[发明专利]一种检测短串联重复序列扩张的方法

说明书

本发明提供了一种检测短串联重复序列扩张的方法，其包括如下步骤：1)序列比对；2)RepeatHMM检测三代测序数据短串联重复；3)inScan检测短串联重复区域的序列插入；4)计算RepeatHMM检测结果与短串联重复区域的序列插入检测结果的交集。本发明结合序列插入检测和RepeatHMM短串联重复检测结果，提高了检测短串联重复序列扩张的特异性。

技术领域

本发明属于基因测序技术领域，具体涉及短串联重复序列(STR，short tandemrepeat)扩张检测方法。

背景技术

短串联重复指DNA序列中的多个核苷酸(重复单元数目大于或等于2小于或等于6)前后首尾相连而构成的重复序列，重复单元数目的变化会对基因组结构造成重要影响，进而可能会影响基因的表达、修饰和相应的生理功能；短串联重复单元数目增多时称为短串联重复扩张。

三代测序指的是单条DNA/RNA分子测序技术，目前商用的三代测序技术有Pacbio公司的单分子实时测序技术和Nanopore公司的纳米孔测序技术。Pacbio公司的单分子实时测序技术测得的reads平均长度为10Kb，部分可以达到100kbp，Nanopore公司的纳米孔测序技术测得的reads平均长度也为10Kb，部分可以达到2.3Mbp。三代测序与二代测序相比的优势是读长更长、无GC偏好性，缺点是序列的错误率较高(约15％的错误率)。三代测序产生的长reads可以跨越短串联重复，从而准确检测重复单元的数目，同时可以检测二代测序无法检测的大尺度的短串联重复扩张(扩张长度大于二代测序的读长(100-300bp))。

现有用于三代测序检测短串联重复的方法是RepeatHMM(Liu,Q.,Zhang,P.,Wang,D.,Gu,W.Wang,K.Interrogating the“unsequenceable”genomic trinucleotide repeatdisorders by long-read sequencing.Genome Medicine,65(2017))，该方法主要应用隐马尔可夫模型进行短串联重复单元的识别。但是RepeatHMM在检测短串联重复扩张时存在较高的假阳性。该技术方案的主要步骤如下：

1)选择感兴趣的短串联重复：从参考基因组序列中选择感兴趣的短串联重复，记录该短串联重复在参考基因组上的位置(染色体编号、起始位置、终止位置)、重复单元(如：CGG)和重复单元数目；

2)将三代测序的长reads比对到参考基因组：首先使用TRF软件(tandem repeatfinder)检测长reads上是否存在步骤1)中预设的串联重复，如果存在就将长reads切割为多段侧翼区序列和重复区序列；然后使用bwa mem和特定参数将侧翼区的片段比对到参考基因组，如果这些有序的侧翼区序列都成功比对，那么利用这些比对信息确定长reads上重复区域的起始位置和终止位置。这种方式被定义为“切分-重比对”策略；对于“切分-重比对”策略不能识别的长reads，使用bwa mem直接将其比对到参考基因组，如果长reads不能比对到参考基因组则丢弃；

3)确定reads上的重复区域：利用包含重复区的长reads的上游和下游序列(默认为18bp，用户可自定义)信息；分别使用bwa mem将上游和下游序列比对到参考基因组，如果它们都有高的比对一致性，那么在重复区和上下游序列之间加上一定数目的N，用来确保下面的过程不会将上下游序列识别为重复区序列；

4)长reads错误校正：首先构造一段比参考基因组上短串联重复长50％的完美短串联重复(重复单元完全一致的短串联重复)序列，例如，参考基因组上短串联重复的重复单元为CTG，长度为30个单元，新构造的完美短串联重复的重复单元也为CTG，长度为45个单元。然后使用一种非对称的比对算法UnsymSeqAlg，将长reads比对到新构造的完美短串联重复序列，根据比对结果进行序列校正；

5)检测重复单元数目：区域内的每一条长reads都通过隐马尔可夫模型识别重复单元数目；