[发明专利]一种基于长读序测序判断重叠组装正误的方法

说明书

本发明涉及一种基于长读序测序数据判断重叠组装正误的方法，通过将长读序测序数据比对到待处理的重叠组装结果来进行，所述长读序测序中的平均读长不小于2kb。通过使用本发明的方法，可在重叠组装成contig的阶段对重叠组装的正误进行判断，剔除错误的重叠组装，提供可信度更高的contig序列信息。

技术领域

本发明涉及基因组测序与组装领域，更特别地，涉及一种基于长读序测序判断重叠组装正误的方法。

背景技术

由于高通量测序产生的下机结果并非完整连续的基因组，而是一系列末端有重叠的片段，所以必须通过特定的组装算法和软件才能使这些片段组装成相对完整的基因组。然而，由于原始数据质量问题或组装软件缺陷，最终组装结果中难免会留下一些错误，这些错误从不同的尺度可以划分为两类，第一类是碱基水平的错误，第二类是contig水平的错误，前者可以通过纠错手段进行纠正，但后者目前还没有成熟的纠错方法。

这些遗留在组装结果中的错误，会对后续的基因组分析产生较大的影响。而要对其进行纠正就必须使用比其可信度更高的数据，因此，一种使用原始下机数据进行contig水平纠错的方法是非常必要且意义重大的。

发明内容

为解决以上问题，本发明提供了一种基于长读序测序的重叠组装水平纠错方法，其特征在于，通过将长读序测序数据比对到待处理的重叠组装结果来进行，所述长读序测序中的平均读长不小于2kb。

在一个实施方案中，所述方法包括以下步骤：

S1：获得长读序测序数据；

S2：将所述长读序测序数据与待处理的重叠组装结果进行比对，得到比对结果；

S3：根据所述比对结果的信息来对所述重叠组装结果进行正误判断。

在一个实施方案中，S2包括以下步骤：

S21：将所述长读序测序数据比对到所述重叠组装结果；

S22：对所述长读序测序数据中同一条读序的比对进行聚类和处理，选取选择总比对长度最长的一类作为该读序的最终比对，用于提取比对信息，合并离散比对；

S23：依次扫描所述重叠组装结果的每条重叠组装序列的比对，记录异常中断窗口、所述异常中断窗口中的异常断点数以及所述异常中断窗口被所述长读序测序数据中的读序跨过次数。优选地，此处不对全基因组所有位置进行扫描，仅扫描异常中断窗口，异常中断窗口是指内部存在至少一个异常断点的50-200bp的窗口。异常断点是指比对起始或结束位置不在读序的起点或终点的断点，这些断点很可能是由于组装错误导致。

在一个优选实施方案中，S22中聚类的前后还分别进行了一次过滤。

优选地，S22中，聚类前的过滤剔除比对长度小于20-100bp的比对，剔除比对长度占自身比对长度的比例小于0.01-0.1的比对，并且剔除比对一致性低于85-95％的比对；聚类后的过滤剔除比对长度占自身比对长度的比例小于0.3-0.6的比对。这两次过滤减少了噪音和假阳性比对。

在一个优选实施方案中，S23中，所述异常中断窗口为内部存在的异常断点数大于阈值的窗口，阈值计算方法为：(测序深度*6)/100。这样的异常中断窗口我们称为高异常中断窗口，高异常中断窗口中存在错误组装的可能性大大增加。

在一个实施方案中，S23中，异常中断窗口处的读序跨过次数通过以下方法来计算：以所述异常窗口中点左侧200bp和右侧200bp构成的区域为读序跨过判断窗口，计算跨过所述读序跨过判断窗口的读序数。

在一个实施方案中，S3中所述比对结果的信息包括每个所述异常中断窗口中的异常断点数以及被所述长读序测序数据中的读序跨过的次数，S3具体包括以下步骤：