[发明专利]紧凑的下一代测序数据集及使用其的高效测序处理

说明书

在包括通过处理组织样本采集的碱基序列的基因测序读数上操作的方法中，生成基因测序读数的紧凑文本表示。所述紧凑文本表示包括：(1)文本串，其表示碱基序列，以及(2)碱基质量文本域，其识别碱基序列的最长子序列，针对所述最长子序列，子序列的碱基的碱基质量分数满足碱基质量分数阈值；以及将基因测序读数的紧凑文本表示存储在原始读数存储器中。为了提供灵活性，所述碱基质量文本域可以识别针对两个或更多不同碱基质量分数阈值的每个的最长子序列。在读数比对期间，针对基因测序读数的偏移边界能够使用碱基质量文本域的内容高效地进行选择。

技术领域

下文涉及基因分析领域，并涉及诸如包括肿瘤学领域、兽医学领域等医学领域的相同的应用。

背景技术

高效的基因测序系统，有时被称为“下一代测序”(NGS)系统，能够迅速且实质上自动地对整个基因组进行测序。尽管NGS精确度已经足够用于临床应用，并且预期随着技术成熟而得到改善，但是与诸如桑格(Sanger)测序的较慢的常规技术相比，现有的NGS系统有时表现出较低的读数精确度。

为了评估读数精确度(或可靠性)，通常针对读数的每个碱基计算碱基质量分数。在Sanger测序的情况下，通过计算用于所测序的碱基的参数(诸如峰形和分辨率)，并将这些值与凭借经验建立的查找表进行比较，根据谱图数据计算phred质量分数。Phred分数通常被认为与错误地响应碱基的概率对数相关。例如，Q＝20的phred分数(Q)对应于99％的碱基响应(basecall)精确度，而Q＝30对应于99.9％的精确度，Q＝40对应于99.99％的精确度，等等。NGS方法采用并行处理技术，其通过数量级增强生产量。

常规phred分数计算不严格适用于NGS技术，但大多数NGS平台生成“像phred一样的”碱基质量分数，其相当于或按比例缩放到根据谱图数据计算的常规phred分数。本领域中，这些“像phred一样的”碱基质量分数有时被称为phred分数。

用于读数的公用存储器格式为FASTA格式，其中，碱基腺嘌呤(A)、胞嘧啶(C)、鸟嘌呤(G)和胸腺嘧啶(T)的存在分别由美国信息交换标准码(ASCII)字母“A”、“C”、“G”和“T”表示。对于RNA，碱基胸腺嘧啶(T)替换为碱基尿嘧啶(U)。FASTA不存储质量分数信息。

另一方面，FASTQ格式合并质量分数。读数的FASTQ表示通常以ASCII格式，并且包括四行：标题行，其作为序列标识符；序列行，其列出由适当的ASCII字母“A”、“C”、“G”和“T”(用于DNA)或“U”(用于RNA)表示的有序的碱基序列；分隔符行，其通常仅由加号(“+”)标记构成(在某些FASTQ格式中，该行还可以包括诸如序列标识符的其他信息，例如对标题的镜像)；以及碱基质量分数行，其列出使用合适的编码的碱基质量分数(例如，将phred分数0-93映射至ASCII代码33-126，以避免在0-32范围内众多的“不可打印”的ASCII字符)。

因此，用于FASTQ读取条目的总存储器为2L序列+[H]+K，其中L序列为读数长度(即，构成读数的碱基的数目)，并且[H]为标题中的字符的数目。“+K”为常数偏移，其解释了“+”分隔符和分隔四行的任何定界字符(例如，回车或回车/换行)，而乘数因子2解释了每个碱基由碱基字符(“A”、“C”、“G”、“T”或“U”)和碱基质量分数二者表示的事实。对于合理长度的读数(例如，多于几个碱基)，大多数条目存储器由序列组成，总存储量为大约2L序列。