[发明专利]一种二代测序平台的基因组数据高效利用方法和装置

权利要求书

1.一种二代测序平台的基因组数据高效利用方法，其特征在于，包括：

（1）对二代测序原始数据进行质控，质控中保留中部或尾部包含接头序列的读对；

（2）质控达标的数据与参考基因组进行比对后，获得全长比对、部分比对以及未比对上三种比对情况；

（3）针对三种比对情况，分别捕获插入片段的起点和终点，统计插入片段的长度；

三种比对情况通过比对结果文件中的标签列和Cigar字段进行区分；

所述全长比对的情况是读段1和读段2中的Cigar字段除了M外无其它字符串，且插入片段的长度大于测序读长；M是指完整比对到参考基因组的序列；

所述部分比对的情况是读段1和读段2中的Cigar字段除了M外还具有S字符串或H字符串；部分比对出现软剪辑读段和硬剪辑读段；软剪辑读段是读段被比对到参考基因组时，一条读段被切成两段，匹配到不同的区域，截取的部分会出现在比对结果文件中，在Cigar字段中以S字符串标记，而硬剪辑读段截取部分不会出现在比对结果文件中，在Cigar字段中以H字符串标记；

所述未比对上的情况是读段1和读段2中任一读段比对不上参考基因组。

2.根据权利要求1所述的二代测序平台的基因组数据高效利用方法，其特征在于，所述二代测序原始数据为Illumina、BGISEQ或Gene⁺Seq二代测序平台的测序数据。

3.根据权利要求2所述的二代测序平台的基因组数据高效利用方法，其特征在于，选择Gene⁺Seq 2000或Gene⁺Seq 200二代测序平台进行测序的数据，测序策略为双末端测序；读对包含两个成对读段，分别是读段1和读段2，读段长度为100bp或150bp。

4.根据权利要求1-3任一所述的二代测序平台的基因组数据高效利用方法，其特征在于，所述质控包括保留质量过滤阈值为Q20需大于80%的读段，去除N的比例大于碱基总数10% 的读段，剔除读段起始端的接头序列，保留读段中部或尾部包含接头序列的读段；该N表示无法确定碱基信息。

5.根据权利要求1-3任一所述的二代测序平台的基因组数据高效利用方法，其特征在于，所述质控达标的数据与人类参考基因组采用bwa-MEM软件进行比对，bwa-MEM软件的参数-T 设置为0，-k设置为17，-D设置为0.1。

6.根据权利要求1-3任一所述的二代测序平台的基因组数据高效利用方法，其特征在于，所述比对情况为全长比对时，对捕获的插入片段的起点和终点以及插入片段的长度不做处理。

7.根据权利要求1-3任一所述的二代测序平台的基因组数据高效利用方法，其特征在于，对部分比对的结果进行过滤，过滤条件包括：读段1 和读段2的起始端能比对到参考基因组，均大于30bp，且读段1和读段2比对到基因组的部分是互补的，比对结果质量值大于1。

8.根据权利要求1-3任一所述的二代测序平台的基因组数据高效利用方法，其特征在于，所述比对情况为部分比对时，插入片段的大小借助读段1和读段2的测序起点作为锚点，读段1和读段2的测序起始端的比对位置分别作为插入片段的比对起点和终点，进而得到准确的插入片段长度；根据插入片段长度对读段1和读段2进行尾端序列的剔除处理，并根据具体剔除长度对Cigar字段进行更新。

9.根据权利要求1-3任一所述的二代测序平台的基因组数据高效利用方法，其特征在于，所述比对情况为未比对上时，使用局部比对软件对序列进行片段化比对；比对要求为：找出读段和参考基因组之间所有匹配程度超过指定阈值的区间，并仅保留读段1和读段2测序起始端比对到相同位置且读段1比对片段和读段2比对片段为反向互补的情况。

10.根据权利要求9所述的二代测序平台的基因组数据高效利用方法，其特征在于，所述比对情况为未比对上时，局部比对软件为BLAST，指定阈值为：比对长度超过30bp，一致性超过90%。