[发明专利]一种测定待测基因组区域表达水平的方法及系统

说明书

技术领域

本发明涉及生物技术和生物信息学领域，具体涉及一种测定基因组区域表达水平的方法及系统。

背景技术

生命遗传信息的表达调控既是生物学研究的重点领域，也是揭示生物学各种生命现象的重要手段，尤其是随着21世纪大量物种基因组序列的测定以及大量测序技术推陈出新，使得基因表达定量方面的研究突飞猛进。测序技术也从传统Sanger测序技术，迅速发展为多种第二代高通量测序技术，如罗氏454、IlluminaHiSeq和AB公司的SOLiD，以及第三代的单分子实时DNA测序技术。其中，Sanger测序技术和罗氏454测序技术的测序读长在700-1000bp，Illumina测序技术的测序读长平均100bp左右，而单分子实时DNA测序技术的读长达到了2500-3000bp。

第二代测序技术也被称为新一代测序技术(NGS,Next Generation Sequencing)，目前主要是Illumina公司出的HiSeq为主，它通过从物种中提取出的RNA转录本中随机进行的短片段测序(通常平均读长50bp、75bp、100bp)获得所测样本的整体表达谱。转录本是通过以连续性基因组为模板进行转录，然后剪切去除内含子，拼接剩余的外显子而形成的。测序过程中，如果一个转录本的丰度高，则测序后定位基因组区域的测序读段也就多，可以通过对定位到基因上的外显子区的测序读段数来估计基因表达水平。测序读段数除了与基因真实表达水平成正比，还与基因长度成正比，同时也与测序深度即测序实验中得到的总读段数正相关。为了保持对不同基因和不同实验间估计的基因表达值的可比性，Mortazavi等人提出了RPKM(Reads Per Kilo-base per Million reads)的概念，并成为RNA-seq应用早期估计基因表达水平和外显子表达水平的主要方法。RPKM是每百万读段中来自于某基因每千碱基长度的读段数，考虑了测序深度对读段计数的影响。

新一代测序技术的广泛普及，使得RNA测序(RNA-seq)已成为基因表达和转录组分析的重要手段。在NGS测序技术出现之前，不同基因表达水平测量的主要手段是基因芯片，利用在基因芯片上高密度集成特点的寡核苷酸，可以对不同组织或者不同发育阶段的特定基因表达差异和模式进行分析。但是与基因芯片数据相比，RNA-seq得到的是全基因组转录水平的数字化信号，具有高灵敏度、高分辨率、无饱和区等优势。

随着新一代测序技术的不断进步，产生的RNA-seq数据通量高、周期短和成本低，越来越多的人选择转录组测序作为科学研究的首选。RPKM在评估基因表达水平上的作用越来越显著，人们通过基因包含的外显子信息，和转录组测序数据在基因组上的定位信息，来计算出RPKM值。FPKM(fragments per kilobase of exon per million fragments mapped)也可以用来表示基因表达水平。FPKM与RPKM计算方法基本一致。不同点就是FPKM计算的是片段(fragments)，而RPKM计算的是测序读段(reads)。目前cufflinks软件包中的cufflinks模块和cuffdiff模块及eXpress软件可以计算相关基因表达水平，具体计算过程为，首先统计出映射定位到基因组上的所有测序读段数目，然后统计出定位到各个基因外显子区间上的所有测序读段的数目，再计算出基因包含的外显子的长度，最后计算出基因的FPKM值。

但是，上述软件存在以下问题：

(1)目前大部分计算RPKM的程序，仅支持TopHat、Bowtie、bwa等少数常用的序列比对定位程序，不能支持所有的Illumina/Solexa测序平台的读段定位程序；

(2)在选择注释文件的时候，通常仅支持已知的基因注释文件，不能支持多种文件格式；

(3)在计算基因表达水平的时候，通常计算的是片段的表达水平值，而不是整个基因的表达水平值；

(4)在计算表达水平的时候，没有计算出单个外显子的表达水平；

(5)在计算表达水平的时候，不能够计算出基因组任意指定区间的表达水平；

(6)在计算表达水平的时候，通常仅支持计算一个转录组测序结果，不能够同时支持多个转录测序结果的基因表达水平的计算。

因此，本领域期待一种能够检测基因表达水平和基因组任意指定区间表达水平的方法。

发明内容

本发明的目的是提供一种检测基因组区域表达水平(RPKM)的方法和系统。

本发明的第一方面提供了一种测定待测基因组区域表达水平的方法，包括以下步骤：