而产生错拼的结果。因此在拼接过程中耍确定这些序列的形式及大小，才能保证以高概率恢复出其在原始真实序列中的位置． 拼接算法评价 以上拼接问题的四个难点不仅极大的增加了解决实际拼接问题的难度，而且从某种程度上说无法完整地恢复出原始DNA序列来。即实际上仅能构建出若干个contig(重建的fragments的一种排列形式，它覆盖基因组上一段连续区域)这些contig将指导测序项目finishing阶段的实验方法最终构建DNA完整序列。 目前，国际上对拼接软件的公认评价标准包括两方面，即重建出的contig的数目和准确度。我们发展的基因组序列拼接新算法的目标是在确保准确性的前提下，构建尽量少的contig，以减少测序后期大量的人力和财力的投入。 基因组序列拼接算法研究现状 现在最常用的拼接程序使用的拼接算法可分成两类，一类是将拼接问题转化为在图中寻找的Hamilton路径的问题；另一类是将拼接问题在某种特殊情况下转化成寻求图中的Euler路径的问题。他们均有其成功的典型算法。 1.转化为Hamilton Path问题 每个DNA片段(read)相当于图中一个结点，如果两个片段之间存在着重叠(overlap)关系，则在两个结点之间定义一条边，而沿着DNA原始序列从头到尾，则必然经过每个结点一次且仅一次，即是一条Hamilton路径。一条contig表示图中一条简单路，此类算法以Phrap，TIGR Assembler，CAP3，GigAssemble等为代表。 他们都是遵循“overlap-layout-consensus”的框架。首先，为了构建图。计算任意两个read间可能的比对情况。其次，通过去除歧义的或者不确信的边得到较为准确的图，并在其上寻找非交叉的简单路的集合，该集合对应于contig的集合。最终，通过对包含在一个简单路上的所有read进行多序列比对，为每一个contig构建一个一致性序列(consensus sequence)。 2.转化为Euler Path问题 EULER是这类算法的代表。与传统方法沿着“Overlap—Layout—Consensus”路线不同，它不计算各个read之间的Overlap，即没有Overlap步骤。 它的大致想法如下： 为了排除re