[发明专利]将靶标富集的序列读出分配到基因组位置的方法

说明书

技术领域

靶标富集方法被用在诊断和临床研究领域中以加速下一代测序(Next GenerationSequencing，NGS)工作流程。这种方法从样品DNA中仅分离 这样的片段，即所述片段匹配被设计为靶向一套(asuite)感兴趣的基因 组区域的探针。

背景技术

在许多情况下，从NGS数据中提取诊断信息的第一个处理步骤是将每 个序列读出(sequenceread)(或读出对)用其可能的基因组位置标签化。 可用于该目的的通用比对程序(generalpurposealigners)例如Burrows- WheelerAligner(BWA)是尝试在整个基因组中找到每个读出(或读出对) 的最佳匹配的程序。然而，类似BWA的程序使用仅由每个读出的序列和全 基因组参考数据提供的信息来比对序列。因此，当序列读出获自使用靶标 富集组(targetenrichmentpanel)富集的样品时，通用比对程序不将靶标 富集参数整合在匹配算法中，从而导致较长的处理时间和降低的标签化精 确度。

发明内容

本文提供用于将序列读出分配到基因组位置的计算机实施方法等，除 了其它步骤之外，所述方法包括：a)访问含有序列读出的文件，其中所 述序列读出获得自已通过与多个捕获序列杂交而被富集的核酸样品；和b) 通过下述将所述序列读出分配到基因组位置：i)如果所述序列读出包含捕 获序列的一个或多个子序列(subsequence)，则将捕获序列识别为与所述 序列读出的匹配；ii)使用计算机计算指示每个匹配的捕获序列和序列读 出之间的序列相似性程度的评分；和iii)如果对匹配的捕获序列计算的评 分高于阈值，则将序列读出分配到基因组位置。

在某些实施方式中，识别步骤i)包括：如果序列读出的末端区域包含 一个或多个捕获序列的一个或多个子序列，则将所述一个或多个捕获序列 识别为与序列读出的匹配。在这样的实施方式中，所述末端区域可以在距 序列读出的末端10bp-50bp的范围内。在某些实施方式中，所述一个或多 个子序列的长度在5bp-15bp的范围内。

在任何上述实施方式中，所述捕获序列的一个或多个子序列选自捕获 序列的4-20个子序列。

在任何上述实施方式中，子序列在整个捕获序列上平铺(tile)。

在任何上述实施方式中，计算的评分基于匹配的捕获序列和序列读出 之间的序列同一性的长度、匹配的捕获序列和序列读出之间的字符串编辑 距离(stringeditdistance)、每个错配在序列读出内的位置、或它们的组 合。

在任何上述实施方式中，步骤i)还包括生成数据结构，其中捕获序列 被储存在数据结构中作为由含捕获序列之子序列的序列密匙(key)所映 射(map)的值，且识别步骤包括：如果序列读出包含一个或多个序列密 匙，则将一个或多个捕获序列识别为与序列读出的匹配。

在任何上述实施方式中，序列读出是末端配对的序列读出(paired-end sequenceread)。

在任何上述实施方式中，富集的样品包括片段化基因组核酸的扩增拷 贝，其中所述片段化基因组核酸通过与多个捕获序列杂交而被富集。在这 样的实施方式中，片段化基因组核酸可通过在预定位点酶促切割基因组核 酸而被片段化。

在任何上述实施方式中，核酸样品通过多个与核酸末端杂交的多个捕 获序列而被富集。

在任何上述实施方式中，分配步骤b)还包括：如果序列读出不含捕 获序列的任何子序列，则丢弃所述序列读出。

在任何上述实施方式中，对多个序列读出执行所述方法，从而将多个 序列读出分配到基因组位置。

在任何上述实施方式中，分配步骤b)还包括：iv)将在所有匹配的捕 获序列中具有最高的计算评分的匹配捕获序列识别为最佳匹配；和v)通 过将序列读出添加到匹配最佳匹配捕获序列的独特(unique)序列读出集 合(set)来将序列读出分配到基因组位置，其中所述集合中的每个独特序 列读出包含与所述集合中的所有其它序列读出的子序列相同的子序列。在 这样的实施方式中，与所述集合中的所有其它序列读出的子序列相同的子 序列可以是条码(barcode)序列。在某些实施方式中，所述方法还包括： 对分配到捕获序列的独特序列读出的集合的数目进行计数。