[发明专利]一种基于蛋白质信息的基因组序列拼接方法

权利要求书

1.一种基于蛋白质信息的基因组序列拼接方法，其特征在于：包括如下步骤：

S1：获取待拼接的DNA序列与蛋白质序列之间的比对信息；

其中，一个DNA序列与一个蛋白质序列相匹配时获取到一条比对信息，获取的每一条比对信息对应的蛋白质序列至少匹配了两个DNA序列，所述比对信息至少包括：匹配值、蛋白质序列上匹配区域的起始位置坐标和终止位置坐标、比对方向；

所述蛋白质序列与所述DNA序列属于同一物种或同源物种；

S2：获取存在所述比对信息的蛋白质序列，并根据每条蛋白质序列的每条比对信息中蛋白质序列上匹配区域的起始位置和终止位置分别确定每条蛋白质序列上对应的DNA序列之间的相邻关系；

S3：基于DNA序列之间的相邻关系构建相邻DNA序列之间的连接边，并获取每个蛋白质序列上对应的每个DNA序列连接边的支持信息；

一个DNA序列连接边与N个蛋白质序列存在匹配关系时，所述DNA序列连接边对应存在N条支持信息，N为正整数；

所述支持信息用于表示一个蛋白质序列上对应DNA序列连接边中两个DNA序列的连接类型，所述连接类型包括L¹L²连接类型和gap连接类型；

S4：基于比对信息依次对每个DNA序列连接边的支持信息进行去噪处理；

其中，去噪处理后每个DNA序列连接边仅存在一条支持信息，过程如下：

S41：依据比对信息中的比对方向获取同一DNA序列连接边上支持正向连接的蛋白质序列的个数以及支持反向连接的蛋白质序列的个数；S42：判断支持正向连接的蛋白质序列的个数与支持反向连接的蛋白质序列的个数是否相等；若相等，删除所述DNA序列连接边的所有支持信息；若不相等，将DNA序列连接边的支持信息中支持个数最多的方向上的所有蛋白质序列对应的支持信息进行保留，并删除对应剩余支持信息以及记录支持个数最多的方向上的蛋白质序列个数；S43：判断所述DNA序列连接边的支持信息是否超过1条；S44：若未超过1条，去噪处理完成；若超过，依次判断DNA序列连接边的支持信息中是否含有gap连接类型的支持信息；若含有，保留含gap连接类型的支持信息并删除对应剩余支持信息，再从保留的支持信息中保留一条匹配度最大所对应的支持信息并删除对应剩余支持信息；若不含有，从DNA序列连接边的所有支持信息中保留匹配度最大所对应的支持信息并删除对应剩余支持信息；

S5：基于权重打分函数依次对每个DNA序列的前、后节点进行去噪处理；

其中，去噪处理后每个DNA序列的前、后节点的个数均不超过1，且前节点和后节点的权重分数分别大于对应DNA序列的剩余每个前节点、剩余每个后节点中权重分数，且依据去噪后每个DNA序列的前、后节点保留对应的DNA序列连接边的支持信息，并删除剩余支持信息；

其中，一个DNA序列连接边中位于前端的DNA序列为前节点，后端的DNA序列为后节点；

S6：计算存在支持信息的所有DNA序列连接边的连接间距；

S7：基于S6中所有DNA序列连接边的连接间距以及每个DNA序列的前、后节点依次串接得到基因组序列拼接路径；

其中，相邻DNA序列的距离与DNA序列连接边对应的连接间距一一对应。