基因组组装问题 (新).pdfVIP

目录

摘要2

一、问题的重述3

二、问题的分析3

三、模型假设4

四、符号说明4

五、模型的建立与问题的求解5

5.1问题一的解答5

5.1.1模型的建立5

5.1.2模型的求解5

5.2问题二的解答5

六、模型的评价6

6.1模型的优点6

6.2模型的缺点6

七、模型的改进与推广6

7.1模型的改进6

7.2模型的推广6

八、参考文献6

附录7

1

基因组组装问题

摘要

基因组测序是生物信息学的核心，有着极其重要的应用价值。新的测序技术

大量涌现，产生的reads长度更短，数量更多，覆盖率更大，能直接读取的碱基

对序列长度远小于基因组长度。所以测序之前DNA分子要经过复制若干份、随机

打断成短片段。要获取整个DNA片段，需要把这些片段利用重合部分信息组织连

接。如何在保证组装序列的连续性、完整性和准确性的同时设计耗时短、内存小

的组装算法是本题的关键。

本文主要研究在测序策略已知前提下，基于所获读长（reads）序列信息，

如何组装出相对合理的目标基因组。本文通过对问题进行分解，预处理相关读长

（reads）数据，将问题明确为尽可能使组装序列总长度最大，从而设计了基因

组组装优化算法，并根据既有数据对模型进行检验与修正。

针对问题一，首先我们查阅相关文献资料，在理解DeBruijn图核心思想的

基础之上，然后根据碱基数目尽可能大及组装序列的总长度的比例尽可能大要

求，确定k-mer长度为4，然后将这些k-mer片段存入debruijn图中，让图中

有边连接的k－mer顶点之间相互错开4位或者更多的位数，将reads里面的读

长序列进行两两比较并进行匹配，从而还原基因组。

针对问题二，根据对全长约为120,000个碱基对的细菌人工染色体（BAC）

进行测序得出的序列，首先我们对数据进行预处理，然后采用问题一设计的算法

与程序，得出拼接后完整的基因组，由于数据非常庞大，具体结果请见附录二。

关键字：读长序列DeBruijn图基因组组装

2

一、问题的重述

快速和准确地获取生物体的遗传信息对于生命科学研究具有重要的意义。对

每个生物体来说，基因组包含了整个生物体的遗传信息，这些信息通常由组成基

因组的DNA或RNA分子中碱基对的排列顺序所决定。获得目标生物基因组的序列

信息，进而比较全面地揭示基因组的复杂性和多样性，成为生命科学领域的重要

研究内容。

基因组序列拼接是生物信息学领域的核心问题，测序产生的读取片段reads

经过序列拼接组装，生成基因组的碱基序列。基因组组装软件可根据得到的所有

读长组装成基因组，这些软件的核心是某个组装算法。常用的组装算法主要基于

OLC方法、贪婪图方法、DeBruijn图方法等。

当然，由于技术的限制和实际情况的复杂性，最终组装得到的序列与真实基

因组序列之间仍可能存在差异，甚至只能得到若干条无法进一步连接起来的序

列。对组装效果的评价主要依据组装序列的连续性、完整性和准确性。连续性要

求组装得到的（多条）序列长度尽可能长；完整性要求组装序列的总长度占基因

组序列长度的比例尽可能大；准确性要求组装序列与真实序列尽可能符合。

问题一：试建立数学模型，设计算法并编制程序，将读长序列组装成基因组。

你的算法和程序应能较好地解决测序中可能出现的个别碱基对识别错误基因组、

中存在重复片段等复杂情况。

问题二：现有一个全长约为120,000个碱基对的细菌人工染色体（BAC），采

用Hiseq2000测序仪进行测序，