[发明专利]一种获得染色体水平基因组的方法

说明书

本发明公开了一种获得染色体水平基因组的方法。通过对比基于Hi‑C数据组装的基因组scaffold和基于大片段mate‑pair文库组装的基因组scaffold的contig顺序，保留基因组scaffold中与基于Hi‑C数据组装结果的顺序一致的contig，将不一致的contig打断，重复以上步骤，直至不再出现新的一致的contig顺序，得到经过校正的染色体水平基因组。本发明使用Hi‑C技术辅助对组装到基因组scaffold的结果进行校正，在不重新进行基因组测序的情况下，最大化的利用已测序的数据，保证组装结果正确的情况下，既最大化的保留了第二代测序基于大片段文库组装结果中正确的scaffold连接，又不影响Hi‑C染色体水平的准确性。

技术领域

本发明涉及生物信息学技术领域，具体涉及一种使用Hi-C技术对第二代测序大片段文库构建的基因组scaffold进行校正，进而获得更准确的染色体水平基因组的方法。

背景技术

长期以来，DNA测序技术一直是分子生物学相关研究中最常用的技术手段之一，从一定程度上推动了该领域的快速发展。第二代DNA测序技术又称大量并行测序技术(massive parallel sequencing,MPS)、高通量测序技术(high—throughput sequencing,HTS)，第二代测序技术低成本、可实现99％以上的准确度，1次可对几百、几千个样本的几十万至几百万条DNA分子同时进行快速测序分析。

随着高通量测序技术的发展，大量的物种基因组序列被公布，在这些已公布的基因组序列中，很多是采用二代小片段pair-end文库和大片段mate-pair文库相结合的建库方式进行测序的。不论是二代小片段pair-end文库还是大片段mate-pair文库，得到的测序reads均为双端一一配对对应的短reads，reads的长度依赖于测序的illumina平台，一般在100bp～150bp不等。小片段pair-end文库的测序数据用于基于k-mer的overlap组装得到碱基连续的contig序列，大片段mate-pair文库用于将连续的contig序列连接成中间用gap填充的scaffold序列。

利用大片段的mate-pair文库测序得到的序列是一一配对的双端reads；因此基因组组装软件可以根据双端reads的配对关系，将这些reads比对到利用小片段pair-end文库数据组装得到的contig结果中，以比对结果为依据，将有大量双端mate-pair reads支持的contig连接成中间有gap填充的连续的scaffold。gap以字符N填充，而字符N的长度由组装软件根据参数设置的，以及软件推算的大片段mate-pair文库的insert size最终决定。

在没有其他技术手段的情况下，利用大片段mate-pair文库连接形成大片段的scaffold基因组序列，能够在一定程度上减少小片段pair-end文库组装得到的contig的数目，延长其长度，从而从整体上提升基因组的组装指标。后续又可以再利用小片段pair-end文库的数据map到得到的scaffold水平的基因组上，进一步依据map到字符N填充的gap上的reads信息，将部分gap填充成真实的A/G/C/T碱基，从而缩短甚至填充gap，进一步提升组装指标。在过去没有其他技术手段的情况下，该方法是唯一可以获得更完整的基因组组装结果的方法。