兩核苷酸實時合成測序信息分析.pdf

1、現(xiàn)有的基于實時合成測序技術(shù)是利用天然核苷酸合成，通過檢測合成副產(chǎn)物來實現(xiàn)序列測定的，其測序過程快，具有高度的可重復(fù)性、并行性和容易自動化等特點。然而，對任一DNA測序模板而言，這類測序方法不是每個測序反應(yīng)都能測定具體的堿基信息，將影響到單個測序反應(yīng)的效率，繼而影響測序閱讀長度。最近，提出一種兩核苷酸實時合成測序的新方法，該方法基于不同核苷酸參與的合成反應(yīng)、產(chǎn)生檢測分子均相同的原理，對DNA模板通過實施兩次不同兩核苷酸的循環(huán)合成測序，最后

2、解碼組裝出待測DNA模板的準(zhǔn)確堿基信息。本論文對兩核苷酸實時合成測序伴生的生物信息學(xué)問題進行研究，為兩核苷酸實時合成測序提供軟件支撐。
　　本論文的主要內(nèi)容如下:
　　1、編碼及解碼算法研究
　　基于兩核甘酸實時合成測序原理，設(shè)計了三種編碼解碼算法，即:字符編碼解碼算法、一階模式編碼解碼算法、按位編碼解碼算法。實現(xiàn)的三種編碼解碼算法在模擬數(shù)據(jù)集中測試通過。在這個模擬數(shù)據(jù)集中，首先模擬出1000條隨機生成的長度為1000

3、bp的DNA序列，并生成三組測序編碼信息。對于每條DNA序列，隨機抽取兩條編碼序列按照相對應(yīng)的解碼算法進行解碼，然后將解碼出來的DNA序列與原先模擬的序列進行比較。最后在這1000條DNA序列的測試中得到了100％的解碼正確率。
　　2、測序模擬算法的研究
　　兩核苷酸實時合成測序方法并沒有從本質(zhì)上改變信號強度的產(chǎn)生機制，獲取及評估，因此其信號強度的統(tǒng)計分布與其基于的測序平臺是一樣。通過對454測序平臺信號強度的統(tǒng)計分布研究

4、，建立了基于454測序平臺的兩核苷酸實時合成測序模型，該模型采用正態(tài)分布模擬正信號，對數(shù)正態(tài)分布模擬負(fù)信號?；贏RT測序模擬算法實現(xiàn)了另一種兩核苷酸實時合成測序模擬算法，該算法首先對基因組序列隨機片段化來模擬序列復(fù)制過程，然后根據(jù)經(jīng)驗分布實現(xiàn)測序過程模擬。上述兩種模擬算法通過測試數(shù)據(jù)集模擬結(jié)果表明，“同聚物”或“類同聚物”長度越長，測序質(zhì)量越小，測序誤差越大，實現(xiàn)了兩核苷酸測序的簡單模擬過程，對于評價兩核苷酸實時合成測序的數(shù)據(jù)處理算法

5、的有效性與精確性以及預(yù)測兩核苷酸實時循環(huán)合成測序信息提供了理論支持。
　　3、測序數(shù)據(jù)處理
　?、僦販y序序列比對算法的研究
　　兩核苷酸實時合成測序中存在“同聚物”及“類同聚物”問題，采用傳統(tǒng)的序列比對算法，將會有假匹配的產(chǎn)生，進而影響下游分析。本課題設(shè)計了兩種基于Smith-Waterman-Gotoh具有識別“同聚物”和“類同聚物”能力的比對算法:Homopolymer-Aware-Smith-Waterman-G

6、otoh算法和Peaks-Aware-Smith-Waterman-Gotoh算法。Homopolymer-Aware-Smith-Waterman-Gotoh算法將“同聚物”或“類同聚物”作為一個單元對待，對于更長的同聚物片段采用更小的空位罰分，同聚物罰分函數(shù)是一次線性遞減函數(shù)。Peaks-Aware-Smith-Waterman-Gotoh算法利用Peak峰值來提高序列比對的質(zhì)量，其罰分函數(shù)并不與Homopolymer-Aware-

7、Smith-Waterman-Gotoh算法一樣是一次線性函數(shù)。兩種算法的同聚物罰分都是根據(jù)參考序列提前設(shè)定。結(jié)果表明兩比對算法都能很好的識別“同聚物”和“類同聚物”，實現(xiàn)序列的有效匹配，有效的防止假匹配的產(chǎn)生。為了提高序列比對的性能又不失Smith-Waterman-Gotoh算法的精確度，本課題采用的策略是首先采用與SSAHA類似的算法完成基因組哈希表的建立及短序列種子序列的定位，最后利用上述兩種具有識別“同聚物”和“類同聚物”能力

8、的Smith-Waterman-Gotoh比對算法中的任意一種進行延伸序列比對得出有效比對結(jié)果。
　　②反向互補序列算法研究
　　高通量測序?qū)NA雙鏈均進行了測定，因此其中一條DNA單鏈不能直接用于比對，需要涉及到序列之間的反向互補轉(zhuǎn)化。本課題簡單實現(xiàn)了此算法，且該算法在模擬數(shù)據(jù)集中測試通過。
　　4、特征分析算法研究
　　兩核苷酸實時合成測序從理論上表明具有和SOLiDTM類似的區(qū)分真正“SNP”和“測序錯誤

9、”的特征。本課題運用該理論特征，設(shè)計完成了兩核苷酸實時合成測序特征分析算法，該算法首先識別出序列兩兩比對中的所有非匹配位點，并排除這些非匹配位點中無效位點，然后通過設(shè)置測序質(zhì)量閾值，相鄰位點的平均測序質(zhì)量閾值，距比對序列末端距離閾值，非匹配位點的比對質(zhì)量閾值進一步排除不符合要求的非匹配位點，最后，運用兩核苷酸實時合成測序中具有的區(qū)分真正“SNP”和“測序錯誤”的特征，進一步優(yōu)化。通過模擬數(shù)據(jù)集中測試表明，該算法具有區(qū)分真正“SNP”和“