中的邊進(jìn)行復(fù)制，并將復(fù)制的邊加入最終拼接圖的邊集中，此外，還可保留第一個(gè)錨點(diǎn)邊之前的邊及其弧關(guān)系、以及最后一個(gè)錨點(diǎn)邊之后的邊及其弧關(guān)系，從而可保證后續(xù)分析時(shí)數(shù)據(jù)的完整性。在圖9中，帶有小黑點(diǎn)標(biāo)記的長方形表示錨點(diǎn)邊，無標(biāo)記的表示正常邊，帶有下標(biāo)r標(biāo)記的表示重復(fù)邊,這些邊一般都有分叉，需要對(duì)其弧關(guān)系進(jìn)行處理。在獲得最后的錨點(diǎn)D到錨點(diǎn)L之間的邊集的過程中，將其間遇到的重復(fù)邊復(fù)制一份，將復(fù)制的內(nèi)容加入到邊集，而原來的邊序列留在原處，原來的邊弧關(guān)系依舊留在原處，重新建立新的邊與前后邊之間的弧關(guān)系。處理后的結(jié)果如圖9中箭頭下方所示，這樣得到一條由錨點(diǎn)D開始、L結(jié)束的一條長路徑,最終連成一條長contig。
[0043]綜上步驟S1-S13,本實(shí)施例的優(yōu)點(diǎn)在于,首先,在把連通的Illumina數(shù)據(jù)比對(duì)到原始邊的過程中，允許一條read產(chǎn)生數(shù)條不連續(xù)的路徑信息，提高數(shù)據(jù)的利用率；其次，對(duì)原始邊進(jìn)行了類型識(shí)別后，后續(xù)可以針對(duì)不同類型的邊采取不同的處理措施；然后，根據(jù)路徑信息去除測(cè)序錯(cuò)誤，對(duì)錨點(diǎn)邊進(jìn)行篩選，提高可用錨點(diǎn)邊的數(shù)量和準(zhǔn)確性，其中錨點(diǎn)邊的選擇不僅限于單一序列，還包括重復(fù)序列里面的特異序列、雜合邊等，在選取的方法上，僅通過測(cè)序深度排除測(cè)序覆蓋度遠(yuǎn)大于平均覆蓋度的邊(不選為錨點(diǎn)邊)，而且去除測(cè)序錯(cuò)誤是通過kmer圖的拓?fù)浣Y(jié)構(gòu)和reads支持路徑無沖突等條件來實(shí)現(xiàn)；最后，把具有重疊關(guān)系的不同錨點(diǎn)邊的路徑合并，獲得更長的路徑，達(dá)到了解決錨點(diǎn)邊之間的重復(fù)序列的路徑選擇問題的目的；從而，在經(jīng)過后續(xù)的其它處理后，可以獲得更長contig序列。
[0044]圖10示出了本實(shí)施例的核酸序列拼接方法的詳細(xì)處理流程，圖示中虛線框部分為SOAPdenovo原有的模塊，實(shí)線框部分為本實(shí)施例發(fā)明新增的技術(shù)特征?？梢?，本實(shí)施例以特異性好的原始邊為錨點(diǎn)邊，利用連通的Illumina數(shù)據(jù)的長度優(yōu)勢(shì)，把不同的錨點(diǎn)邊連接起來。這種策略對(duì)于錨點(diǎn)邊之間的重復(fù)序列形成的拓?fù)浣Y(jié)構(gòu)沒有要求，避免了SOAPdenovo現(xiàn)有策略中對(duì)重復(fù)序列形成的拓?fù)浣Y(jié)構(gòu)的要求作出的限制，增加了可以解決重復(fù)的重復(fù)序列的數(shù)量。此外，本實(shí)施例還通過迭代過程選擇特異性較好的原始邊作為錨點(diǎn)邊，在每一輪的局部子圖處理與更新(即去除測(cè)序錯(cuò)誤的分叉，去除局部子圖中reads測(cè)序錯(cuò)誤指示的錯(cuò)誤路徑等)，將再進(jìn)行新一輪的錨點(diǎn)邊選取，直至再也無法選取出新的滿足條件(即前述錨點(diǎn)邊的相關(guān)定義)的未被選取過的錨點(diǎn)邊為止。
[0045]依據(jù)本發(fā)明的另一方面，還提供與前述核酸序列拼接方法相對(duì)應(yīng)的拼接裝置，其包括:
接收模塊,用于接收測(cè)序序列,所述測(cè)序序列包括reads和連通數(shù)據(jù)；
原始構(gòu)建模塊，用于根據(jù)reads構(gòu)建原始拼接圖； 比對(duì)模塊，用于將連通數(shù)據(jù)比對(duì)到原始拼接圖的邊上；
選擇模塊，用于從原始拼接圖的邊集中選擇錨點(diǎn)邊，錨點(diǎn)邊的兩端沒有分叉且跨過該錨點(diǎn)邊的讀段的路徑?jīng)]有沖突；
子圖構(gòu)建模塊，用于構(gòu)建以錨點(diǎn)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(diǎn)邊進(jìn)行處理直至不存在新的錨點(diǎn)邊；
合并模塊，用于對(duì)處理后剩余的局部子圖進(jìn)行合并，將合并結(jié)果作為拼接結(jié)果輸出。
[0046]上述模塊的實(shí)現(xiàn)可參考前述方法實(shí)施例中相關(guān)的描述，不作重述。此外，一種實(shí)施例還提供一種采用該核酸序列拼接裝置的基因組測(cè)序設(shè)備。
[0047]以下結(jié)合具體核酸序列對(duì)依據(jù)本發(fā)明的核酸序列拼接方法或裝置的運(yùn)行結(jié)果進(jìn)行詳細(xì)的描述。
[0048]在具體實(shí)例中，選取的是玉米I號(hào)染色體模擬數(shù)據(jù)，玉米I號(hào)染色體是高重復(fù)基因組序列，重復(fù)序列達(dá)到60%以上，在模擬數(shù)據(jù)中，首先模擬了 40X插入片段長度在180左右，reads長度為10bp的數(shù)據(jù)，然后根據(jù)SOAPdenovo的特點(diǎn)，模擬了插入片段長度為500和800bp的數(shù)據(jù)各10X，2K，5K，10K數(shù)據(jù)各10Χ。在模擬數(shù)據(jù)生成以后，利用中國華大基因開發(fā)的COPE軟件對(duì)插入長度為180的40Χ數(shù)據(jù)進(jìn)行連接，用連接后的數(shù)據(jù)與其它數(shù)據(jù)一起進(jìn)行組裝。為了說明效果，還進(jìn)行了與S0apden0V02.0結(jié)果的比照，即在相同數(shù)據(jù)與參數(shù)的前提下，分別用兩個(gè)版本的程序進(jìn)行組裝，比較組裝結(jié)果。
[0049](I) contig組裝結(jié)果與結(jié)果分析
首先，在相同參數(shù)和前期數(shù)據(jù)的情況下，用S0APdenovo2.0 (這里稱為舊版本oldvers1n)與采用本發(fā)明實(shí)施例(這里稱為新版本New vers1n)分別構(gòu)建contig, contig組裝結(jié)果如圖11所示的Maize chrl contig組裝結(jié)果，圖示中參數(shù)K表示用于構(gòu)建原始拼接圖所使用的kmer的長度，_d表示去除出現(xiàn)頻率小于d參數(shù)所設(shè)定的值的kmer, -R表示用reads跨過解決原始拼接圖中由于重復(fù)序列導(dǎo)致的重復(fù)結(jié)構(gòu)(該值在舊版本的程序中只能簡單處理短reads能跨過的簡單的結(jié)構(gòu)，在新版本的程序中是指使用選取錨點(diǎn)構(gòu)建子圖的方式解決原始拼接圖中由于重復(fù)序列導(dǎo)致的復(fù)雜結(jié)構(gòu))，-M表示合并由于雜合形成的bubble結(jié)構(gòu)(根據(jù)雜合率的不同，可以設(shè)置1、2、3三個(gè)檔值)，readLen表示讀段長度(包含使用COPE等工具將測(cè)通讀段連通后的最長讀段長度)。
[0050]玉米是高重復(fù)基因組,從采用S0APdenovo2.0版本來看，N50, N90都很短,新版本通過利用連通數(shù)據(jù)或是測(cè)通的長reads解重復(fù)處理后，contig N50.N90都有很大提升，N50都從200-300bp提升至2K以上?？傮w而言，對(duì)于玉米這樣高重復(fù)的基因組，新版本在contig的N50、N90提升是較為明顯的。
[0051](2) scaffold組裝結(jié)果與結(jié)果分析
對(duì)玉米I號(hào)染色體模擬數(shù)據(jù)，在相同參數(shù)和前期數(shù)據(jù)的情況下，用soapdenovo2.0與新版本分別構(gòu)建scaffold, scaffold組裝結(jié)果如圖12所示的Maize chrl scaffold構(gòu)建結(jié)果，圖示中Size_includeN表示包含有用N填充洞內(nèi)序列的總長度,Size_withoutN表示剔除用N表示的序列后的總長度，ScafTold_Num表示支架個(gè)數(shù)，Mean_Size表示支架的平均長度，Longest_Seq表示最長支架長度，Singleton_Num表示支架結(jié)果序列中不含N的序列的個(gè)數(shù)，這種一般是沒有參與構(gòu)建支架的重疊群序列，Average_length_of_break (N) _in_scaffold表示將支架里面填充的N剔除后的序列平均長度。
[0052]從組裝結(jié)果看，對(duì)于不同K值組裝的scaffold在N50，N90，平均長度等方面，新版本相對(duì)于舊版本都有了很大的提升，K=63的結(jié)果中，scaffold N50從616996上升到1753939，N90也是從127bp提升到了 119133bp?？偟膩碚f，新版本contig結(jié)果的改進(jìn)也帶來了 scaffold的提升，最終獲得更好的組裝效果。
[0053](3)組裝結(jié)果評(píng)價(jià)與結(jié)果分析
首先，對(duì)Maize基因組contig評(píng)價(jià)結(jié)果與分析。將組裝后的contig比對(duì)到reference上，獲得組裝后的contig的比對(duì)數(shù)量，基因組覆蓋度等相關(guān)信息，如圖13所示的Maizechrl contig評(píng)價(jià)結(jié)果，圖不中contig_num表不contig的個(gè)數(shù)，contig_size表不所有contig序列的長度總和，contig_coverage表示contig總長與基因組總長度的比值，aligned_num表示比對(duì)上參數(shù)序列的contig數(shù)目，aligned_size表示比對(duì)上參數(shù)序列的contig的總長度，aligned_coverage表示比對(duì)上的contig長度與基因組總長的比值，genome_covered_len表示contig序列覆蓋上的基因組序列的長度，genome_coverage表示contig序列比對(duì)上基因組的長度與基因組總長的比值，mismatch_base表示比對(duì)上的contig的錯(cuò)配堿基數(shù)，mismatch_rat1表示錯(cuò)配堿基比例，indel_base表示插入缺失堿基數(shù)，indel_rat1表示插入缺失堿基比例。
[0054]從比對(duì)結(jié)果看，舊版本組裝結(jié)果中，contig數(shù)量更多，即短碎contig居多，最后在統(tǒng)計(jì)contig總長時(shí)候舊版本的contig總長更長，新版本為了使子圖簡化，以方便重復(fù)路徑的處理，在contig前去除部分低覆蓋度的分叉，這樣操作的結(jié)果可能會(huì)誤刪除掉部分正確的路徑，導(dǎo)致最后基因覆蓋度略有下降，這可以借助后續(xù)的補(bǔ)洞把這部分補(bǔ)回來，見補(bǔ)洞后scaftig基因覆蓋度(參見圖14所示)。此外，新版本在indel與mismatch的數(shù)量與比例上有明顯下降，這說明新版本相比舊版本準(zhǔn)確度有所提升。
[0055]其次,對(duì)Maize基因組scaffold補(bǔ)洞后scaftig (將補(bǔ)洞的N去掉后的序列)結(jié)果統(tǒng)計(jì)與評(píng)價(jià)分析，如圖14所示的Maize基因組補(bǔ)洞后scaftig統(tǒng)計(jì)結(jié)果，圖示中N50表示將序列按照長度從大