[发明专利]一种基于新一代测序数据的插入变异检测方法及系统

说明书

本发明属于基因组测序技术领域，公开了一种基于新一代测序数据的插入变异检测方法；在确定变异发生位点时，有插入变异发生的区域一定会产生分裂读段，针对新序列插入、序列串联倍增、序列散在倍增等插入变异类型及缺失变异、倒置变异的分裂读段分布不同的特性；在确定插入变异发生种类及位点之后，通过利用部分匹配、完全匹配、以及未匹配的读段信息来构造一条虚拟参考序列，与原始参考序列比较得到插入序列的相关信息；利用拷贝数状态信息获得变异基因型。本发明能够解决插入变异位点判定不准确的问题；能够解决SR方法检测插入变异造成遗漏的问题；能够解决现有技术遇到重复序列可能会检测出错的问题。

技术领域

本发明属于基因组测序技术领域，尤其涉及一种基于新一代测序数据的插入变异检测方法。

背景技术

目前，最接近的现有技术：基于新一代测序技术的split read分析方法。新一代测序是一种DNA测序技术，在测序过程中，将完整的样本DNA序列打碎，从中筛选出满足特定长度(通常为数百bp)的片段，在每个片段的一端或两端各读取一段长度为数十至数百bp的序列。读取出的序列长度通常远远小于被测样本DNA序列的长度，但是新一代测序技术可以同时读取大量这样的短序列，使得全部短序列的总长度达到样本DNA长度的数倍至数十倍，使获得样本DNA序列成为可能。插入变异是基因组中的一种重要的变异现象，是人类基因组结构变异的一种形式，并且与人类的疾病发生密切相关。

目前主要有4种检测基因组上插入变异的策略，分别为：(1)Read pair(也称为Pair-end Mapping，简称PEM，双端映射)；(2)split read(简称SR，分裂读段)；(3)ReadDepth(简称RD，读段覆盖深度)；(4)de novo Assembly(简称AS，序列从头组装)。

PEM分析方法：Pair-End(PE)测序的两条read(通常称为Read1和Read2)来自于同一个序列片段，因此，Read1和Read2之间存在着客观的物理关联，而Read1与Read2之间的距离，称为插入片段长度(insert size)。对于PEM方法，插入片段长度的分布是进行变异检测的一个关键信息，将样本Pair-end读段比对到参考序列上，其插入片段长度一般符合正态分布。因此，若某一对读段插入片段长度有异常，组成Read1和Read2的这个序列片段和参考基因组相比就存在着对应序列上变异的可能，比如，若某一对读段的映射长度小于样本平均插入长度，则在其对应的序列上可能存在插入变异。但是，PEM方法所拥有的缺陷在于，对于插入变异序列的检测，受限于Read1与Read2之间的客观物理关联，其检测长度无法超过插入片段的长度，另外，对于小于插入长度的插入变异，其检测精度也受限于插入片段长度的标准差。

SR分析方法：splitread是一类特殊的read，其出现通常是由基因组中的结构变异造成的，这类read在映射中不再保持连续序列的形式，而是包含了一定长度的不匹配部分，因此具有较高的映射难度。SR分析方法首先提取具有以下特点的pair-end读段，一条可以正常比对到参考序列上，另外一条不能比对，这里的不能比对指的是在这一条read上，只有其中一部分可以匹配到参考序列的某个位置，而另外一部分不能正确匹配，或者匹配的位置与前一部分的匹配位置不连续。提取出这些特点的pair-end读段后，利用正常比对的读段位置和插入长度确定一个查找范围，在这个范围内寻找未比对上的读段与参考序列的最佳匹配，通过最佳匹配点把未匹配的读段分割成多段，确定插入变异发生的位置。SR分析方法的缺陷在于单纯利用splitread信息只能初步确定可能发生变异的位点，现有方法大多利用疑似变异发生位点进行序列局部组装，利用split read信息局部组装contig，但是对于拥有重复片段的插入变异区域，即变异来源于基因内部片段的区域，组装contig时会遇到组装终止异常问题，造成组装无法终止或提前终止，导致插入片段的错误检测。