本发明专利技术适用于生物信息领域，提供了一种高杂合二倍体基因组支架序列组装策略。具体包括：将Reads比对到Contig上得到所需要映射信息Arc和Link；根据Contig的长度和覆盖深度（CoverageDepth）设定阈值，将短的和高覆盖深度的Contig过滤；先由Contig两两间的Arc关系，构建Contig之间的有向连接图，使用寻找泡状结构过滤单路径算法单元对图进行处理；使用Contig之间的Link关系，构建Contig和TempScaffold之间的有向连接图，对图进行线性化处理；在所有插入片段库都被遍历使用后，得到最终的TempScaffold即为最终的Scaffold；根据保存的信息将之前使用Arc信息过滤掉的杂合单路径对应补回，并最终展示在结果中。通过本发明专利技术，能够在高杂合二倍体基因组的Scaffold组装中起到至关重要的作用，最终得到符合后续分析要求的结果。
【技术实现步骤摘要】
本专利技术适用于生物信息学领域，具体而言，涉及一种高杂合二倍体基因组支架序列组装策略。
技术介绍
第二代测序技术高速度、低成本的推动了动植物基因组的研究进程。现今基于第二代测序技术组装的生物信息学算法是针对序列情况简单的基因组开发的，组装结果在某些生物基因组的序列复杂程度较低的情况下会取得比较好的结果，然而当基因组较为复杂(如杂合度高于O. 5%)时组装结果会很不理想，达不到后续分析所需的最低要求。组装是将测序中得到的读长短序列(Read)，通过一些信息的处理，尽可能的得到线性的基因组序列的过程，一般得到的最终结果是中间有空白未知区域(Gap)的支架序列(Scaffold)。在主流的第二代测序技术短序列组装软件中，大多采用将读长短序列(Read)分解成定长为指定值k的短序列(Kmer)，使用这些短序列的的重叠关系来构建德布鲁因图(de Brujin graph)的方法来组装重叠群序列(Contig),再加上使用插入片段长度库(PairEnd, PE) Read信息将Contig连接成中间有空白区域的支架序列(Scaffold),再根据deBrujin graph和PE信息将Gap尽量填补或缩小。对于情况比较复杂的基因组来说，由于较多杂合和重复信息导致德布鲁因图过于复杂而难以线性化，得到的Contig序列长度较短(N50低于1K)，而在比较简单的基因组中则由于杂合度和重复度较低而不会有过多难以线性化的情况出现，Contig序列长度足够长(N50 高于 3K)。对于不同复杂程度的基因组得到不同程度Contig序列的情况，现有的组装软件并没有组装Scaffold不同针对性的策略，这样得到的Scaffold序列在基因组杂合度较高(大于O. 5%)的情况下会长度短(N50低于20K)且准确性低。
技术实现思路
本专利技术的主要目的在于提供一种高杂合二倍体基因组支架序列组装策略，以解决现有技术中基因组本身的杂合度较高而使得支架组装的效果差的问题。为了实现上述目的，本专利技术提供了一种高杂合二倍体基因组支架序列组装策略，所述的方法包括下述步骤 将Read比对到Contig上得到所需要映射信息Arc和Link，对应于附图5中比对映射单元； 根据Contig的长度和覆盖深度(Coverage Depth)设定阈值，将短的和高覆盖深度的Contig过滤,对应于附图5中过滤单元I ; 先由Contig两两间的Arc关系,构建Contig之间的有向连接图，使用寻找泡状结构过滤单路径算法单元对图进行处理，对应于附图5中过滤单元2 ； 使用Contig之间的Link关系，构建Contig和Temp Scaffold之间的有向连接图,对图进行线性化处理，对应于附图5中线性化单元1，线性化单元2和过滤单元3 ； 在所有插入片段库都被遍历使用后，得到最终的Temp Scaffold即为最终的Scaffold ； 根据在过滤单元2过程中储存的信息,对应Scaffold中Contig路径补回被过滤的杂合单路径，对应于附图5中补回单元。本专利技术所述的一种高杂合二倍体基因组支架序列组装策略，根据Reads信息寻找由于杂合导致Contig和Temp Scaffold图中出现的复杂结构并对图进行化简，与现有技术相比优点在于能够在高杂合二倍体基因组的Scaffold组装中大幅度提高组装效果(直接体现在Scaffold N50等组装指标上)，最终得到符合后续分析要求的结果。附图说明构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中 图I是根据本专利技术所需的两类映射信息的示意 图2是本专利技术寻找泡状结构过滤单路径单元的示意 图3是Scaffold处理模块中大插入片段长度单元的示意 图4是本专利技术过滤非关键节点单元的示意 图5是本专利技术采用的Scaffold策略流程图。具体实施例方式为了使本专利技术的目的、技术方案及优点更加清楚明白，下面结合附图和实施例对本专利技术进一步详细说明，应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。支架序列(Scaffold)组装所需要的包括通过线性化德布鲁因图得到的连续的包含覆盖度信息的重叠群序列(Contig)文件和各插入长度片段库的Read文件，经过一系列的单元处理过程最终得到的结构为线性化连接的Contig，Contig之间由一定长度的空白区域填充，表示为Contig之间的距离,该线性化连接的Contig结构即为Scaffold。由于插入长度片段库的插入长度会相差较大，处理的过程也会由插入长度的等级(Rank)分开，有些处理单元只要调用一次，有些处理单元需要根据插入长度库分的等级数多次调用。参考附图5的处理流程图，具体如下 第一步，将Read比对到Contig上得到所需要映射信息(Arc和Link)。下面具体说明将一个单端读长序列(SE Read)比对到Contig上，同时比对到两条Contig的终止和起始位置的Read构建了两条Contig的无缝连接关系(Arc);将插入片段成对读长序列(PERead)比对到Contig上,两端Read之间的距离由插入片段库长度和Read长度决定，实际值与给定值有一定的标准偏差，如果各有一端Read比对到Contig上的PE Read构建了两条Contig的在一定长度范围的空白区域的连接关系(Link)。比对可采用生物信息学常见的比对软件如Blat，soap等，由于真实的Read数据上会有一定的几率出现错误，所以根据实际情况可以允许一定长度的错误匹配，具体的如IOObp长度的Read可以允许5bp长度的错误匹配。比对映射的目的是使用Read信息建立起Contig之间的有向连接关系。此步为对应比对映射单元,参考附图I。第二步,根据Contig的长度和覆盖深度(Coverage Depth)分布设定阈值,将短的和过高覆盖深度的Contig过滤。具体的如将Contig长度阈值设置为lOObp，覆盖深度阈值设置为2倍的平均覆盖深度阈值，则我们遍历所有的Contig，只要满足其长度低于IOObp或覆盖深度高于2倍的平均覆盖深度这两条件之一的，就将该Contig过滤，即该Contig与其上的Arc和Link信息都不使用到Scaffold的构建中，此步对应过滤单元I。第三步,先由Contig两两间的Arc关系，使用寻找泡状结构过滤单路径算法单元进行处理。寻找类似附图2中的Bubble结构，将Bubble两边的路径分为快路径(FastPath)和慢路径(Slow Path),将Slow Path合并到Fast Path上；过程如下我们对每条路径的每个节点算出一个时间(Time)值，用所有节点的平均Time值表示路径的Time值，Time值较小的定义为Fast Path。初始的每个Contig的Time值都设置为-I,遍历过的Contig的Time值都会经过计算而改变，Time值的计算如下 ContigB的Time值与其相连接的前一个ContigA有关，同时与ContigB的长度(Length)和覆盖深度(Coverage)有关； 被遍历过的Contig的Time值都会由改变，因此可以本文档来自技高网...
【技术保护点】
一种高杂合二倍体支架序列组装策略，其特征在于，包括如下步骤：将Reads比对到Contig上得到所需要映射信息Arc和Link；根据Contig的长度和覆盖深度（Coverage?Depth）设定阈值，将短的和过高覆盖深度的Contig过滤；先由Contig之间的Arc关系，构建Contig之间的有向连接图，使用寻找泡状结构过滤单路径算法单元对图进行处理；使用Contig之间的Link关系，构建Contig和Temp?Scaffold之间的有向连接图，对图进行线性化处理；????在所有插入片段库都被遍历使用后，得到最终的Temp?Scaffold即为最终的Scaffold；根据在寻找泡状结构过滤单路径算法单元的过程中储存的信息，对应最终Scaffold中Contig路径补回被过滤的杂合单路径，并将其输出在结果序列中。
【技术特征摘要】
【专利技术属性】
技术研发人员：阮航，王海龙，朱红梅，李瑞强，
申请(专利权)人：北京诺禾致源生物信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。