[发明专利]一种HLA测序峰图识别方法

说明书

本发明公开了一种HLA测序峰图识别方法：(1)构建峰图识别模型：①收集已有的HLA下机峰图数据，②进行预处理，完成二进制ab1文件的信息提取，原始序列比对，序列分割以及错位修复工作；③特征提取；④收集大量人工已识别数据，利用随机森林算法训练数据，构建峰图识别模型；(2)利用峰图识别模型，对待测的HLA一代测序原始下机数据进行碱基识别；(3)整理识别好的碱基序列，将单链与双链部分序列重新组装；(4)输出识别结果。本发明的识别方法可准确获得峰图序列信息，整体准确率在99.5％以上，大大提高了HLA数据判读人员的工作效率。

技术领域

本发明涉及一种HLA测序峰图识别方法，应用于HLA一代(Sanger)测序的峰图识别。

背景技术

目前，开发峰图识别技术是当前的研究热点之一，研发人员开发了多种峰图识别技术，比如：中国发明专利CN 102676657 B公开了一种测序图像的识别系统及方法，是一种根据图像识别判断碱基类型的识别系统。中国发明专利申请CN 108351917 A公开了一种用于高精度识别变体的系统和方法，是一种根据患者序列读段和已知HLA等位基因的参考序列进行匹配并分型的方法；此外，uTYPE HLA Sequencing Software采用了对峰图设定阈值的方法来识别碱基情况。

虽然现有技术存在多种峰图识别技术，但仍存在以下几方面的问题：1.很多方案中不支持复杂的杂合峰识别，而实际HLA分型结果峰图中，杂合峰是较多的，因此会大大影响识别的准确性。2.大部分方案采用设定阈值的方法来进行峰图碱基识别，这种方法对复杂的杂合峰以及因实验引起的干扰峰的识别能力较差，因而无法准确获得峰图序列信息。

发明内容

针对上述现有技术，为了解决HLA一代测序峰图在传统方法中无法准确识别其序列的问题，本发明提供了一种HLA测序峰图识别方法。

本发明是通过以下技术方案实现的：

一种HLA测序峰图识别方法，包括以下步骤：

(1)构建峰图识别模型：

①收集大量人工已识别数据，并导入峰图识别系统的预处理模块中；

②对导入的HLA下机峰图数据进行预处理，完成二进制ab1文件的信息提取，原始序列比对，序列分割以及错位修复工作；

所述“预处理”包括对峰图数据的多项处理：峰图读取、序列比对、错位修复、数据整理；在峰图读取阶段，主要完成下机测序文件的数据识别与读取(将二进制峰图数据文件转换为普通文本数据)，根据数据标签提取出需要进一步处理的峰图数据，主要包括峰高值、位置值、质量值与初步的碱基识别信息等；在序列比对阶段，主要完成峰图与参考序列的比对，根据设定好的阈值，截取需要完成分型的主要外显子区域，并对正向测序峰图与反向测序峰图进行匹配；在错位修复阶段，根据上一阶段比对中存在的gap区域进行分析，通过参考序列的比对情况以及正、反向序列的匹配情况，对峰图错位进行识别与修复，避免出现峰图与序列不匹配的情况，识别并删除干扰峰；

③对上述预处理后的峰图信息进行特征提取：将影响峰图判断的关键数据提取出来，用于训练峰图模型；为了准确地表示峰图特征，选择两种特征值进行提取，一种是峰图的有效信号值，该信号值包含了峰的波动信息，从下机文件信息中自动提取；另一种是峰图的位置信息，该信息通过对这段峰图序列的参考序列进行统计获取；最终将峰图的有效信号值与峰位置信息提取成特定格式的信息文件；

④利用随机森林算法训练数据，结合上述提取的信息，构建峰图识别模型；

随机森林算法是机器学习的一种算法，它是一种利用多棵树对样本进行训练并预测的一种分类器；其训练过程主要是：先从训练样本中有放回地随机选择一定数量的样本，生成一个训练集，重复该过程可生成多个这样的训练集，对每个训练集分别构建决策树，多颗决策树形成随机森林，模型构建完成；