面向长基因组序列片段的快速比对算法研究-计算机技术专业毕业论文.docxVIP

万方数据 万方数据 Classified Index: TP39 U.D.C: 004.9 Dissertation for the Master Degree in Science ON FAST LONG GENOMIC SEQUENCE ALIGNMENT Candidate： Gao Yan Supervisor： Prof. Wang Yadong Academic Degree Applied for： Master of Engineering Speciality： Computer Engineering Affiliation： School of Computer Science and Engineering Date of Defence： June， 2014 Degree-Conferring-Institution： Harbin Institute of Technology 摘 摘 要 摘 要 随着新一代测序技术的不断发展以及基因组拼接方法的不断成熟，生物信息 领域产生了越来越多的长基因组序列数据（测序数据和拼接片段），其中太平洋生 物科技公司（PacBio）的单分子测序实时测序技术（Single-Molecule real-time， SMRT）更是将测序片段的平均长度增加到了接近 10 000bp。这些长基因组序列数 据的产生对于生物信息领域的很多问题都将具有非常重要的研究价值，其中就包 括结构变异检测等相关领域问题。基于长序列数据进行结构变异检测的直接方法 就是对长序列数据进行序列比对，将长序列映射到参考基因组上，通过对所得到 的比对结果进行分析，便可以得长序列中所包含的结构变异信息。然而，现有的 长序列比对工具在处理包含大型结构变异数据时，其运行速度以及比对效果都存 在着各式各样的缺陷，因此开发一款能够处理大型结构变异同时高效、精确的长 序列比对工具是一项非常迫切并且有意义的工作。 本文提出了一个新型的长序列快速比对工具 LSAT。LSAT 针对长基因组序列 片段以及染色体结构变异的生物学特点，采用了一些在处理长序列比对时具有明 显优势的比对策略，包括选种阶段的无交叠的长种子选取策略以及在种子筛选阶 段采用的对于结构变异检测具有更高敏感性的最优覆盖连接模式，同时通过采用 序列拆分比对的方法来获得结构变异的精确边界位置。实验结果表明，LSAT 与现 有的比对工具包括 BWA-SW、YAHA 等相比具有速度上的明显优势，同时在对于 结构变异的检测方面，也显示出了更高的敏感性和准确性。 关键词：长序列；比对；结构变异；拆分比对 -I- Ab Abstract Abstract With the continuous development of the next generation of sequencing(NGS) technology and genome assemble method, more and more long genome sequence data(sequencing data and assemble fragment) are generated in bioinformatics field. The single-molecule real-time (SMRT) sequencing technology of PacBio has already increased the average length of sequencing read to nearly 10 000 bp. Those long genome sequence data has very import research value to a lot of problems in the bioinformatics field, like detection of structural variation, etc. To detect structural variation based on those long sequence data, we can directly alignment these data to the reference genome. Then, by comparing and analyzing the split alignment result, we can obtain the structural variation information contained in the long sequence data. However, the exi