一種高通量轉(zhuǎn)錄組測序數(shù)據(jù)的分析方法
【專利摘要】本發(fā)明屬于生物信息【技術(shù)領(lǐng)域】，尤其涉及一種高通量轉(zhuǎn)錄組測序數(shù)據(jù)的分析方法。所述分析方法更加有效準(zhǔn)確的分析樣本當(dāng)前的基因轉(zhuǎn)錄情況，其在分析過程中通過Burrows-Wheeler變換方法定位后，再通過Hash表進行了二次定位。本發(fā)明通過WGA加Hashalignment的方法給出了一種更加可靠有效的高通量轉(zhuǎn)錄組測序數(shù)據(jù)的分析方法。
【專利說明】一種高通量轉(zhuǎn)錄組測序數(shù)據(jù)的分析方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于生物信息【技術(shù)領(lǐng)域】，尤其涉及一種高通量轉(zhuǎn)錄組測序數(shù)據(jù)的分析方法。

【背景技術(shù)】
[0002]隨著新一代高通量測序技術(shù)的快速發(fā)展，建立在高通量測序基礎(chǔ)上的轉(zhuǎn)錄組測序技術(shù)已成為目前從全基因組水平研究基因表達和轉(zhuǎn)錄組分析的重要手段.轉(zhuǎn)錄水平的調(diào)控是生物體最主要的調(diào)控方式.在深度測序技術(shù)出現(xiàn)之前，高通量測定不同基因轉(zhuǎn)錄水平的主要手段是基因芯片，它可以對不同組織或不同發(fā)育階段的基因表達差異和模式進行分析，而RNA-Seq技術(shù)最基本的應(yīng)用也是檢測基因的表達水平，它對同一樣品深度測序可以捕獲低表達的基因，而對大量樣品同時測序可以獲得樣品之間的表達差異。與基因芯片數(shù)據(jù)比較，RNA測序得到的是數(shù)字化的表達信號，無需設(shè)計探針，能在全基因組范圍內(nèi)以單堿基分辨率檢測和量化轉(zhuǎn)錄片段，具有靈敏度高、分辨率高和應(yīng)用范圍廣等優(yōu)勢。除此之外，研究人員還可以獲得轉(zhuǎn)錄本表達豐度、轉(zhuǎn)錄起始位點和可變剪切等重要信息。所以，建立在高通量測序基礎(chǔ)上的轉(zhuǎn)錄組研究已經(jīng)逐步取代基因芯片技術(shù)成為目前從全基因組水平研究基因表達的王流方法。
[0003]在對基因組進行測序時，基因組被切割成很多小片段，通過復(fù)制、堿基辨識等步驟，我們可以獲得這些短序列的堿基序列(測序序列)。然而在切割基因組后，我們無法知道各個測序序列的相對位置。如果沒有參考基因組，就只能通過裝配技術(shù)來得到所測的基因組。如果有一個已被測得的基因組作為參照，這就是一個相對容易的重測序問題。現(xiàn)在我們在生物學(xué)研究、個體化醫(yī)療中面臨的測序問題，絕大部分是或可以近似轉(zhuǎn)化為重測序問題。在重測序問題中，我們要尋找每一個測序序列在參考基因組上的位置或坐標(biāo)，我們稱之為測序序列定位。例如，通過將轉(zhuǎn)錄組的測序序列定位至參考基因組序列來測量不同種類的RNA的含量；或者通過將轉(zhuǎn)錄組的測序序列定位至參考基因組序列來探測mRNA可變剪切的模式等。
[0004]通常的高通量測序數(shù)據(jù)的定位(Mapping)方法,主要有基于哈氏表(hash)的方法和基于Burrows-Wheeler變換的方法?；诠媳?hash)的方法只能處理定長的序列數(shù)據(jù)，適用于參考序列較短的；如果序列太長(如人的全基因組序列)，則需要很大的計算機內(nèi)存，處理速度也很慢。優(yōu)點是較好地支持容錯率?；贐urrows-Wheeler變換的方法能處理變長的序列數(shù)據(jù)，但不能支持較大的容錯率，否則將喪失速度優(yōu)勢。
[0005]由于測序儀器自身的測序誤差，實際的高通量測序數(shù)據(jù)往往有很多的噪聲，這就給正確的定位帶來很大的困擾。
[0006]對于真核基因組情況將更加復(fù)雜，由于真核基因是斷裂基因，由內(nèi)含子和外顯子構(gòu)成，轉(zhuǎn)錄機制更加復(fù)雜。mRNA是按照特定的轉(zhuǎn)錄機制由外顯子序列拼接而成，也就是說一條轉(zhuǎn)錄組測序數(shù)據(jù)(Read)定位在基因組參考序上可能是不連續(xù)的片段，這就為正確定位測序數(shù)據(jù)、基因轉(zhuǎn)錄水平、可變剪接以及基因融合帶來更大的難度。


【發(fā)明內(nèi)容】

[0007]本發(fā)明目的在于針對現(xiàn)有技術(shù)的不足，提供一種高通量轉(zhuǎn)錄組測序數(shù)據(jù)的分析方法，更加有效準(zhǔn)確的分析樣本當(dāng)前的基因轉(zhuǎn)錄情況，其在分析過程中通過Burrows-Wheeler變換方法定位后，再通過Hash表進行了二次定位。
[0008]在本發(fā)明的一個實施方案中，所述分析方法的具體步驟如下，實施流程圖見附圖1:
(1)WGA Alignment方法:獲得RNA-Seq的原始數(shù)據(jù)后，將轉(zhuǎn)錄組測序數(shù)據(jù)以可變長度和步長切成短片段，將轉(zhuǎn)錄組測序數(shù)據(jù)以可變長度和步長切成短片段，并應(yīng)用Burrows-Wheeler變換方法定位到參考基因組序列上,匹配允許I個堿基的錯配，并設(shè)定最大允許查找定位的數(shù)目，設(shè)定有效值1-50 ;可變長度默認值為30，步長默認值為5，所述可變長度與步長可以根據(jù)實際Reads的長度來確定，Reads長度越長，可變長度及步長可以設(shè)定得越大，以提高運行效率，步長設(shè)定為可變長度的1/6為佳；
(2)對匹配上的測序數(shù)據(jù)分為節(jié)點和數(shù)據(jù)鏈，基于參考基因組mRNA注釋信息以及匹配度打分進行濾除不可靠節(jié)點和數(shù)據(jù)鏈，具體步驟如下:
(a)Node確定:將基因組上有Reads覆蓋的連續(xù)區(qū)域定為一個Node，根據(jù)設(shè)定的覆蓋深度保留符合條件的Node,可分別已知基因區(qū)最小Read覆蓋深度和非已知基因區(qū)最小Read覆蓋深度，默認值分別為I和4。根據(jù)不同測序數(shù)據(jù)質(zhì)量可以進行調(diào)整，測序深度越大，設(shè)定得最小Read覆蓋深度以濾除噪聲。
[0009](b) Link 確定:
1.載入所有形成Link的reads，也就是指單條Read分別定位到基因組的不連續(xù)兩段以上區(qū)域；
I1.進行峰值處理，依據(jù)聚類分析結(jié)果給出Link的起始位置(參考文獻I)，并根據(jù)如下規(guī)則進行修正:當(dāng)Reads覆蓋度大于10,以超過50%形成Link的Reads的起始位置進行修正；當(dāng)Reads覆蓋度小于10，以超過70%形成Link的Reads的起始位置進行修正(實施案例見附圖12)；
II1.依據(jù)進行基因注釋信息和GT-AG法則進行Link起始位置修正，去除邊緣可變剪接Nodes的影響,對邊緣l_3bp堿基進行exon與exon剪接接頭檢查,去除重復(fù)堿基定位的誤差;
V1.小Gap Link的檢測:設(shè)定最小exon間堿基數(shù)目為6,低于6bp的Gap最為刪除變異處理，而大于6bp的Gap定義為Gap Link。
[0010](C) Chain確定:連續(xù)的Node及Link定義為一個Chain。
[0011]1.根據(jù)Node及連接Node的Link,給出所有可能的不重復(fù)的基因Chain。
[0012]I1.根據(jù)基因注釋信息，找出基因區(qū)域內(nèi)的所有可能的基因Chain。找出基因間區(qū)域的所有的新基因Chain。
[0013]II1.濾除不可罪基因Chain:相似基因Chain、重置基因Chain以及融合基因chain (該基因Chain覆蓋區(qū)域跨越兩個以上基因的區(qū)域)按各自規(guī)則依次進行濾除。
[0014]相似基因Chain濾除規(guī)則:序列相似度大于80%的基因進行相似基因Chain檢查，將相似基因間的相同基因Chain進行合并，保留不同的基因Chain。
[0015]重疊基因Chain濾除規(guī)則:如果重疊部分和某一基因的mRNA完全匹配則直接劃分到這一基因如果沒有完全匹配的則比較所在chain和各個基因的mRNA匹配的長度，基因Chain定位到匹配長度最長的基因。
[0016]融合基因Chain濾除規(guī)則:對于相鄰近基因只保留相同模板鏈上相同方向的基因融合Chain ;重疊基因間的融合基因Chain濾除，根據(jù)覆蓋度拆分定位到對應(yīng)的基因上；濾除相同染色體上覆蓋范圍大于10000的融合基因Chain ;支持多基因間融合查找。
[0017](3)切割所有匹配的參考基因組序列構(gòu)成新的有效的重構(gòu)參考序列，應(yīng)用hash表進行二次定位，以此提高匹配準(zhǔn)確度及速度；
拼接參考序的步驟如下，實施見附圖2:
Ca)以所有基因組注釋基因的mRNA,有Reads覆蓋的生成基因chain的序列為基本參考序列；
(b)設(shè)定提取序列初始長度為100，再動態(tài)計算平均Reads長度值后替換；
(C)從基本參考序列中分別取exon與exon的接頭序列、基因Chain的Node與Node間的連接序列，長度等于提取序列長度；去重復(fù)追加到重構(gòu)參考基因組序列，并記錄在原始基因組中位置以備還原定位；
(d)從基本參考序列中分別取exon中間序列、基因Chain的Node中間序列，去重復(fù)存為重構(gòu)參考基因組序列，并記錄在原始基因組中的位置以備還原定位；
(e)拼接序列時盡量減少重復(fù)序段的干擾，根據(jù)exon長度以及Node長度調(diào)整提取序列的大??；
Cf)在重構(gòu)參考基因組序列中進行去重處理，以降低參考序列大小，提高運行速度；
(g)對測序樣本用Hash Alignment方法對重構(gòu)參考基因組序列進行匹配,可設(shè)定最小匹配長度以及最低相似度，默認設(shè)置為12及85% ；
(4)對Reads匹配結(jié)果重新定位到原始參考基因組序列上，重復(fù)步驟(2)，確定Nodes、Link以及Chain,基于基因組注釋mRNA信息以及數(shù)據(jù)鏈各exon間連接度找到新的mRNA可變剪切，基因融合和新基因，并給出基因表達水平、變異情況的統(tǒng)計信息；
(5)基因Chain和Nodes進行分層展示,并根據(jù)不同Node、Link類型給出不同顏色分類標(biāo)識，見附圖3、附圖5-12，具體規(guī)則如下:
分層展示原則:與已知mRNA吻合的基因顯示在第一層；發(fā)生可變剪輯變異的Node、獨立的新Link放在第二層；重疊基因區(qū)域的按照前兩個原則順序分層顯示。
[0018]顏色分類標(biāo)識定義如下:
已知基因Nodes:與已知基因exon完全吻合。紫色橫線標(biāo)識，見附圖3。
[0019]已知基因Link:與已知基因的mRNA剪接方式相吻合的Link。用紫色連接線標(biāo)識，連線上方數(shù)字為形成該Link的Reads數(shù)目，見附圖3。
[0020]新Node(Novel Node):該Node與任何已知注釋基因的exon區(qū)域沒有重疊區(qū)域，藍色標(biāo)識。
[0021]新Link (Novel Link):連接Link的至少一個Node是新Node ;連接Link的至少一個Node的連接位置與已知基因exon位置有差異。用藍色連線標(biāo)識，連線上方數(shù)字為形成該Link的Reads數(shù)目，見附圖5-6。
[0022]融合Link (Fus1n Link):兩個不同基因見發(fā)生可變剪接的Link,不直接標(biāo)識，只在數(shù)據(jù)報表中給出Link的起始位置，點擊報表可以在基因Chain的顯示圖中給出定位區(qū)域。見附圖7。
[0023]可變剪接(Alternative Splicing):與已知mRNA的exon不完全重合的，至少有一端與exon的位置有差異，用桔黃色連線標(biāo)識，見附圖5，附圖8。
[0024]可變轉(zhuǎn)錄起始(AlternativeTranscript Start):與 mRNA 第一個 exon 不完全重合的Node，用灰色橫線標(biāo)識，見附圖9
可變轉(zhuǎn)錄終止(Alternative Transcript Stop):與mRNA最后一個exon不完全重合的Node，用灰色橫線標(biāo)識，見附圖6，附圖10
插入Node (Insert1n):在基因內(nèi)與已知exon沒有任何重疊的Node,并且沒有完全跨越相鄰的兩個exon，用紅色橫線標(biāo)識，見附圖8。
[0025]通讀(Read Through):跨越兩相鄰基因間區(qū)域的Node,用灰色橫線標(biāo)識,見附圖11。
[0026]內(nèi)含子包容(Intron Retent1n):擴越基因mRNA兩個已知相鄰exon的Node,用紅色橫線標(biāo)識，見附圖12。
[0027]非mRNA 的 Node:除了 mRNA 之外的 RNA 的 Node,包括 miscRNA, ncRNA 等，用綠色橫線標(biāo)識，見附圖6。
[0028](6)生成各類基因數(shù)據(jù)報表，并建立索引，實現(xiàn)快速定位，見附圖3和附圖4展示。
[0029]數(shù)據(jù)報表包括每個NodeS、Link的染色體定位信息、基因信息、Reads覆蓋深度、形成Link的Reads數(shù)目、Pair_End Reads通過形成Link的數(shù)目、已近Node的類型、Isoform和蛋白質(zhì)的NCBI識別號，可直接鏈接到NCBI網(wǎng)站查看mRNA和蛋白質(zhì)的詳細信息。
[0030]數(shù)據(jù)報表(附圖4)與基因Chain展示(附圖3)實現(xiàn)關(guān)聯(lián)定位，可直接定位到需要查看的基因、Nodes、Link以及Chain，也可根據(jù)基因名字、染色體位置和基因序列直接進行搜索。

【專利附圖】

【附圖說明】
[0031]圖1:本發(fā)明高通量轉(zhuǎn)錄組測序數(shù)據(jù)的分析方法的流程圖圖2:本發(fā)明重構(gòu)參考序方法示意圖
圖3:本發(fā)明轉(zhuǎn)錄組測序數(shù)據(jù)分析結(jié)果顯示圖，C部分為基因Chain顯示，其中A為已知Node (紫色)，B為已知Link (紫色),該圖顯示的為獲得的一條已知基因Chain (紫色)，D部分為基因注釋信息顯示,其中G為基因區(qū)域,H為exon,該基因有6個mRNA,E部分為參考基因組的整體顯示，雙擊可定位到相應(yīng)基因區(qū)域，F(xiàn)部分為Reads覆蓋深度顯示。
[0032]圖4:本發(fā)明轉(zhuǎn)錄組測序數(shù)據(jù)分析結(jié)果報告圖
圖5:本發(fā)明發(fā)現(xiàn)新Link (Novel Link)及可變剪接(Alternative Splicing)不例，圖中三個標(biāo)注為A的Node為可變剪接(桔黃色)，標(biāo)注為B的Link為新Link (藍色)。標(biāo)注為C的為已知Node (紫色),標(biāo)注為D的為已知Link (紫色)
圖6:本發(fā)明發(fā)現(xiàn)新Link及MiscRNA示例，圖中標(biāo)注為A的三個Node是MiscRNA的Node (綠色),標(biāo)注為B的Link是新Link (藍色),標(biāo)注為C的Link是已知Link (紫色),標(biāo)注為D的Node是可變轉(zhuǎn)錄終止Node (灰色)。
[0033]圖7:本發(fā)明發(fā)現(xiàn)融合Link (Fus1n Link)示例，圖中A區(qū)域中大斜線的區(qū)域為融合Link的定位,B區(qū)域第一條記錄給出了融合Link發(fā)生的起始位置(Start, End)、染色體(Chr)、基因(Gene)、形成該Link的Reads數(shù)目(Link Number)等信息。
[0034]圖8:本發(fā)明發(fā)現(xiàn)插入Node (Insert1n)示例，圖中標(biāo)注為A的Node為插入Node(紅色)，標(biāo)注為B的Node為可變剪接(桔黃色)，因為兩個Node中間是不連續(xù)的。標(biāo)注為C的兩個Link為新Link (藍色),標(biāo)注為D的Link為已知Link (紫色),標(biāo)注為E的Node為已知Node (紫色)。
[0035]圖9:本發(fā)明發(fā)現(xiàn)可變轉(zhuǎn)錄起始(Alternative Transcript Start)不例，圖中標(biāo)注為A的Node為可變轉(zhuǎn)錄起始(灰色),標(biāo)注為B的Link為已知Link (紫色),標(biāo)注為C的Node為已知Node (紫色)。
[0036]圖10:本發(fā)明發(fā)現(xiàn)可變轉(zhuǎn)錄終止(Alternative Transcript Stop)不例，圖中標(biāo)注為A的Node為可變轉(zhuǎn)錄終止(灰色),標(biāo)注為B的Link為已知Link (紫色),標(biāo)注為C的Node為已知Node (紫色)。
[0037]圖11:本發(fā)明發(fā)現(xiàn)通讀(Read Through)示例，圖中標(biāo)注為A的Node為通讀(灰色)，標(biāo)注為B的Node是YOSl基因的可變剪接(桔黃色)，標(biāo)注為C的Node是PTP3基因的已知Node (紫色)。
[0038]圖12:本發(fā)明發(fā)現(xiàn)內(nèi)含子包容(Intron Retent1n)示例以及濾噪示例，圖中標(biāo)注為A的Node是內(nèi)含子包容(紅色)，標(biāo)注為B的Node為可變剪接(桔黃色)，標(biāo)注為C的Node為已知Node,標(biāo)注為D的為已知Link。依據(jù)本文步驟2中對Link起止位置的進行了修正，給出了正確的Link，并給出了同時存在的可變剪接及內(nèi)含子包容。

【具體實施方式】
[0039]下面將結(jié)合附圖以及進一步的詳細說明來舉例說明本發(fā)明。需要指出的是，以下說明僅僅是對本發(fā)明要求保護的技術(shù)方案的舉例說明，并非對這些技術(shù)方案的任何限制。本發(fā)明的保護范圍以所附權(quán)利要求書記載的內(nèi)容為準(zhǔn)。
[0040]術(shù)語解釋
在本發(fā)明中所述“Read”是指高通量測序得到的一條序列。
[0041]在本發(fā)明中所述“Node”是指reads定位到參考序后由連續(xù)的reads構(gòu)成的結(jié)點。
[0042]在本發(fā)明中所述“Link”是指reads覆蓋到兩個以上node形成的連接。
[0043]在本發(fā)明中所述“Chain”是指由nodes及經(jīng)過nodes的link形成的鏈。
[0044]在本發(fā)明中所述“Reads覆蓋度”是指定位到參考序的連續(xù)區(qū)域上Read的數(shù)目。
[0045]實施例1
為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更為清楚，本發(fā)明用一套實際的人的高通量轉(zhuǎn)錄組測序數(shù)據(jù)為例進行數(shù)據(jù)分析:
1.樣本數(shù)據(jù)Illumina20由Illummina測序儀完成測序，轉(zhuǎn)成fasta數(shù)據(jù)格式大小為
3.29G，平均測序深度為30。
[0046]2.以人的GRCh37.p5基因組序列作為參考序構(gòu)建Index，序列文件大小為2.73G。
[0047]3.依照表I設(shè)置參數(shù)，依照
【發(fā)明內(nèi)容】
中的步驟1，以WGA比對測試樣本Illumina20與人的參考基因組序列，匹配得到樣本序列在參考序中的最佳匹配位置。
[0048]4.依據(jù)
【發(fā)明內(nèi)容】
中的步驟2的方法,確定所有Node, Link以及Chain,去除不可靠link以及不可靠Chain。結(jié)果在表2中給出。
[0049]5.依據(jù)
【發(fā)明內(nèi)容】
中的步驟3描述方法，根據(jù)獲得可靠Chain，拼接得到Hashalignment方法的參考序,序列文件大小為85.5M。
[0050]6.依據(jù)
【發(fā)明內(nèi)容】
中的步驟4描述方法，對測試樣本對新拼接得到的參考序進行Hash alignment,比對參數(shù)見表1.7.依據(jù)
【發(fā)明內(nèi)容】
中的步驟5描述方法，將比對結(jié)果重新定位到人的原始參考基因組序列上。
[0051]8.再次依據(jù)
【發(fā)明內(nèi)容】
中的步驟2的方法,確定所有Node, Link以及Chain,去除不可靠link以及不可靠Chain。結(jié)果在表2中給出。
[0052]9.基于基因組注釋mRNA信息以及數(shù)據(jù)鏈各exon間連接度找到新的mRNA可變剪切，基因融合和新基因。
[0053]10.依據(jù)
【發(fā)明內(nèi)容】
中的步驟6描述方法，用不同顏色標(biāo)識各類Node，Link以及Chain，進行分層展示，快速查找及定位。
[0054]11.統(tǒng)計基因表達情況，變異情況，以及新基因的情況。
[0055]12.結(jié)果顯示見表2 13.結(jié)果評價:
盡管WGA方法可以快速實現(xiàn)測試樣本序列的快速定位，僅用了 66分鐘，也能找到可靠的Node, Link以及Chain,但根據(jù)與Hash alignment結(jié)果比較可以明顯看出，經(jīng)過重新構(gòu)建的基因組參考序，找到的Node總數(shù)較WGA方法減少了近1/3，但卻可以獲得相近的Link數(shù)，說明并沒有因為參考序列的大幅減少而丟失可靠的Link。同時找到基因Chain不到WGA方法的一半，而獲得的表達基因數(shù)目與實驗情況基本吻合，同時融合基因定位比較合理，可見WGA方法獲得的基因Chain受Nodes數(shù)目較大影響，有很大的孤立的基因Chain存在，而找到的47，627基因雖然沒有給出詳細劃分，但人的基因總數(shù)目在3萬左右，可以推測其中多數(shù)為孤立Node的或者單一 Link都成Chain的新基因，可靠性不高。因此可以清楚地確定盡管Hash方法以犧牲適度的時間換取了基因表達情況分析的可靠度，本發(fā)明通過WGA加Hash alignment的方法給出了一種更加可靠有效的高通量轉(zhuǎn)錄組測序數(shù)據(jù)的分析方法。
[0056]表I參數(shù)設(shè)置

【權(quán)利要求】
1.一種高通量轉(zhuǎn)錄組測序數(shù)據(jù)的分析方法，其特征在于，其在分析過程中通過Burrows-Wheeler變換方法定位后,再通過Hash表進行了二次定位。
2.根據(jù)權(quán)利要求1所述的分析方法，其特征在于，所述分析方法的具體步驟如下: (1)WGA Alignment方法:獲得RNA-Seq的原始數(shù)據(jù)后，將轉(zhuǎn)錄組測序數(shù)據(jù)以可變長度和步長切成短片段，將轉(zhuǎn)錄組測序數(shù)據(jù)以可變長度和步長切成短片段，并應(yīng)用Burrows-Wheeler變換方法定位到參考基因組序列上,匹配允許I個堿基的錯配，并設(shè)定最大允許查找定位的數(shù)目；所述可變長度與步長可以根據(jù)實際Reads的長度來確定； (2)對匹配上的測序數(shù)據(jù)分為節(jié)點和數(shù)據(jù)鏈，基于參考基因組mRNA注釋信息以及匹配度打分進行濾除不可靠節(jié)點和數(shù)據(jù)鏈， (3)切割所有匹配的參考基因組序列構(gòu)成新的有效的重構(gòu)參考序列，應(yīng)用hash表進行二次定位，以此提高匹配準(zhǔn)確度及速度； (4)對Reads匹配結(jié)果重新定位到原始參考基因組序列上，重復(fù)步驟(2)，確定Nodes、Link以及Chain,基于基因組注釋mRNA信息以及數(shù)據(jù)鏈各exon間連接度找到新的mRNA可變剪切，基因融合和新基因，并給出基因表達水平、變異情況的統(tǒng)計信息； (5)基因Chain和Nodes進行分層展示，并根據(jù)不同Node、Link類型給出不同顏色分類標(biāo)識， (6)生成各類基因數(shù)據(jù)報表，并建立索引，實現(xiàn)快速定位。
3.根據(jù)權(quán)利要求2所述的分析方法，其特征在于，所述步驟(2)中，具體步驟如下: (a)Node確定:將基因組上有Reads覆蓋的連續(xù)區(qū)域定為一個Node，根據(jù)設(shè)定的基覆蓋 Coverage ； (b)Link 確定: 1.載入所有形成Link的reads，也就是指單條Read分別定位到基因組的不連續(xù)兩段以上區(qū)域； I1.進行峰值處理，依據(jù)聚類分析結(jié)果給出Link的起始位置，并根據(jù)如下規(guī)則進行修正:當(dāng)Reads覆蓋度大于10,以超過50%形成Link的Reads的起始位置進行修正；當(dāng)Reads覆蓋度小于10，以超過70%形成Link的Reads的起始位置進行修正； II1.依據(jù)進行基因注釋信息和GT-AT法則進行Link起始位置修正，去除邊緣可變剪接Nodes的影響,對邊緣l_3bp堿基進行exon與exon剪接接頭檢查,去除重復(fù)堿基定位的誤差; V1.小Gap Link的檢測:設(shè)定最小exon間堿基數(shù)目為6,低于6bp的Gap最為刪除變異處理，而大于6bp的Gap定義為Gap Link ； (c)Chain確定:連續(xù)的Node及Link定義為一個Chain ； 1.根據(jù)Node及連接Node的Link,給出所有可能的不重復(fù)的基因Chain； I1.根據(jù)基因注釋信息，找出基因區(qū)域內(nèi)的所有可能的基因Chain;找出基因間區(qū)域的所有的新基因Chain ； II1.濾除不可靠基因Chain:相似基因Chain、重疊基因Chain以及融合基因chain(該基因Chain覆蓋區(qū)域跨越兩個以上基因的區(qū)域)按各自規(guī)則依次進行濾除； 相似基因Chain濾除規(guī)則:序列相似度大于80%的基因進行相似基因Chain檢查，將相似基因間的相同基因Chain進行合并，保留不同的基因Chain ； 重疊基因Chain濾除規(guī)則:如果重疊部分和某一基因的mRNA完全匹配則直接劃分到這一基因如果沒有完全匹配的則比較所在chain和各個基因的mRNA匹配的長度，基因Chain定位到匹配長度最長的基因； 融合基因Chain濾除規(guī)則:對于相鄰近基因只保留相同模板鏈上相同方向的基因融合Chain ;重疊基因間的融合基因Chain濾除，根據(jù)覆蓋度拆分定位到對應(yīng)的基因上；濾除相同染色體上覆蓋范圍大于10000的融合基因Chain ;支持多基因間融合查找。
4.根據(jù)權(quán)利要求2所述的分析方法，其特征在于，所述步驟(3)中，具體步驟如下: 以所有基因組注釋基因的mRNA,有Reads覆蓋的生成基因chain的序列為基本參考序列； 設(shè)定提取序列初始長度為100，再動態(tài)計算平均Reads長度值后替換； 從基本參考序列中分別取exon與exon的接頭序列、基因Chain的Node與Node間的連接序列，長度等于提取序列長度；去重復(fù)追加到重構(gòu)參考基因組序列，并記錄在原始基因組中位置以備還原定位； 從基本參考序列中分別取exon中間序列、基因Chain的Node中間序列，去重復(fù)存為重構(gòu)參考基因組序列，并記錄在原始基因組中的位置以備還原定位； 拼接序列時盡量減少重復(fù)序段的干擾，根據(jù)exon長度以及Node長度調(diào)整提取序列的大小； 在重構(gòu)參考基因組序列中進行去重處理，以降低參考序列大小，提高運行速度； 對測序樣本用Hash Alignment方法對重構(gòu)參考基因組序列進行匹配，可設(shè)定最小匹配長度以及最低相似度，默認設(shè)置為12及85%。
【文檔編號】G06F19/20GK104182657SQ201410422973
【公開日】2014年12月3日 申請日期:2014年8月26日 優(yōu)先權(quán)日:2014年8月26日
【發(fā)明者】王月蘭, 倪受庸, 劉勁松, 鄧彥, 龐啟波 申請人:江蘇華生恒業(yè)科技有限公司