[发明专利]判断测序数据饱和的方法、计算机可读介质和应用

说明书

本发明提供了一种判断测序数据饱和的方法、计算机可读介质和应用，涉及测序技术领域。该方法包括如下步骤：(a)提供所述测序数据，所述测序数据为包含X条reads的数据集A；(b)将所述X条reads依据预设的序列相似阈值聚类生成N个Cluster；(c)获得概率Probalility；所述Probalility为抽取第k‑1条reads获得的Cluster数目为i‑1，再抽取一条reads，获得的Cluster数目为i的概率；其中k为小于等于X的正整数，i为小于等于N的正整数；(d)获得衡量数据饱和程度的指标Saturated，所述数据饱和程度指标Saturated越趋近于0，所述测序数据越趋于饱和。该方法可以较为精确的以数值反应测序数据的饱和程度，以使测序数据的饱和度判断更为精准，以保证后续数据分析的准确度。

技术领域

本发明涉及测序技术领域，尤其是涉及一种判断测序数据饱和的方法、计算机可读介质和应用。

背景技术

测序技术是指分析核酸的碱基序列，例如DNA测序就是分析DNA的腺嘌呤(A)、胸腺嘧啶(T)、胞嘧啶(C)与鸟嘌呤的(G)排列方式。自从1977年Fredrick Sanger等建立的双脱氧链终止法测序技术以来，测序技术历经了几十年的快速发展。2005年以来，以Roche454、Illumina、Life SOLID/Ion Torrent、PacBio RS为代表的新一代测序技术的出现，使得测序的通量快速增加，测序成本极大降低。

高通量测序(High-throughput sequencing)技术可以对数百万个DNA分子进行同时测序，能够细致全貌的分析一个物种的转录组和基因组，因此也称其为深度测序(deepsequencing)、“下一代”测序技术(Next-generationsequencing，NGS)或二代测序。

高通量测序通常又被称为大规模平行测序技术(massively parallelsequencing，MPS)，它可以同时完成测序模板互补链的合成与序列数据的读取。一般来说高通量测序包含下列连续的步骤：(1)将待测序样品构建成可上机测序的文库；(2)向测序系统加入脱氧核苷酸；(3)检验和确定被加入的脱氧核苷酸类型；(4)去除测序反应的各种酶、荧光标记物或脱氧核苷酸的3’阻断基团的洗脱反应，以实现“边合成边测序(sequencingby synthesis，SBS)”或者“边连接边测序(sequencing by ligation，SBL)”。

三代测序技术是以PacBio公司的单分子实时测序技术(Single Molecule RealTime Sequencing，SMRT-seq)和Oxford Nanopore Technologies的纳米孔单分子测序技术为代表。三代测序最大的特点是单分子实时测序，测序过程无需进行PCR，较二代测序读长更长，PacBio SMRT-seq平均读长超过15kb，Oxford Nanopore读段最常可达2Mb。以PacBioSMRT为例，以边合成边测序为基础，以固定有DNA聚合酶的芯片为载体，当DNA模板被聚合酶捕获后，4种不同荧光标记的碱基进入监测区域并与聚合酶结合实现DNA互补链的合成，通过计算光的波长和峰值可判断进入的碱基类型，即可确定DNA模板的序列。

衡量测序数据多少的主要指标是测序深度，测序深度是指测序得到的总碱基数与待测基因组大小的比值，可以理解为基因组中每个碱基被测序到的平均次数，测序深度＝reads长度×比对的reads数目/参考序列长度，由于测序时目的片段上各片段读取的数据量并不平均，因此测序深度无法明确反映测序数据是否饱和，是否还存在未检测到的片段存在。

有鉴于此，特提出本发明。

发明内容

本发明的第一目的在于提供一种判断测序数据饱和的方法，该方法可以较为精确的以数值反应测序数据的饱和程度。

本发明的第二目的在于提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行所述判断测序数据饱和的方法。