[发明专利]组装基因组序列的方法和系统

说明书

技术领域

本发明涉及生物信息技术领域，尤其涉及一种组装基因组序列的方法和装置。

背景技术

第二代测序技术极大地推动了生物信息学的发展，已经有大量物种的基因组被测序。但目前第二代测序技术产生的都是长约100bp～150bp左右的小片段序列，仅100～150bp的读长(reads)相比庞大的基因组，使得完成拼接工作变得无比艰巨，不少用户虽然获得了大量的测序数据，测序覆盖深度达到了几十倍甚至上百倍，但仍然没法完成基因组的拼接。如何将这些测序得到的海量小片段序列数据还原为样品中的大片段数据给后续的信息分析工作提出了极大的挑战，需要通过非常大的运算量才有可能完成对大片段数据的还原。而且，基因组De Novo组装(从头组装)还会遇到如何跨越高重复区域(复杂动植物及真菌)、高GC(微生物)和高AT含量区域的难题，这些区域结构极其复杂，含有大量串联重复，现有的第二代测序技术的短读长，无法获得这些高度重复区域的准确的序列，难以获得整个基因组的完美拼接。就好象把一幅图打成非常小的碎片，然后做拼图，由于碎片太小，因此碎片数目很多，而且许多小碎片非常相似，看起来都差不多，要拼出一副完整的图难度很大。此外，第二代测序技术文库制备时必须要先进行PCR扩增，PCR过程中的偏向(bias)或者错配(mismatch)等将无法在测序时修正，也就意味着这些错误会变成系统误差，且无法通过增加测序覆盖深度来消除。

第三代测序平台正在迅速发展中，Pacific Biosciences公司的PacBio RS单分子实时测序系统自2011年4月底推出以来，立刻成为广大研究者的热点，被誉为最有前途的第三代测序平台。Pacific Biosciences公司在2012年度发布了最新的PacBio RSII测序仪，并且升级了最新的试剂以及测序酶，结合最新的C2试剂和P4酶，PacBio RSII将平均读长提升至5kb，最长读长可以达到20kb以上，在测序所得的序列拼接、定位以及跨越重复区域的应用中有着极大优势，可以完全克服第二代测序技术的困难。相当于同样的一幅拼图，用大的碎片来做拼图，碎片的数目会减少，而且大碎片比小碎片的识别度要高，因此完成拼图的难度就可以大幅降低，组装获得的图质量会大大提高，这对De Novo组装，特别是复杂细菌以及复杂动植物基因组的图谱组装质量的提升是空前的。而且，在PacBio平台上，文库制备时无需PCR扩增，因此避免了PCR产生的bias等。

但是，两年多过去了，研究人员对采用第三代单分子实时测序技术一直保持慎重。其主要原因在于单分子实时测序的错误率相对较高，单次测序错误率15％,循环测序误差8％左右，其准确度与第二代测序技术有很大的差距，无法进行正常的后续分析。PacBio平台上目前的错误主要是插入和缺失。缺失错误源自于有时候碱基掺入速度过快，超过了PacBio相机的拍摄帧数。插入错误源自于有的时候酶随机的选择一些碱基，但并未将这些碱基真的掺入合成链中。

发明内容

针对现有技术中存在的问题，本发明的主要目的在于提供一种组装基因组序列的方法和系统，将第二代测序技术所得的高精度短片段序列数据和单分子实时测序所得长片段序列数据结合在一起进行基因组序列的组装，提高组装效率和准确率。

一方面，本发明提供了一种组装基因组序列的方法，包括：

利用第二代测序技术对样品进行测序，获得所述样品的高精度短片段序列；

对获得的所述高精度短片段序列进行拼接，获得第一拼接序列；

利用单分子测序技术对与上述同样来源的样品进行测序，获得所述同样来源样品的长片段序列；

对获得的所述长片段序列进行拼接，获得第二拼接序列；

将所述第一拼接序列定位到所述第二拼接序列上；

利用所述第一拼接序列中的所述高精度短片段序列对所述第二拼接序列中的所述长片段序列进行局部纠错，获得第三拼接序列。

在本发明的一个实施例中，上述方法还包括使用LSC软件和所述高精度短片段序列对第三拼接序列中未被第一拼接序列覆盖到的区域进行纠错。

在本发明的另一个实施例中，第二代测序技术采用的是HiSeq测序仪，单分子测序技术采用的是PacBio RSII测序仪。

在本发明的又一个实施例中，使用SOAPdenovo软件对获得的高精度短片段序列进行拼接。

在本发明的又一个实施例中，使用SOAPdenovo软件对获得的高精度短片段序列进行拼接包括以下步骤：