[发明专利]序列比对方法、序列校正方法及其装置

说明书

本发明提供了一种序列比对方法、序列校正方法及其装置，涉及生物信息技术领域。该序列比对方法主要包括区间比对、碱基比对，配合序列压缩、比对结果优化存储手段，实现了高效、高准确度的比对。该序列校正方法是基于比对结果，通过正序计分、反序回溯，进一步的对低质量区进行校正，实现高效、高准确度的比对。

技术领域

本发明涉及生物信息技术领域，尤其是涉及一种序列比对方法、序列校正方法及装置。

背景技术

随着高通量测序技术的飞速发展，其已成为研究物种进化、诊断疾病成因等生物学问题 的重要手段。

其中Illumina测序平台为主的第二代测序技术以其数据产出量高、成本低廉、碱基准确 率高的特点，在基因组学研究领域得到广泛的应用。基因组组装是指通过测序序列结果重建 完整的基因组序列，组装结果准确性和完整性对于后续基因注释分析、SNP和结构变异检测 等方面产生重要影响。由于存在重复序列和杂合度等复杂情况，采用二代测序技术产生的短 片段序列，难以组装得到完整的基因组序列。以人类基因组为例，现有通过二代测序组装的 人类参考基因组序列中仍存在5％～10％未明确的复杂区域。

第三代测序技术平台，以Pacific Biosciences和Oxford NanoporeTechnologies为代表，具 有长读长的显著特点，能够产生大于10k的长片段序列，并且对GC含量较高的区域测序结 果无偏好性，为基因组研究领域带来了重大的变革。三代测序技术在提升序列长度的同时， 与二代测序相比(错误率0.1％)却带来了碱基序列错误率较高的缺陷(错误率15％～20％)， 测序序列中的错误信息对后续进行数据分析造成了重大的影响。对于三代测序数据，通常采 用Overlap-Layout-Consensus(OLC)算法的策略进行基因组组装，但由于序列错误率高的缺 陷，极大增加了组装的复杂性和计算序列间相互关系的资源消耗。现有针对三代测序数据的 基因组组装软件，或采用先校正测序数据后组装基因组的方法，或采用先组装基因组后对组 装结果进行校正的方法。上述两种方法均涉及序列间的相互比对运算，并基于比对结果校正 测序数据中错误信息。现有比对方法中存在大量的无效比对，该无效比对将连锁影响校正的 准确性，同时比对结果需要占据巨大的存储空间，因此比对及校正步骤在基因组组装中占据 了最长的时间消耗，并对于内存需求量巨大。以组装哺乳动物基因组三代测序数据为例，现 有软件需要消耗数万CPU核时，并且不能处理超大型基因组的组装，严重阻碍了三代测序技 术的广泛应用。因此亟待开发针对性处理长读长测序数据的比对及校正方法，有效较少现有 方法的计算资源消耗，提升运行的效率，充分解锁长读长测序技术在基因组学研究领域的潜 力。所述长读长测序包括，但不限于，单分子实时测序(SMRT)技术和纳米孔测序技术。

发明内容

本发明的目的在于提供一种序列比对方法、序列校正方法及装置，可以较好的减少无效 比对数量，并提高序列校正的准确性。

本发明提供的一种序列对比方法，所述方法包括：S101、获取测序序列，根据第一预设 数据长度在所述测序序列中筛选第一序列，根据第二预设长度在所述测序序列中筛选第二序 列；S102、将所述第一序列与第二序列进行比对，得到第一参考序列、第一比对序列；S103、 计算所述第一比对序列对所述第一参考序列的覆盖度，基于所述覆盖度筛选所述第一参考序 列、第一比对序列，获得第二参考序列、第二比对序列；S104、计算所述第二参考序列与第 二比对序列之间的比对路径，基于编辑距离筛选所述第二参考序列、第二比对序列，获得第 三参考序列、第三比对序列。

进一步，所述方法包括基于二进制数码对序列进行转换和存储，所述序列包括所述测序 序列、所述第一序列、所述第二序列、所述第一参考序列、所述第一比对序列、所述第二参 考序列、所述第二比对序列、所述第三参考序列和所述第三比对序列中的一种或多种；