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是利用天然核苷酸合成，通過檢測合成副產物來實現(xiàn)序列測定的，其測序過程快，具有高度的可重復性、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都能測定具體的堿基信息，將影響到單個測序反應的效率，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、產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上改變信號強度的產生機制，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)分布模擬負信號。基于ART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制過程，然后根據(jù)經驗分布實現(xiàn)測序過程模擬。上述兩種模擬算法通過測試數(shù)據(jù)集模擬結果表明，“同聚物”或“類同聚物”長度越長，測序質量越小，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，將會有假匹配的產生，進而影響下游分析。本課題設計了兩種基于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)參考序列提前設定。結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果。
　?、诜聪蚧パa序列算法研究
　　高通量測序將DNA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，然后通過設置測序質量閾值，相鄰位點的平均測序質量閾值，距比對序列末端距離閾值，非匹配位點的比對質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“