[发明专利]一种模拟人群背景信息的基因测序数据仿真系统及方法

权利要求书

1.一种模拟人群背景信息的基因测序数据仿真方法，其特征在于，输入目标捕获区域文件、测序深度、单核苷酸位点变异、插入突变、删除突变、拷贝数变异、倒位变异、基因融合变异、串联重复变异、变异发生频率和变异在参考基因组上的坐标，加载参考基因组和目标捕获区域文件；目标捕获区域文件中记录参考基因组上用户关注的每个目标区域的起始坐标和终止坐标；根据测序深度确定模板数量；通过线性回归法构建模型，使用接受拒绝算法产生相应模板长度的概率分布，遍历每一条模板并对当前已经遍历完的模板数进行判断，当算法尚未遍历所有模板时，先根据模板长度的概率分布确定当前模板的长度，然后从参考基因组取出该长度模板，分别对取出的长度模板进行拷贝数变异模拟、单核苷酸位点变异模拟、基因融合模拟、串联重复模拟、倒位变异模拟、插入片段模拟和缺失片段模拟，最后生成读段，并将读段写入测序文件；当已经遍历完所有模板时，测序文件生成完毕；最后，对测序文件进行读段比对并生成比对文件，比对结束之后输出模拟的测序文件及其比对文件，仿真结束；

模拟人群背景信息具体为：

当尚未遍历当前模板的所有碱基时，以每个碱基在参考基因组中的坐标作为随机种子，使用梅森旋转算法生成随机数，比对千人基因组数据库相应位点，当该位置随机数小于数据库的人群发生率，则发生变异；当该位置随机数大于人群发生率，则不对该碱基做任何改变；当已经遍历完当前模板的所有碱基时，人群背景信息的模拟结束；

通过线性回归法构建模型具体为：

先通过平面曲线离散点集拐点查找算法找到曲线拐点，然后按照拐点将曲线分割，对每一段分割出来的曲线分别使用线性回归法进行拟合，在模板长度生成时，采用接受拒绝算法产生相应分布的随机数，实现模板长度分布模拟。

2.根据权利要求1所述的模拟人群背景信息的基因测序数据仿真方法，其特征在于，当尚未遍历所有模板时，首先在目标区域生成随机断点，然后将生成的断点定位到参考基因组的对应位置，采用接受拒绝算法在该位置前后1000碱基对范围内生成拟合相应混合高斯模型的新断点，再使用建索引的方式实现从参考基因组的该位置处快速取出模板，建索引的方式为：先创建字典记录参考基因组每行序列所在相对位置，然后在读取时使用文件指针在查阅字典后直接跳到要读取的模板处。

3.根据权利要求1所述的模拟人群背景信息的基因测序数据仿真方法，其特征在于，已经遍历当前模板的所有碱基时，结束人群背景信息模拟并依次进行拷贝数变异模拟、单核苷酸位点变异模拟基因融合模拟、串联重复模拟、倒位变异模拟、插入片段模拟和缺失片段模拟，然后采用内维尔算法生成测序碱基质量并写入对应读段，最后将该读段写入以fastq标准格式定义的输出文件，重新返回判断是否遍历所有模板。

4.一种根据权利要求1或2或3所述仿真方法的模拟人群背景信息的基因测序数据仿真系统，其特征在于，包括单样本变异模拟模块、质量分布统计模块、相邻位点深度分布训练模块、整体深度分布统计模块、模板长度分布训练模块和特定目标精度下批量样本生成与变异检测软件验证模块；单样本变异模拟模块用于单核苷酸位点变异模拟、插入片段模拟、删除片段模拟、拷贝数变异模拟、基因融合变异模拟、串联重复变异模拟和倒位变异模拟；特定目标精度下批量样本生成与变异检测软件验证模块用于批量生成正常样本和变异样本，并对变异检测软件进行验证；通过将变异写在文件中，然后输入文件路径并启动，实现同时模拟多种变异。