面向新一代測序技術(shù)的拼接算法研究.pdf

1、在基因組的測序中,DNA序列的拼接是核心問題之一。在2005年之前,DNA測序主要采用Sanger測序方法,得到的DNA片段長度能達(dá)到1000bp,準(zhǔn)確度率能達(dá)到99.999％。2005年,第二代高通量測序技術(shù)以其低廉的成本和巨大的通量大大推動了基因組測序的應(yīng)用與發(fā)展。第二代高通量測序技術(shù)產(chǎn)生的DNA片段長度非常短(最短的只有35bp左右)且通量非常高(一次實驗?zāi)墚a(chǎn)生幾億到幾十億條DNA序列)。在基因組的從頭測序(de novosequ

2、encing)中,過去Sanger測序的拼接算法對第二代測序技術(shù)并不適用,需要開發(fā)新的拼接算法。而在基因組的再測序(re-sequenting)中,傳統(tǒng)的DNA序列比對算法不能滿足高通量和短序列的要求,需要開發(fā)新的DNA短序列比對算法。
　　 本文首先系統(tǒng)研究了國際上最新的基于第二代測序技術(shù)的短序列拼接算法,并提出了基于同源基因組比對的整合方法。該方法將不同拼接方法所產(chǎn)生的contig利用一個同源的參考基因組整合在一起,構(gòu)成更長

3、的DNA序列,更好的重現(xiàn)被測基因組。我們使用整合算法對幽門螺旋桿菌測序短片段的不同拼接結(jié)果(SSAKE和Velvet的拼接結(jié)果)進(jìn)行整合,結(jié)果表明,該算法有效地將contig的平均長度提高到2.9倍,最長的contig長度也提高到1.97倍,提高了拼接的準(zhǔn)確性,最大程度的擴(kuò)展了拼接結(jié)果。
　　 本文提出了基于短片段間重疊信息的比對算法Umap和MAO。Umap算法引入核心片段逐步擴(kuò)展延伸的基本思想,把短片段間的重疊信息加入到短片

4、段比對算法中,為短片段在參考序列上的定位提供一個有力的支持信息。Umap算法能夠快速定位在參考基因組上只比對到一個位置的短片段,并以這些短片段為種子,向兩邊延伸擴(kuò)展并定位剩余短片段。然而Umap的弱點在于多重定位短片段的定位可靠性無法衡量。為解決這個問題,我們在Umap基礎(chǔ)上提出了基于高通量測序短片段的比對算法MAO(Mapping Short Reads with Overlap),解決了多重定位短片段在參考基因組上的定位可靠性問題。

5、MAO首先搜索所有可以在參考基因組上定位的短片段,然后依據(jù)短片段間的重疊信息,借鑒短片段拼接算法中擴(kuò)展種子序列的貪婪算法的核心思想,將那些認(rèn)為是錯誤定位的短片段排除,得到短片段在參考基因組上的準(zhǔn)確定位信息。對于上述兩個算法都使用模擬和真實的測序短片段進(jìn)行驗證,結(jié)果表明,Umap有效地將短片段的匹配比例從45%提高到70%,把錯誤匹配的短片段比例從12%降低劍0(與PASS比較)。MA0有效地識別出37%的唯一比對短片段是錯誤匹配,48%

6、的多重比對(在參考序列上的比對位置不止一個)短片段是錯誤匹配。
　　 最后我們分別使用系統(tǒng)發(fā)生分析方法和序列比對的方法分析了微生物群落組成情況。其中系統(tǒng)發(fā)生分析方法通過使用Blast進(jìn)行比對和使用MEGA4.0建立系統(tǒng)發(fā)育樹從而研究微生物群落的組成(分析對象為16S rRNA和26S rRNA)?；谛蛄斜葘Φ姆椒苤苯犹崛∥⑸锶郝渲械目侱NA進(jìn)行測序,跳過了偏向性較高的PCR擴(kuò)增過程,樣本制備簡單且無偏向性,既可以發(fā)現(xiàn)高豐度