[发明专利]一种获得基因单体型序列的方法及其应用

说明书

本发明的一方面提供了一种获得基因单体型序列的方法，所述方法包括步骤：1)生成矩阵；2)分相，包括步骤：2.1)按窗口编码归一化矩阵；2.2)筛选杂合分相窗口；3)相位的确定；4)精细分相；5)矫正；6)基因分型。本发明的另一方面提供上述方法在基因分型中的应用。本发明的方法适合多态性高、重复序列复杂的序列，使用滑窗矫正分相，去除了比对多样性和错误率的影响，并使用循环迭代分相，达到一致性最高的分相结果。

技术领域

本发明属于生物信息学领域，具体涉及一种获得基因单体型序列的方法及其应用。

背景技术

目前获得单体型的方法，主要有家系分型、群体连锁不平衡分型、物理分型。

家系分型的过程，直观、简单、准确，不需要进行复杂的统计学计算。根据父母的特异位点，确定子代的杂合位点两种等位型哪个源于父亲，哪个源于母亲，是筛查母源性或父源性疾病的重要方法。但相比于只测子代的方法，家系分析分析需要额外测其亲本，增加了较多的成本。

群体连锁不平衡分型方法，是利用群体中大量无血缘关系的个体，依据基本的连锁不平衡遗传原理和相关模型，推断群体中每个个体单倍型的方法。该方法需要大量的计算，同时其精度受群体的制约，且不适用于个体特异性较强的变异。

物理定相、分型，由于每条下机数据必定来源于一个染色体，对于每一个测序片段而言，其本身就是一个单倍体的“局部”；二代测序片段较短，需要依赖较多的杂合位点进行拼接，从而接出完整的单体型。而三代测序序列足够长，在足够的深度下，可以有效排除测序错误的影响，达到个体的分相，从而获得准确的单体型。

目前可用于三代测序的获得基因单体型序列的方法有Maginphase法和LAA法。

Maginphase法经过samtools初步得到SNP，在此基础上再由whatshap采用最小路径法对SNP进行粗分相，然后在此基础上Maginphase采用隐马尔科夫模型，进一步分相。然而，Maginphase法有如下缺陷：

1、对于多态性特别高的区域不敏感；

2、单体型不精准，某些多态性位点易推断错误；

3、Maginphase对深度有要求，只能承受15x左右的计算量，对于错误率较高的情况，不能有效利用深度消除测序错误，降低了结果的准确性。

LAA(Long Amplicon Analysis软件)经过聚类，每个扩增子聚为一类(Cluster)，然后用PageRank算法对Cluster的序列(subreads)进行排序；采用Arrow算法检测SNP和产生一致性序列。LAA法的缺陷是对于多态性特别高的序列，产生单体型易存在错误SNP。

发明内容

为了解决上述技术问题，本发明的一方面提供了一种获得基因单体型序列的方法，所述方法包括步骤：

1)生成矩阵

将基因测序原始数据进行CCS(Circular Consensus Sequencing)矫正，将得到的CCS序列与参考序列进行长序列比对，输出比对矩阵M，矫正纯合位点的深度小于5％的碱基，重新调整矩阵，形成粗矫正的矩阵M1；

2)分相，包括步骤：

2.1)按窗口编码归一化矩阵

编码M1，设置窗口长度与步长，每个窗口对应的矩阵横坐标为i、纵坐标为j，用w[i]表示该窗口，w[i,j]表示窗口中的每条序列对应的矩阵元素，窗口长度为win，步长为step；

窗口每滑动一步，调整当前窗口的矩阵元素，调整规则以w[i]内序列相同的行，转换为同一种比对矩阵，w[i]则形成一个新的矩阵m[i]；