[发明专利]基于多核CPU硬件的高通量转录组测序数据质量控制方法

说明书

本发明是一种基于多核CPU硬件的高通量转录组测序数据质量控制方法。包括：利用多核CPU对高通量转录组测序数据进行并行处理，得到去除低测序质量序列的数据；利用多核CPU对去除低测序质量序列的数据中的rRNA序列进行预测和去除，并进行污染序列的定性鉴定；对序列比对结果进行统计和评价。本发明基于多核CPU计算机，克服了基于单核CPU硬件计算机的计算效率瓶颈，可以使高通量转录组数据质量控制效率提高7倍以上；本发明的应用将会显著提高高通量转录组数据质量控制的准确度和速度，广泛有助于转录组测序相关研究的迅速发展。

技术领域

本发明专利涉及生物信息学，具体的说是一种基于多核CPU硬件的高通量转录组测序数据质量控制方法，能够快速的对高通量转录组测序数据进行质量控制。

背景技术

高通量测序技术又称“下一代”测序技术，是对传统测序一次革命性的改变，能够一次对几十万到几百万条DNA/RNA分子进行序列测定，已经越来越广泛地应用于生物学相关研究中。与传统的Sanger测序技术相比，新一代测序技术的通量提高了一到两个数量级，数据量更多(100MB至数G)。转录组测序是基于高通量测序技术的一项深入应用，能够对一个物种的转录图谱进行细致、深入而全面的分析。然而，由于高通量测序技术本身的限制及转录组提取等人为实验的操作误差，原始生成的转录组数据往往含有部分低质量序列，包括低质量碱基、污染序列和核RNA序列(rRNA)等。这些低质量序列的存在将会极大地影响后续转录组数据分析的准确性，甚至导致错误的结论。此外，由于后续的转录组分析结果依赖于将序列与参考基因组进行比对(alignment)后得出，因此转录组序列的比对质量也是衡量转录组测序数据整体质量的关键因素之一。综上所述，质量控制是进行高通量转录组测序数据分析必须的关键步骤。目前已有的转录组数据质量控制方法主要集中于完成序列比对层面的质量评价，而无法全面的对于碱基、序列、污染和比对质量同时进行质量控制。

由于高通量转录组测序数据一般需要测定不同条件或不同时间点采集的多个样本，每个样本一般分别需要三个或以上生物学重复和技术重复，因此测序的样本量巨大，导致每次测序往往获得超过二十个样本和几十G的数据量，所以对应于高通量转录组数据的质量控制，必须有具有相当运算能力的超级计算机和相应的分析软件来实现。采用目前的普通分析方法利用单一的CPU计算机对几亿条序列进行逐条扫描并分别处理，可能需要数天甚至一个月的时间，使数据分析的效率亦成为了相关研究中的一大瓶颈。

发明内容

为了解决传统分析方法和计算系统无法全面、精确而高效地满足高通量转录组测序数据质量控制的要求的问题，本发明根据高通量转录组测序数据可并行处理的特点，提出一种基于多核CPU硬件的高通量转录组测序数据质量控制方法。

本发明为实现上述目的所采用的技术方案是：一种基于多核CPU硬件的高通量转录组测序数据质量控制方法，包括以下步骤：

利用多核CPU对高通量转录组测序数据进行并行处理，得到去除低测序质量序列的数据；

利用多核CPU对去除低测序质量序列的数据中的rRNA序列进行预测和去除，并进行污染序列的定性鉴定；

对序列比对结果进行统计和评价。

所述利用多核CPU对高通量转录组测序数据进行低测序质量序列的去除，包括以下步骤：

利用Parallel-QC工具将输入文件分割成若干个小规模子数据；

将各个子数据分配到不同的CPU内核上；

同时在多个CPU内核上检测其子数据中每个序列的碱基质量和接头序列，并根据用户指定的长度依次切除每个序列两端的低质量碱基，过滤含有用户指定比例的低质量碱基的序列，删除其中的接头序列；

将上述处理后的序列合并到一起，从而得到去除低测序质量序列的数据。