[发明专利]一种基于Bionano平台检测长串联重复序列的方法

权利要求书

1.一种基于Bionano平台检测长串联重复序列的方法，包括如下步骤：

(1)提取样本DNA，采用内切酶对DNA进行酶切、标记、修复、染色，用Bionano Saphyr系统定量处理；

(2)构建基于内切酶酶切位点的Bionano参考基因组；

(3)对原始数据进行信噪比过滤；

(4)将过滤后的数据比对到步骤(2)的参考基因组；

(5)对比对后的数据进行质量评估，如果质量不合格，则终止分析，如果质量合格，则进行步骤(6)；

(6)构建朴素贝叶斯分类器机器学习模型，利用朴素贝叶斯分类器对样本中指定区域的reads假阳性位点进行过滤；

(7)矩阵构建，根据reads在参考基因组上的比对情况结合reads上刻痕的距离信息，构建距离矩阵M，所述刻痕为酶切位点；对缺失位点以0填充，超过10％的reads在相同位置发生插入的位点按照真实插入位点处理，矩阵增加一列数据；

(8)聚类分析，采用欧氏距离计算步骤(7)中构建矩阵的各reads之间的距离，采用平均距离计算组间距离，进行层次聚类分析；

(9)重复单元计数，根据候选reads中刻痕的位置信息，识别重复单元；

(10)确定样本基因型，根据步骤(8)聚类分析中reads的距离关系以及每条reads上的重复单元数目判断样本基因型；

所述的基于Bionano平台检测长串联重复序列的方法，其中所述步骤(6)中的构建朴素贝叶斯分类器机器学习模型的步骤为：

(a)构建数据集

采用HX1数据构建的中国人参考基因组及其Bionano光学图谱数据，将Bionano数据比对到HX1参考基因组上，比对到参考基因组上的位点定为真阳性位点，未比对到的位点定为假阳性位点；分别随机选择1000个真阳性位点和1000个假阳性位点作为数据集；

(b)特征选择

针对Bionano的数据特点，根据reads比对到参考基因组的置信度对位点的强度、信噪比、覆盖度进行加权；同时，结合位点上下游数据得到用于描述该位点的分类特征；

(c)构建模型

基于朴素贝叶斯分类器公式

并通过公式

确定分类结果，其中y表示分类标签，y为0表示假阳性位点，y为1表示真阳性位点，x₁至x_n表示步骤(b)中所述分类特征的值，n表示所述分类特征的编号；

所述的基于Bionano平台检测长串联重复序列的方法，其中步骤(10)确定样本基因型的方法是根据步骤(8)聚类分析中reads的距离关系，由近及远，排除包含reads数目小于总reads数目5％的类，随后做如下判断：

(i)纯合：reads聚为1类，该类别reads数目占总reads数目的80％～100％，且重复单元的数目仅有1类，则样本基因型为纯合；

(ii)杂合：reads聚为2类，每个类别reads数目占总reads数目的40％～60％，且重复单元的数目有2类，则样本基因型为杂合；

(iii)嵌合体：reads聚为3类，每个类别reads数目占总reads数目的20％～40％，且重复单元的数目有3类，则样本为嵌合体。

2.根据权利要求1所述的基于Bionano平台检测长串联重复序列的方法，其中步骤(b)对位点的强度、信噪比、覆盖度进行加权的公式为：

其中，n表示reads数目；c表示reads的置信度；w表示权重；d、D表示加权前后位点强度，r、R表示加权前后位点信噪比、v、V表示加权前后位点覆盖率。

3.根据权利要求1所述的基于Bionano平台检测长串联重复序列的方法，其中步骤(b)中所述分类特征为：位点加权强度、位点加权信噪比、位点加权覆盖度、当前位点上游比对到参考基因组的位点数目、当前位点上游比对到参考基因组的位点的平均加权强度、当前位点上游比对到参考基因组的位点的平均加权信噪比、当前位点下游比对到参考基因组的位点数目、当前位点下游比对到参考基因组的位点的平均加权强度、以及当前位点下游比对到参考基因组的位点的平均加权信噪比。