[发明专利]一种高通量转录组测序数据的分析方法

权利要求书

1.一种高通量转录组测序数据的分析方法，其特征在于，其在分析过程中通过Burrows-Wheeler变换方法定位后，再通过Hash表进行了二次定位。

2.根据权利要求1所述的分析方法，其特征在于，所述分析方法的具体步骤如下：

（1）WGA  Alignment方法：获得RNA-Seq的原始数据后，将转录组测序数据以可变长度和步长切成短片段，将转录组测序数据以可变长度和步长切成短片段，并应用Burrows-Wheeler变换方法定位到参考基因组序列上，匹配允许1个碱基的错配，并设定最大允许查找定位的数目；所述可变长度与步长可以根据实际Reads的长度来确定；

（2）对匹配上的测序数据分为节点和数据链，基于参考基因组mRNA注释信息以及匹配度打分进行滤除不可靠节点和数据链，

（3）切割所有匹配的参考基因组序列构成新的有效的重构参考序列，应用hash表进行二次定位，以此提高匹配准确度及速度；

（4）对Reads匹配结果重新定位到原始参考基因组序列上，重复步骤（2），确定Nodes、Link以及Chain，基于基因组注释mRNA信息以及数据链各exon间连接度找到新的mRNA可变剪切，基因融合和新基因，并给出基因表达水平、变异情况的统计信息；

（5）基因Chain和Nodes进行分层展示，并根据不同Node、Link类型给出不同颜色分类标识，

（6）生成各类基因数据报表，并建立索引，实现快速定位。

3.根据权利要求2所述的分析方法，其特征在于，所述步骤（2）中，具体步骤如下：

（a）Node确定：将基因组上有Reads覆盖的连续区域定为一个Node，根据设定的基覆盖Coverage；

（b）Link确定：

I．载入所有形成Link的reads，也就是指单条Read分别定位到基因组的不连续两段以上区域；

II．进行峰值处理，依据聚类分析结果给出Link的起始位置，并根据如下规则进行修正：当Reads覆盖度大于10，以超过50%形成Link的Reads的起始位置进行修正；当Reads覆盖度小于10，以超过70%形成Link的Reads的起始位置进行修正； 

III．依据进行基因注释信息和GT-AT法则进行Link起始位置修正，去除边缘可变剪接Nodes的影响，对边缘1-3bp碱基进行exon与exon剪接接头检查，去除重复碱基定位的误差；

VI．小Gap Link的检测：设定最小exon间碱基数目为6，低于6bp的Gap最为删除变异处理，而大于6bp的Gap定义为Gap Link；

（c）Chain确定：连续的Node及Link定义为一个Chain；

I．根据Node及连接Node的Link，给出所有可能的不重复的基因Chain；

II．根据基因注释信息，找出基因区域内的所有可能的基因Chain；找出基因间区域的所有的新基因Chain；

III．滤除不可靠基因Chain：相似基因Chain、重叠基因Chain以及融合基因chain（该基因Chain覆盖区域跨越两个以上基因的区域）按各自规则依次进行滤除；

相似基因Chain滤除规则：序列相似度大于80%的基因进行相似基因Chain检查，将相似基因间的相同基因Chain进行合并，保留不同的基因Chain；

重叠基因Chain滤除规则：如果重叠部分和某一基因的mRNA完全匹配 则直接划分到这一基因 如果没有完全匹配的 则比较所在chain和各个基因的mRNA匹配的长度，基因Chain定位到匹配长度最长的基因；

融合基因Chain滤除规则：对于相邻近基因只保留相同模板链上相同方向的基因融合Chain；重叠基因间的融合基因Chain滤除，根据覆盖度拆分定位到对应的基因上；滤除相同染色体上覆盖范围大于10000的融合基因Chain；支持多基因间融合查找。

4. 根据权利要求2所述的分析方法，其特征在于，所述步骤（3）中，具体步骤如下：

以所有基因组注释基因的mRNA，有Reads覆盖的生成基因chain的序列为基本参考序列；

设定提取序列初始长度为100，再动态计算平均Reads长度值后替换；

从基本参考序列中分别取exon与exon的接头序列、基因Chain的Node与Node间的连接序列，长度等于提取序列长度；去重复追加到重构参考基因组序列，并记录在原始基因组中位置以备还原定位；

从基本参考序列中分别取exon中间序列、基因Chain的Node中间序列，去重复存为重构参考基因组序列，并记录在原始基因组中的位置以备还原定位；

拼接序列时尽量减少重复序段的干扰，根据exon长度以及Node长度调整提取序列的大小；

在重构参考基因组序列中进行去重处理，以降低参考序列大小，提高运行速度；

对测序样本用Hash Alignment方法对重构参考基因组序列进行匹配，可设定最小匹配长度以及最低相似度，默认设置为12及85%。