[发明专利]一种基于读数和距离分布的基因组Denovo序列拼接方法有效
申请号: | 201410482300.8 | 申请日: | 2014-09-19 |
公开(公告)号: | CN104200133B | 公开(公告)日: | 2017-03-29 |
发明(设计)人: | 王建新;罗军伟;李敏 | 申请(专利权)人: | 中南大学 |
主分类号: | G06F19/18 | 分类号: | G06F19/18 |
代理公司: | 长沙正奇专利事务所有限责任公司43113 | 代理人: | 马强 |
地址: | 410083 湖南*** | 国省代码: | 湖南;43 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明公开了一种基于读数和距离分布的基因组De novo序列拼接方法,采用De Bruijn图存储读数之间的重叠关系,基于读数分布提出了一种新的打分函数用在contig构建、scaffolding和填充空白区域等步骤。该打分函数充分考虑了测序深度,k‑mer频次以及在复杂重复区中insertsize的偏移。本发明简单易用,在不同的模拟和真实测序数据上表现出良好的拼接结果,较其他序列拼接方法具有更高的连续性和完整性。 | ||
搜索关键词: | 一种 基于 读数 距离 分布 基因组 denovo 序列 拼接 方法 | ||
【主权项】:
一种基于读数和距离分布的基因组De novo序列拼接方法,其特征在于,包括以下步骤:1)输入双端读数文库,构建初始De Bruijn图,并对初始De Bruijn图进行优化;对所述初始De Bruijn图进行优化的方法为:首先De Bruijn图中的简单路径合并为一个结点;简单路径是指一个路径中起始结点的出度为1,最终结点的入度为1,并且所有中间结点的出度和入度均为1;删除初始De Bruijn图中长度小于2*k,并且出度或入度为0的结点;2)以De Bruijn图为基础,选择种子序列,并利用打分函数对候选扩展序列进行打分,选择得分最高的候选扩展序列与种子序列合并,并继续进行扩充,直到结束条件为止,扩展后的每个种子序列即为一条contig,所有的contig构成一个contig集合;contig集合构建的具体步骤为:2A)将初始De Bruijn图中结点长度大于双端读数文库insertsize的结点为种子序列,以所述种子序列的前驱结点和后继结点为候选扩展序列;其中,insertsize为双端读数文库中每对读数之间的间距;2B)如果候选扩展序列的长度小于minLen,则以该候选扩展序列为起点,采取深度优先遍历方法,抽取出所有长度大于minLen的子路径,每个子路径对应于一个二级候选扩展序列,对所有的二级候选扩展序列打分,并以最高分作为候选扩展序列的得分值;minLen取值为2*k;2C)针对一个种子序列ss和一个候选扩展序列ec,采用公式F(ss,ec)=RM(ss,ec)MC(ss,ec)计算ec的得分值,其中RM是匹配上ss和ec的双端读数的相对值;由匹配上的双端读数得到一个距离集合,MC用于衡量该距离集合和整体insertsize分布的偏移大小;如果在ec中的实际存在读数个数不符合二项式分布B(minLen,p),则将所述ec的得分值减去一个罚分值其中a是罚分系数,b为ec中的k‑ mer平均频次与读数文库中的k‑mer平均频次的比值;re是在ec中实际存在的读数个数,p是读数出现在读数文库中的概率;2D)如果一个种子序列只有一个候选扩展序列,则将该候选扩展序列直接合并到种子序列中;如果一个种子序列存在多个候选扩展序列,并且得分最高的两个候选扩展序列得分值都大于0.7或者相差小于0.2,或者没有候选扩展序列,则扩展终止,否则把得分最高的候选扩展序列合并到种子序列中去;迭代地对种子序列进行左右扩展,直到达到上述的扩展终止条件,最终的种子序列作为一条contig加入到contig集合中;2E)当扩展完所有的种子序列,则contig集合构建完成;3)建立scaffold图,每个结点代表一个contig,边代表两条contig在真实基因组序列上的位置紧邻;4)填充scaffold图中有边相连的两个结点之间的空白区域,通过匹配上的双端读数长生一个局部读数集合,在局部读数集合上构建新的De Bruijn图,并在该De Bruijn图上寻找能够连接两个结点的路径,如果存在这样的路径,则以该路径填充空白区域。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中南大学,未经中南大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201410482300.8/,转载请声明来源钻瓜专利网。
- 同类专利
- 专利分类
G06 计算;推算;计数
G06F 电数字数据处理
G06F19-00 专门适用于特定应用的数字计算或数据处理的设备或方法
G06F19-10 .生物信息学,即计算分子生物学中的遗传或蛋白质相关的数据处理方法或系统
G06F19-12 ..用于系统生物学的建模或仿真,例如:概率模型或动态模型,遗传基因管理网络,蛋白质交互作用网络或新陈代谢作用网络
G06F19-14 ..用于发展或进化的,例如:进化的保存区域决定或进化树结构
G06F19-16 ..用于分子结构的,例如:结构排序,结构或功能关系,蛋白质折叠,结构域拓扑,用结构数据的药靶,涉及二维或三维结构的
G06F19-18 ..用于功能性基因组学或蛋白质组学的,例如:基因型–表型关联,不均衡连接,种群遗传学,结合位置鉴定,变异发生,基因型或染色体组的注释,蛋白质相互作用或蛋白质核酸的相互作用
G06F 电数字数据处理
G06F19-00 专门适用于特定应用的数字计算或数据处理的设备或方法
G06F19-10 .生物信息学,即计算分子生物学中的遗传或蛋白质相关的数据处理方法或系统
G06F19-12 ..用于系统生物学的建模或仿真,例如:概率模型或动态模型,遗传基因管理网络,蛋白质交互作用网络或新陈代谢作用网络
G06F19-14 ..用于发展或进化的,例如:进化的保存区域决定或进化树结构
G06F19-16 ..用于分子结构的,例如:结构排序,结构或功能关系,蛋白质折叠,结构域拓扑,用结构数据的药靶,涉及二维或三维结构的
G06F19-18 ..用于功能性基因组学或蛋白质组学的,例如:基因型–表型关联,不均衡连接,种群遗传学,结合位置鉴定,变异发生,基因型或染色体组的注释,蛋白质相互作用或蛋白质核酸的相互作用