[发明专利]基于高通量测序数据的基因组从头组装方法

说明书

技术领域

本发明涉及一种基因组组装方法，特别是涉及一种基于短序列测序片段的基因组从头组装方法。

背景技术

随着第二代测序技术的迅速发展，测序费用的急速下降，从头基因组测序愈发受到研究者的青睐。但是，利用大量的短的read数据重新恢复出基因组原貌也面临着巨大的挑战，而其中最为关键的一步就是contigs组装。De Bruijn图构建是图论组装算法的核心，它是现在主流从头组装算法的核心，它是基于kmer的重叠信息来构建欧拉图，它是contigs构建的基石，因此本发明的开发也将基于De Bruijn图。

目前的contigs组装算法都只进行一次De Bruijn图构建，同时针对图中的kmer大小也是相对固定的，虽然存在一些多kmer组装算法，但它们也都只进行一次构图，再进行合并。对于组装中使用的短序列一般的组装软件也只是进行简单的过滤也纠错处理，并不会对这些最原始的短序列进行二次加工，这也就在很大程度上限制的De Bruijn图构建中kmer大小的上限。因此对于不进行短序列加工的基因组组装方法，kmer大小都比较小，在De Bruijn图构建中会产生较多的分支，极大的提高De Bruijn图的复杂度，从而降低组装效果。

另外，动植物基因组的一大特点就是重复序列比例较高，而重复序列会让基因组组装过程中产生大量的可选位点和分支，进而提高组装难度。目前主要有两种主流的策略来处理其中的部分情况：一种策略是利用大片段文库跨过重复序列，并估计重复序列区域大小，然后选取一个合适长度的重复序列路径；另一种则是先回避重复序列区域，在完成初步组装后再回过头来进行重序区域的组装。从策略上讲，第二种方法对于复杂基因组来说更有效，因为它把全局问题进行了局部化，大大降低了组装的难度。

发明内容

针对现有技术存在的不足，本发明的目的是提供一种基于高通量测序数据的基因组从头组装方法——GNOVO，该技术首先通过数据纠错来处理高通量测序固有的测序错误，同时通super read组装将较短的read组装为具有更大读长的super read，从而部分克服测序读长过短的问题。其次，通过局部组装，将全基因组上的重复序列转变为局部的单拷贝序列，从而大大降低了重复序列处理的难度，提高了contigs组装的长度。

为了实现本发明目的，本发明的一种基于高通量测序数据的基因组从头组装方法——GNOVO，主要步骤为：

1)通过高通量测序数据构建de Bruijn图(使用较小的kmer)，并进行图纠错处理，并基于纠错后的de Bruijn图进行测序数据纠错，纠错原理见图4；

2)基于纠错后的de Bruijn图进行super read组装；

3)用super read重新构建de Bruijn图(使用较大的kmer)，并进行图纠错处理，对纠错后的de Bruijn图进行拆分，得到初级contigs；

4)根据mate-pair的连接信息调取特定局部的初级contigs，并依据测序数据的比对信息收集局部的reads进行局部组装，将所有的局部组装结果合并到一起，并进行纠错后拆分处理，从而得到contigs；

5)根据mate-pair的连接信息构建scaffold连接图，通过子图分割算法对contigs进行分割，并采用模拟退火算法在局部对contigs进行排序得到最终的scaffolds。

GNOVO组装原理流程图见图1。

步骤1-4中都是以de Bruijn图为核心结构的，在GNOVO中，de Bruijn图是以哈希的数据结构形式存在的，其构建算法为：

1)根据基因组大小和kmer大小对哈希表进行空间分配与初始化；

2)迭代读取每条read，并进行编号，编号从0开始。

3)从5’到3’端依次提取所有的kmer，并将其存贮到哈希表中。如果kmer已经存在，则只需存贮kmer的路径信息就可以了，即存贮其前驱与后驱。如果kmer不存在，则需要新建kmer节点，同时还需存贮路径信息。

4)存贮read中第一个kmer信息时，如果其在哈希表中不存在，则说明其真前驱kmer节点不存在，至少到当前为止，它是不存在的。因此，这个时候就需要新建一个未端测序突起节点，用于取代真实前驱kmer节点，作为该kmer节点的回溯前驱节点。