[发明专利]用于多序列文件的签名-散列

说明书

使用患者组学数据中已知的SNP位置及其各自的等位基因频率的结果构建代表该患者组学数据的唯一散列。在最优选的方面，针对特定因素(例如，种族，性别等)选择这些已知的SNP位置，并且将等位基因部分以非线性标度的值表示。通常，该散列包括与这些已知的SNP位置和非线性标度相关的标头/元数据，并且进一步包括实际的散列字符串。

本申请要求2017年3月29日提交的序列号为62/478,531的我们共同未决的美国临时申请的优先权。

技术领域

本发明的领域是用于检测遗传变异的验证系统和方法，尤其是涉及用于全基因组分析的序列数据的快速鉴定和/或匹配。

背景技术

背景描述包括可用于理解本发明的信息。并不承认本文提供的任何信息是现有技术或与当前要求保护的发明相关，也不承认具体地或隐含地引用的任何出版物是现有技术。

本文中的所有出版物和专利申请均通过援引并入，其程度如同每个单独的出版物或专利申请被具体地和单独地指明通过援引并入一样。如果并入的参考文献中的术语的定义或用法与本文提供的该术语的定义不一致或相反，则适用本文提供的该术语的定义，而不适用该术语在该参考文献中的定义。

单核苷酸多态性(SNP)是指在不同个体的基因组中单个DNA碱基对位置处变异或变化的发生。值得注意的是，SNP在人类基因组中相对常见，通常处于约10^-3的频率，并且通常不加区别地位于转录和调节/非编码序列中。由于其相对较高的频率和已知的位置，SNP可用于各种领域，并已在全基因组关联研究、群体遗传学和进化研究中发现了若干种应用。但是，大量信息也带来了各种挑战。

例如，在SNP用于全基因组关联研究是情况下，必须对来自至少两个不同组的许多个体测序整个基因组，以获得标记物或疾病与SNP或SNP模式的统计学相关的关联。在其他方面，在仅分析基因组或所选SNP的一部分的情况下，由于SNP广泛分布在整个基因组中，潜在的关联可能会丢失。在使用SNP的仍其他方法中，可以靶向多态性。然而，在这种情况下，通常需要专用设备(高通量PCR)和/或材料(SNP阵列)。另外，一旦碱基对位置被鉴定为SNP的基因座，这种信息通常仅在特定SNP与一种或多种临床特征相关联时被认为是有用的。因此，对于条件或特征未知的许多SNP被简单地认为是不相干的和被忽视的。

最近在WO 2016/037134中描述了作为样本特异性特质标记物的SNP的未确定性使用(即，不考虑与病症或疾病的任何关联的SNP的用途)。这里，使用具有完全忽略SNP基因座中读数的任何临床或生理后果的碱基读数将多个预定的SNP用作标识符。因此，相对大量的SNP提供了独特的特质标记物群集，其可用于追踪样本的起源。然而，此类系统未能解释SNP的等位基因变异。此外，使用SNP产生标记物谱将不能允许鉴定许多样本和/或样本的样本纯度/污染的关系。

最常见的是，对于多个样本(例如，第一、第二和随后的活组织检查)的组学数据的关系是基于数据文件中的患者标识符以及其他样本相关的信息。遗憾的是，在样本被错误标记或以其他方式改变的情况下，不正确的患者标识符将使得纠正此类错误变得困难(如果不是不可能)。同样地，在一个患者样本被另一个患者样本或较早时间点的样本污染的情况下，目前已知的数据处理通常不允许鉴定这种污染。此外，在仅需要基于序列信息的样本的样本匹配或样本检索的情况下，目前已知的系统和方法将通常需要全序列比较和/或比对。从不同的角度来看，当前已知的用于序列检索、鉴定和/或匹配的系统依赖于计算上无效的比对，或依赖于可能不准确的标头数据。已知的SNP分析未能解决这些问题。

因此，即使用于SNP的各种方面和方法在本领域中是已知的，仍然存在对利用SNP作为信息源的改进的系统和方法的需要。

发明内容