核酸序列拼接方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及生物信息處理領(lǐng)域，尤其涉及一種核酸序列拼接方法及裝置。
【背景技術(shù)】
[0002]在基因組測序技術(shù)發(fā)展歷程中，具有低成本、高測序通量(又稱高通量，指一定時間內(nèi)獲得的數(shù)據(jù)輸出量)、更精準(zhǔn)特點的第二代測序技術(shù)帶來了前所未有的應(yīng)用前景，如基因組組裝、結(jié)構(gòu)變異檢測等。第二代測序技術(shù)得到的read(讀段，指隨機打亂DNA序列所得的小片段)不僅長度短，數(shù)量又極為巨大，覆蓋度高，這給序列拼接帶來了前所未有的難題，而基因組測序中的一個關(guān)鍵步驟就是序列拼接。序列拼接是將小的reads進行比對合并成大的DNA序列或者RNA序列，這些reads是由堿基A、G、C、T或A、G、C、U組成，reads的長度表示其含有的A、G、C、T或A、G、C、U的個數(shù)。含有A、G、C、T或A、G、C、U的reads經(jīng)過拼接得到更長的reads，該更長的reads再經(jīng)過拼接或比對最終可得到DNA或RNA序列。
[0003]第二代測序技術(shù)所面臨的基本拼接問題是，由于第二代測序技術(shù)read長度偏短的特點，由此給拼接算法帶來難題，包括如何處理測序錯誤，以及如何處理重復(fù)序列。在真實的基因組項目中，大基因組尤其是植物基因組的重復(fù)序列含量十分高，有的重復(fù)序列高達(dá)60%以上，在使用現(xiàn)有拼接算法進行序列拼接過程中，由于重復(fù)序列的影響，將產(chǎn)生很多短碎的contig (重疊群)序列，使得后續(xù)拼接過程的scaffold (支架，是由順序確定的contigs連接組成)構(gòu)建、補洞等環(huán)節(jié)受其影響，效果不佳。
[0004]已有研究提出使用長reads來處理拼接過程的重復(fù)序列。長reads可通過例如測通的Illumina數(shù)據(jù)得到。研究表明，長read有利于在contig構(gòu)建過程中利用新的算法理論與新的拼接策略解決更多的重復(fù)序列的問題，得到更長的contig序列，提升contig構(gòu)建的效果。

【發(fā)明內(nèi)容】

[0005]依據(jù)本發(fā)明的一方面，提供一種核酸序列拼接方法，包括:接收測序序列，所述測序序列包括讀段和測通數(shù)據(jù)；根據(jù)所述讀段構(gòu)建原始拼接圖；將所述測通數(shù)據(jù)比對到所述原始拼接圖的邊上；從原始拼接圖的邊集中選擇錨點邊，所述錨點邊的兩端沒有分叉且跨過該錨點邊的讀段的路徑?jīng)]有沖突；構(gòu)建以所述錨點邊為中心的局部子圖；化簡所述局部子圖，在化簡結(jié)果中重復(fù)選擇錨點邊進行處理直至不存在新的錨點邊；對處理后剩余的局部子圖進行合并，將合并結(jié)果作為拼接結(jié)果輸出。
[0006]依據(jù)本發(fā)明的另一方面，提供一種核酸序列拼接裝置，包括:接收模塊，用于接收測序序列，所述測序序列包括讀段和測通數(shù)據(jù)；原始構(gòu)建模塊，用于根據(jù)所述讀段構(gòu)建原始拼接圖；比對模塊，用于將所述測通數(shù)據(jù)比對到所述原始拼接圖的邊上；選擇模塊，用于從原始拼接圖的邊集中選擇錨點邊，所述錨點邊的兩端沒有分叉且跨過該錨點邊的讀段的路徑?jīng)]有沖突；子圖構(gòu)建模塊，用于構(gòu)建以所述錨點邊為中心的局部子圖；化簡模塊，用于化簡所述局部子圖，在化簡結(jié)果中重復(fù)選擇錨點邊進行處理直至不存在新的錨點邊；合并模塊，用于對處理后剩余的局部子圖進行合并，將合并結(jié)果作為拼接結(jié)果輸出。
[0007]依據(jù)本發(fā)明的又一方面，提供一種包括上述核酸序列拼接裝置的基因組測序設(shè)備。
[0008]依據(jù)本發(fā)明的再一方面，提供一種計算機可讀存儲介質(zhì)，用于存儲供計算機執(zhí)行的程序，本領(lǐng)域普通技術(shù)人員可以理解，在執(zhí)行該程序時，通過指令相關(guān)硬件可完成上述核酸序列拼接方法的全部或部分步驟。所稱存儲介質(zhì)可以包括:只讀存儲器、隨機存儲器、磁盤或光盤等。
[0009]依據(jù)本發(fā)明的方法，通過將測通數(shù)據(jù)比對到由讀段構(gòu)建得的原始拼接圖，從原始拼接圖中選擇出錨點邊并據(jù)此構(gòu)建局部子圖，再通過對局部子圖的化簡和合并得到更長的路徑，達(dá)到解決錨點邊之間的重復(fù)序列的路徑選擇問題，進而可完成測序序列的拼接任務(wù)，為提升scaffold構(gòu)建效果提供可能。
【附圖說明】
[0010]本發(fā)明的上述和/或附加的方面和優(yōu)點從結(jié)合下面附圖對實施方式的描述中將變得明顯和容易理解，其中:
圖1為依據(jù)本發(fā)明的一種實施例的核酸序列拼接方法的流程示意圖；
圖2至圖4為由于片段中間的堿基錯誤形成的環(huán)形結(jié)構(gòu)和由測序錯誤形成的嵌合體示意圖；
圖5和圖6分別為邊出現(xiàn)分叉路徑和路徑存在沖突的示意圖；
圖7為通過錨點邊D獲得的所有局部子圖及其化簡結(jié)果示意圖；
圖8為由錨點邊D構(gòu)成的局部子圖與由錨點邊F構(gòu)成的局部子圖的合并示意圖；
圖9為局部子圖合并過程中弧關(guān)系的處理示意圖；
圖10為依據(jù)本發(fā)明的一種實施例的核酸序列拼接方法的流程示意圖；
圖11為Maize chrl contig組裝結(jié)果示意圖；
圖12為Maize chrl scaffold構(gòu)建結(jié)果不意圖；
圖13為Maize chrl contig評價結(jié)果示意圖；
圖14為Maize基因組補洞后scaftig統(tǒng)計結(jié)果示意圖；
圖15為Maize基因組scaftig評價結(jié)果示意圖。
【具體實施方式】
[0011]目前已有研究者開發(fā)出不同的算法并編寫大量的拼接軟件。比較成功的拼接軟件是velvet、SOAPdenovo等。其中，SOAPdenovo是深圳華大基因開發(fā)，是專門針對Illumina高通量測序數(shù)據(jù)的拼接軟件，可從http://soap, genomics, org.cn/soapdenov0.html下載獲得。SOAPdenovo基于de Brui jn (德布魯因)圖算法,其拼接流程一般包括如下步驟A_F。
[0012]步驟A,構(gòu)建不同長度的插入讀段文庫,例如180bp (base pair,堿基對)、500bp等;
步驟B，將所有小讀段庫(180/500bp)測序得到的reads截斷成更小的序列片段，通過它們之間的重疊關(guān)系構(gòu)建de Bruijn圖，從而將這些讀段連接起來；
步驟C,在步驟B中構(gòu)建的de Bruijn圖非常復(fù)雜,為了簡化de Brui jn圖，需要去除無法繼續(xù)連接的分支、低覆蓋度的分支(一般這兩種情況是由于測序錯誤造成)；并利用reads信息化簡重復(fù)序列在de Bruijn圖的分叉通路；對于少量的雜合位點，采用隨機選擇策略，合并雜合位點；
步驟D，通過步驟C得到簡化后的de Bruijn圖，這樣的圖仍然會有很多分叉位點無法確定真正的連接關(guān)系，因此在每個分叉位點將序列截斷，得到了最初的contigs ；
步驟E,將所有文庫測序得到的reads比對回初步得到的contigs,利用reads之間的連接關(guān)系和插入讀段大小信息，將contigs組裝成scaffolds ；
步驟F,對contigs之間的gap (空隙)進行補洞，延長contigs。補洞后的contigs長度相比補洞之前一般可以增加6-7倍。
[0013]其中，de Bruijn圖的構(gòu)造過程如下:
(I)假定給定的reads集合為F= {fl, f2,…，fn},把這些reads劃分為若干連續(xù)堿基組成的等長度短序列(稱為kmer)。假設(shè)每個kmer長度為k,對一個read劃分時,先以read的任意一端為起始位置，截取k個堿基，再將起始位置向后移動一個堿基，再截取k個堿基，依此類推，直至截取得到kmer的尾部到達(dá)read的另一端,這些kmer組成了 de Bruijn圖的頂點。
[0014](2)對于任意兩個kmer如u和V，如果u的后k_l個堿基序列與v的前k_l個堿基序列相同，則建立一條由u指向V的有向邊。
[0015]通過以上兩步即可構(gòu)造出一個de Bruijn圖。
[0016]本發(fā)明一種實施例以SOAPdenovo拼接軟件為基礎(chǔ)，提出一種核酸序列拼接方法及裝置，如圖1所示，實施例的核酸序列拼接方法包括以下步驟S1-S13。
[0017]步驟S1:接收測序序列。
[0018]這里，所接收的測序序列包括reads和測通數(shù)據(jù)。reads通常是指通過高通量測序技術(shù)得到的長度較短的reads ;測通數(shù)據(jù)包括長reads和連通數(shù)據(jù)，連通數(shù)據(jù)是指測通的Illumina雙末端數(shù)據(jù)(paired-end reads)連接形成的長讀段(又稱連通read),即插入讀長小于兩條read長度之和的數(shù)據(jù)而形成的一條長度更長的read，或者說是利用插入片段長度小于所測得的兩條末端讀長之和的數(shù)據(jù)的由兩個末端讀段連接形成的長read;而測通數(shù)據(jù)包括的長reads是指長度大于插入片段的reads,例如通過Roche 454測序平臺獲得的reads。連通數(shù)據(jù)的獲取可采用已有的相關(guān)技術(shù)實現(xiàn)，例如采用華大基因研發(fā)的COPE(可從 http: //sourceforge.net/projects/coperead/files/src/ 下載獲得)軟件實現(xiàn)對連通數(shù)據(jù)的獲取。以下實施例