[发明专利]识别被测序基因组中的重排

说明书

交叉引用相关申请

本申请要求如下申请的优先权以及是如下申请的非临时申请：2010年10月11日提交的发明名称为“Nucleic Acid Sequencing and Process（核酸测序及处理）”的美国临时申请第61/391805号，在此通过引用并入其全部内容用于一切目的。

本申请还涉及Carnevali等人于2010年4月29日提交的发明名称为“Method And System For Calling Variations In A Sample Polynucleotide Sequence With Respect To A Reference Polynucleotide Sequence（调用样本多核苷酸序列相对于参考多核苷酸序列的变化的方法及系统）”的共同拥有美国申请第12/770,089号，在此通过引用全文并入其公开文本。

技术领域

本发明的实施例涉及基因组测序，尤其涉及识别基因组中的重排。

背景技术

基因组测序在过去几年中已取得进展。一些方法现在可以在相对较短时段（例如，天）内并且以相对较小成本（小于$10,000）地测序。提供这样速度和效率的一种方法包括使用双末端测序和参考基因组。样本中的核酸片段可以具有其利用相对少量核苷酸（等效碱基对）测序的两端。然后，可以将序列读数的这些末端配对映射到一个或多个参考基因组。末端配对(mate pair)的序列和片段的预期尺寸典型地导致末端配对的末端映射到相互具有特定分离、次序、和取向的地点（定义间隔）。

但是，在一些情况下，一些对不能如所预期地被映射到参考基因组，它们被称为失调对。例如，末端配对的两端每一个都可能映射到参考物，但没有预期的次序、取向和分离，或末端配对的一端可能映射到参考物，但另一端没有。当在样本基因组中相对于参考基因组发生重排时，就可以出现这种情况。发现这样的重排可以提供有价值的诊断和研究信息。例如，重排通常是像癌症那样的疾病的结果，或可以导致得癌症的可能性更大。除了疾病识别之外，重排的准确识别由于像准确跟踪一群人的遗传那样的许多原因而变得很重要，因为重排可能发生在几代以前。但是，从重排中得出失调末端配对时的确定可能是一项艰巨的任务，会出现许多假阳性。

因此，最好是提供准确识别失调对和基因组重排的方法、系统和装置。

发明内容

本发明的实施例可以提供参照人类基因组参考序列对被测序基因组的结点（例如，由大规模重排引起）的识别。一些实施例旨在将假阳性与实际结点区分开。这样的假阳性可能由许多原因引起，包括错误映射、样本的DNA分子之间的嵌合反应、和参考基因组带来的问题。作为过滤处理的一部分，可以提供结点的碱基对分辨率（或近碱基对分辨率）。在各种实现中，可以使用失调末端配对和/或将片段的长度分布的统计分析用于样本基因组的局部区域来识别结点。某些实施例还旨在识别临床上有意义的结点，以便可以把进一步的分析集中在对病人的健康可能有更大影响的基因组区域上。

按照一个实施例，提供了一种在样本基因组与参考基因组之间确定是否存在结点的方法。接收从生物样本中双末端(paired-end)测序多个片段的结果。该结果包括片段的末端配对和该末端配对到参考基因组的映射。一个末端配对包括片段的第一端的第一臂读数和片段的相对端的相应臂读数。根据末端配对到参考基因组的映射识别样本基因组中的结区。该结区包括包含结区的第一边缘的第一边缘部分、包含结区的第二（相对）边缘的第二边缘部分、和第一边缘与第二边缘之间的潜在结点。识别第一臂读数的第一集合，其中每个第一臂读数至少部分映射到第一边缘部分或具有根据各自相应臂读数的映射地点至少部分映射到第一边缘部分的不可忽略概率。将第一集合的第一臂读数的序列相互比较，以确定在结区中是否存在结点。

按照另一个实施例，提供了一种在样本基因组与参考基因组之间确定是否存在临床上有意义结点的方法。接收从生物样本中双末端测序多个片段的结果。该结果包括片段的末端配对和该末端配对到参考基因组的映射。可以确定多个失调末端配对。根据该失调末端配对确定多个潜在结点。获取出现在其他样本基因组中的结点的列表。对于每个潜在结点，将该潜在结点是否在该列表上用于确定该潜在结点是否是临床上有意义结点。在一个方面中，在列表上的潜在结点较不可能是临床上有意义结点。