生物信息学是数据导向科学, 大规模测序是其最重要数据来源之一.pptVIP

测序中的数学问题李松岗北京大学2002/04/04 生物信息学是数据导向的科学, 大规模测序是其最重要的数据来源之一 大规模测序与实验室测序的不同 实验室测序： 手工操作，效率低，结果是第一位的 大规模测序： 流水线操作，自动化 追求稳定、高效、低成本 两种测序策略： 基于BAC的方法： 先把基因组打碎成200－300kb的片段并制成BAC文库，再选择一些BAC进一步打碎成3kb左右的小片段，测序并拼接。 全基因组鸟枪法： 把基因组直接打碎成3kb左右的小片段，测序并拼接。 基于BAC的方法 全基因组DNA 随机打成大片段 选择并克隆 大片段排序，选择 再打碎，克隆，测序，拼接 全基因组鸟枪法 基因组DNA 随机打碎 测序并拼接 近来测序技术的进展 从基于BAC的策略转向全基因组鸟枪法 毛细管自动测序仪的广泛使用 全基因组鸟枪法测序的拼接 困难： 数据量极大 大量重复序列造成拼接途径的不确定 拼接软件的新需求 能充分利用正反向测序的配对信息, 避免重复序列造成的错误拼接 能处理数以百万甚至千万计的数据 程序并行化 高效率比对 能逐步拼接 水稻基因组拼接步骤: 采用数学模型识别重复序列 把重复序列屏蔽掉后，根据是否具有重叠部分进行分组 采用大型计算机并行拼接 恢复重复序列，延伸contig 构建scanfold 识别重复序列的数学模型 重复序列识别： n次抽样，其中i次以上深度在j以上的概率Pij 设一次抽样深度在j以上和以下的概率分别为：Pj－，Pj+； n次抽样，其中i次以上深度在j以上则认为是repeat，此时犯两类错误的概率 为： 设repeat在基因组中的比例为b，出现概率为P，非repeat出现概率为P* ，则： MDR (Mathematically-Defined Repeat) vs. BDRs (Biologically-Defined Repeats) Contigs:127,550 (N50=6,688 bp) 进一步工作的设想 新拼接程序 步骤： 利用覆盖深度模型纠正测序错误 采用严格比对快速确定所有可能的重叠 利用图论或线性代数方法完成拼接 纠正测序错误 对6X左右鸟枪法测序数据，统计所有20碱基长小片段出现次数； 对每一个read，顺序标出它的小片段出现次数； 若有连续一串1出现，则可能有测序错误存在，应进行纠正。 消除测序错误的好处： 可区分部分重复序列； 可采用严格比对的方法，提高计算速度； 有利于简化拼接算法； 有利于后期数据分析，例如SNP识别等。 * * 若repeat有m个拷贝，且已知随机序列覆盖深度为0，1，2……的概率：g0 ， g1 ， g2 ，……，则一次抽样repeat覆盖深度为0，1，2，……的概率P0， P1， P2，……为： BDR’ (~25%) BDR (~50%?) MDR (42.2%) 人与水稻基因组中重复序列分布的差别 Scaffolds: 102,444 (N50=11,764 bp) Quality: 546 bp at Q20