[发明专利]一种利用文本比对分析高通量测序基因表达水平的方法

权利要求书

1.一种分析高通量测序基因表达水平的方法，其特征在于，包含以下步骤：

S1.获取待分析样本的高通量测序信息；

S2.序列加编号，打散，随机组合；

S3.选取上述步骤S2中的10万条序列作为查询序列，将10万条查询序列与100万条序列进行比对后统计查询序列表达量；

S4.将步骤S3中，10万条查询序列与100万条序列比对得到的序列进行重叠群拼接；

S5.重叠群序列的比对以及注释提取；

步骤S3中，随机选取上述步骤S2中打散的100万条序列，在100万条序列中随机选取10万条序列作为查询序列，针对每一条查询序列进行以下操作：

(1)每隔5个核苷酸，取20个连续的核苷酸序列，将每条查询序列分为多个20mer的短片段；

(2)在每条查询序列的多个20mer的短片段中，随机选取9个20mer的短序列；

(3)采用随机选取的至少9个20mer短序列，与100万条序列匹配比对，同时，至少9个20mer短序列的互补链亦进行与100万条序列匹配比对，统计匹配序列编号去除重复编号，获得每条序列与100万条匹配后的数量；

(4)分别计算正链与互补链比对的统计数即获得每个查询序列与100万条序列比对的匹配序列，即匹配该条查询序列的正链与互补链的表达量。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，所述的待分析样本为动物、植物、微生物的DNA或RNA提取物。

3.根据权利要求1所述的方法，其特征在于，步骤S1中，所述的高通量测序信息采用Roche的454测序平台、Illumina的Hiseq/Miseq测序平台和ABI的SOLiD测序平台中的一种获得。

4.根据权利要求1所述的方法，其特征在于，步骤S2中，打散，随机组合的方法为：采用逐级按照每10万→100万→5万条进行随机排序并按随机方式合并序列，其中，每个100万分成若干个目录单独进行每1万条的随机排序，再随机组合合并所有序列。

5.根据权利要求1所述的方法，其特征在于，步骤S4中，其具体步骤如下：

(1)利用查询序列的5'和3'两端20mer序列进行匹配，切除原始序列后找出剩下最长的序列进行组装拼接从而得到重叠群；

(2)将重叠群相互比对，去除重复的重叠群；

(3)再次进行至少9x20mer随机片段比对；

(4)对匹配的序列组，先在序列组内按照序列号的大小进行排序，然后在不同的序列组间，按组内第一个序列号相同的序列组合并重叠群；

(5)分别计算单独的重叠群和2个及以上的重叠群，找出比对的表达量进行合并得到重叠群的表达量。

6.根据权利要求1所述的方法，其特征在于，步骤S5中，将步骤S4组装拼接得到的重叠群序列与NCBI的BLAST服务器核酸数据库进行比对获得序列的比对及注释信息。

7.根据权利要求1-6任一所述的方法，其特征在于，采用开放源代码操作系统进行操作，所述的开放源代码操作系统选自类Unix系统，所述的开放源代码操作系统选自FreeBSD、OpenBSD、Solaris、Minix或Linux。

8.一种分析高通量测序基因表达水平的系统，其特征在于，所述的系统包括：

1)高通量测序系统：用于获取待分析样本的高通量测序信息；

2)数据处理系统：所述的数据处理系统用于实现权利要求1-6所述的方法的步骤；

所述的数据处理系统为开放源代码操作系统；

所述的开放源代码操作系统选自类Unix系统；

所述的开放源代码操作系统选自FreeBSD、OpenBSD、Solaris、Minix或Linux。

9.一种计算机可读介质，其上存储有计算机指令，其特征在于，该指令被处理执行时实现权利要求1-6所述的方法的步骤。