[发明专利]修补基因组序列组装缺口的方法和装置

说明书

本发明提供了一种修补基因组序列组装缺口的方法和装置。其中该方法包括：利用参考基因组序列信息与待修补基因组序列进行比对，获得组装缺口的第一版待替换序列信息；利用三代测序原始数据对第一版待替换序列信息进行二次检验和修正，并填补组装缺口，得到第一版修补后基因组序列；将第一版修补后基因组序列重新作为待修补基因组序列进行重复迭代，直至组装评估结果满足完整性要求，停止迭代；将停止迭代时对应的版本的修补后基因组序列作为终版修补缺口后的基因组序列；每次迭代所用的参考基因组序列信息为来源于同物种不同个体的参考基因组序列。该方法在需要计算的数据量、修复组装的完整性、计算的效率和结果展示方面均有较大提升。

技术领域

本发明涉及基因组测序组装领域，具体而言，涉及一种修补基因组序列组装缺口的方法和装置。

背景技术

基因测序技术，即测定基因序列的技术，对生物和医疗行业具有重大意义。第一代基因测序技术通常指sanger测序技术，随着测序技术的不断发展，拥有高通量、高精度、低成本的第二代基因测序技术逐渐成熟起来。但是，利用二代测序数据组装的基因组通常含有很多的缺口（gap），即便到了第三代基因组测序长读长时代，基因组组装零gap仍然是组装的难题。

基因组组装过程中，因数据缺失、重复、质量低等问题，会存在大量的gap区域，gap区域的存在使我们不能够获得基因组完整的序列信息，进而对基因的研究存在局限性。

目前比较常用的修补gap的方法是利用多个测序平台的数据进行填补，如pbjelly软件，该软件的原理是寻找重叠到gap区间的最优序列，从而进行修补，但是其软件需要内存较大，成本较高。

发明内容

本发明的主要目的在于提供一种修补基因组序列组装缺口的方法和装置，以解决现有技术中的修补方法成本高的问题。

为了实现上述目的，根据本发明的一个方面，提供了一种修补基因组序列组装缺口的方法，该方法包括：利用参考基因组序列信息与待修补基因组序列进行比对，获得组装缺口的第一版待替换序列信息；利用三代测序原始数据对第一版待替换序列信息进行二次检验和修正，并填补组装缺口，得到第一版修补后基因组序列；将第一版修补后基因组序列重新作为待修补基因组序列进行重复迭代，直至组装评估结果满足完整性要求，停止迭代；将停止迭代时对应的版本的修补后基因组序列作为终版修补缺口后的基因组序列；其中，每次迭代所用的参考基因组序列信息为来源于同物种不同个体的参考基因组序列。

进一步地，利用参考基因组的序列信息与待修补基因组序列进行比对，获得组装缺口的第一版待替换序列信息包括：获取并统计待修补基因组的组装缺口的位点信息，得到缺口信息文件；提取组装缺口上下游4~6kb的序列作为缺口待比对序列，将缺口待比对序列与参考基因组的序列信息进行比对，得到比对矩阵文件；根据比对矩阵文件，获得组装缺口的第一版待替换序列信息。

进一步地，将缺口待比对序列与参考基因组的序列信息进行比对，得到比对矩阵文件包括：在缺口待比对序列中，对组装缺口的位置进行标记，得到带有序列标记的位点信息文件；将带有序列标记的位点信息文件与参考基因组序列进行比对，得到比对矩阵文件。

进一步地，根据比对矩阵文件，获得组装缺口的第一版待替换序列信息包括：依据得分最高且e值最小的原则，从比对矩阵文件中筛选组装缺口上下游4~6kb序列的最佳比对结果，得到初版比对结果；

从初版比对结果中筛选成对缺口区域且均比对到同一条scaffold上的区域作为候选区域，候选区域即为第一版待替换序列信息。

进一步地，成对缺口区域包括如下至少一种：

1）组装缺口上游片段ab比对到参考基因组补组装缺口区上游a’b’；组装缺口下游片段cd比对到参考基因组补组装缺口区下游c’d’；

2）组装缺口上游片段ab反向比对到参考基因组补组装缺口区上游b’a’；组装缺口下游片段cd比对到参考基因组补组装缺口区下游c’d’；