[发明专利]一种适用于混池基因定位的方法及系统

权利要求书

1.一种适用于混池基因定位的方法，其特征在于，所述方法包括：

标记过滤，基于预设标记质量信息，对分子标记数据进行过滤，获取符合预设质量要求的分子标记数据；

统计计算，根据群体情况，对过滤后获取的分子标记数据进行统计计算，获得统计信息；

结果整理，对获得的统计信息进行整理，提取基因信息；

其特征在于，所述标记过滤包括：

过滤等位基因数量2个的SNP和INDEL标记，过滤每个样本最低深度2X，最高深度100X的分子标记，依据群体类型和亲本信息进行过滤，如果群体类型是F2群体，仅保留两个亲本纯和且有差异的分子标记，如果群体类型是F1群体，则保留仅有两个亲本杂合的分子标记；

所述标记过滤通过Perl语言完成，形成最终的分子标记数据分析统计表；

所述标记过滤包括以下步骤：

过滤两个亲本和测序混池的测序深度低于10X，或者大于100X的分子标记；

根据材料的群体类型进行过滤，如果是F2群体则过滤两个亲本基因型一致的分子标记，如果是F1群体则过滤两个亲本均为纯和的分子标记；

针对混池，依据亲本和混池的性状关系进行过滤，过滤不符合亲本混池性状关系的分子标记；

针对过滤完成的分子标记，计算每个分子标记的基因型频率；其中，基因型频率的计算公式如下：

其中，Mutation Allele Depth为两个亲本中突变型亲本的基因型在子代中的测序深度，Reference Allele Depth为野生型亲本在子代中的测序深度；

其特征在于，所述统计计算包括：

计算两个混池中基因型频率的欧式距离，欧式距离的计算不考虑群体的类型，所有的数据计算方式一致；计算两个混池的G统计量，G统计量的计算不考虑群体类型，所有的数据计算方法一致；

在差异基因型频率的计算过程中，对单个变异位点进行计算时,如果是F1群体则将与参考基因组不一致的基因学习型频率放在分子，两个混池的基因型频率相减后的绝对值为最终的结果；如果是F2群体则选择突变型亲本的基因型频率为分子，两个混池的基因型频率相减后的值为最终结果；

所有的deltaindex值均为突变型减野生型；滑窗计算按照基因组长度与混池大小进行，利用最优无偏线性估计进行滑窗，滑窗过程中对每个窗口的变异位点数量进行统计，当一个窗口的变异位点个数小于10个时，取全基因组平均值作为窗口的最终结果；利用群体混池大小和个数进行bootstrap计算，取置信度0.05所对应的数据作为阈值进行分析；

所述统计计算包括以下步骤：

基于式(1)计算各个混池的deltaindex值，基于式(3)计算各个混池的ED值，基于式(2)计算各个混池的G值；

deltaindex＝allele_mutation-allele_index                  (1)

基于当前各个混池的深度比例，利用R语言随机生成1000个的随机混池模拟数据，分析模拟数据的分位数，依据0.95的分位数确定真实数据的阈值，筛选差异的区域和位点；

计算部分利用R语言完成，选择至少两个方法定位到的区域作为最终定位的结果；

所述结果整理包括：

根据筛选得到的变异位点，参考基因组上连续出现5个以上的SNP，为关联区域，提取区域内的变异位点和功能，筛选其中非同义突变的位点；

基于参考基因组数据获得的基因位置信息和变异检测过程中的SNP注释信息，提取区域内的基因功能和变异位点的基因功能；

基因组数据的基因位置信息由基因组组装过程获得，区域内的功能变异由SNPefff软件分析获得。

2.如权利要求1所述的适用于混池基因定位的方法，其特征在于，所述方法还包括：

利用slurm和sge的任务管理系统，将统计计算的几种方法并行运行，并最终选择至少两个方法得到的结果取交集，获得最终的分析结果。

3.一种适用于混池基因定位的系统，其特征在于，所述系统包括：

标记过滤模块，用于基于预设标记质量信息，对分子标记数据进行过滤，获取符合预设质量要求的分子标记数据；

统计计算模块，用于根据群体情况，对过滤后获取的分子标记数据进行统计计算，获得统计信息；

结果整理模块，用于对获得的统计信息进行整理，提取基因信息；

所述标记过滤模块具体用于：

过滤等位基因数量2个的SNP和INDEL标记，过滤每个样本最低深度2X，最高深度100X的分子标记，依据群体类型和亲本信息进行过滤，如果群体类型是F2群体，仅保留两个亲本纯和且有差异的分子标记，如果群体类型是F1群体，则保留仅有两个亲本杂合的分子标记；

所述标记过滤模块通过Perl语言实现，形成最终的分子标记数据分析统计表；其进行标记过滤的过程包括以下步骤：

过滤两个亲本和测序混池的测序深度低于10X，或者大于100X的分子标记；

根据材料的群体类型进行过滤，如果是F2群体则过滤两个亲本基因型一致的分子标记，如果是F1群体则过滤两个亲本均为纯和的分子标记；

针对混池，依据亲本和混池的性状关系进行过滤，过滤不符合亲本混池性状关系的分子标记；

针对过滤完成的分子标记，计算每个分子标记的基因型频率；其中，基因型频率的计算公式如下：

其中，Mutation Allele Depth为两个亲本中突变型亲本的基因型在子代中的测序深度，Reference Allele Depth为野生型亲本在子代中的测序深度；

所述统计计算模块具体用于：

计算两个混池中基因型频率的欧式距离，欧式距离的计算不考虑群体的类型，所有的数据计算方式一致；计算两个混池的G统计量，G统计量的计算不考虑群体类型，所有的数据计算方法一致；

在差异基因型频率的计算过程中，对单个变异位点进行计算时,如果是F1群体则将与参考基因组不一致的基因学习型频率放在分子，两个混池的基因型频率相减后的绝对值为最终的结果；如果是F2群体则选择突变型亲本的基因型频率为分子，两个混池的基因型频率相减后的值为最终结果；

所有的deltaindex值均为突变型减野生型；滑窗计算按照基因组长度与混池大小进行，利用最优无偏线性估计进行滑窗，滑窗过程中对每个窗口的变异位点数量进行统计，当一个窗口的变异位点个数小于10个时，取全基因组平均值作为窗口的最终结果；利用群体混池大小和个数进行bootstrap计算，取置信度0.05所对应的数据作为阈值进行分析；

所述统计计算模块进行计算的过程包括以下步骤：

基于式(1)计算各个混池的deltaindex值，基于式(3)计算各个混池的ED值，基于式(2)计算各个混池的G值；

deltaindex＝allele_mutation-allele_index                  (1)

基于当前各个混池的深度比例，利用R语言随机生成1000个的随机混池模拟数据，分析模拟数据的分位数，依据0.95的分位数确定真实数据的阈值，筛选差异的区域和位点；

计算部分利用R语言完成，选择至少两个方法定位到的区域作为最终定位的结果；

所述结果整理模块具体用于：

根据筛选得到的变异位点，参考基因组上连续出现5个以上的SNP，为关联区域，提取区域内的变异位点和功能，筛选其中非同义突变的位点；

基于参考基因组数据获得的基因位置信息和变异检测过程中的SNP注释信息，提取区域内的基因功能和变异位点的基因功能；

基因组数据的基因位置信息由基因组组装过程获得，区域内的功能变异由SNPefff软件分析获得；

所述适用于混池基因定位的系统利用slurm和sge的任务管理系统，将统计计算的几种方法并行运行，并最终选择至少两个方法得到的结果取交集，获得最终的分析结果。