[发明专利]基于多核CPU硬件的高通量转录组测序数据质量控制方法

摘要

本发明是一种基于多核CPU硬件的高通量转录组测序数据质量控制方法。包括：利用多核CPU对高通量转录组测序数据进行并行处理，得到去除低测序质量序列的数据；利用多核CPU对去除低测序质量序列的数据中的rRNA序列进行预测和去除，并进行污染序列的定性鉴定；对序列比对结果进行统计和评价。本发明基于多核CPU计算机，克服了基于单核CPU硬件计算机的计算效率瓶颈，可以使高通量转录组数据质量控制效率提高7倍以上；本发明的应用将会显著提高高通量转录组数据质量控制的准确度和速度，广泛有助于转录组测序相关研究的迅速发展。

主权项

1.一种基于多核CPU硬件的高通量转录组测序数据质量控制方法，其特征在于，包括以下步骤：利用多核CPU对高通量转录组测序数据进行并行处理，得到去除低测序质量序列的数据；利用多核CPU对去除低测序质量序列的数据中的rRNA序列进行预测和去除，并进行污染序列的定性鉴定；对序列比对结果进行统计和评价；所述利用多核CPU对去除低测序质量序列的数据中的rRNA序列进行预测和去除，并进行污染序列的定性鉴定，包括以下步骤：将数据库SILVA中所有的rRNA序列构建隐马尔科夫模型；基于隐马尔科夫模型搜索对于转录组序列进行rRNA预测和提取，并将预测的rRNA序列从转录组数据中去除；将所预测和提取的16S或18S rRNA，映射到已知rRNA序列数据库SILVA上，获得所有序列的物种来源信息，分别将16S和18S rRNA特征序列的注释结果汇总到一起，生成物种结构组成结果，从而获得转录组测序数据中所有可能存在的物种及污染信息；所述基于隐马尔科夫模型搜索对于转录组序列进行rRNA预测和提取，包括以下步骤：将经过Parallel‑QC处理过的去除低质量测序序列的数据文件分割成小规模子数据；将不同的子数据分配到不同的CPU内核上；在众多CPU内核上同时预测子序列的16S、18S、23S或28S rRNA特征序列；将各类特征序列预测结果合并到一起；根据特征序列预测结果多次将大规模输入数据从外存储器中载入内存并查找提取，最后将搜索结果合并。