[发明专利]一种基于长读数和contig分类的scaffolding方法

摘要

本发明公开了一种基于长读数和contig分类的scaffolding方法。本方法首先把长读数比对到contig集合上，根据比对结果生成局部scaffold集合。一条局部scaffold是由比对到同一条长读数的contig构成。基于每条contig在局部scaffold中出现的位置信息，把所有的contig分成两类，一类是重复contig，另一类是非重复contig。构建只包含非重复contig的scaffold图，图中每一个节点代表一个非重复contig。接着利用线性规划方法消除scaffold图中的方向和顺序冲突，并使scaffold图中只包含简单路径，其中每条简单路径对应一条scaffold。然后把重复contig插入到scaffold中，形成最终的scaffolding结果。本发明简单易用，在不同的真实数据上表现出良好的scaffolding结果，较其它scaffolding方法具有更高的准确性和连续性。

主权项

1.一种基于长读数和contig分类的scaffolding方法，其特征在于，包括以下步骤：1)首先将长读数比对到contig集合上，并生成局部scaffold集合；1.1)利用比对工具BWA，把长读数集合比对到contig集合上，生成比对结果。其中只考虑长度大于Lr的长读数和长度大于Lc的contig，Lr＝500，Lc＝3000。1.2)针对一条长读数，抽取出所有能够比对到它上的contig集合，并计算比对区间位置。如果没有或者只有一条contig比对上，则该条长读数不做后续处理。如果有两条或者更多条contig能够比对上，则根据该条长读数和这些contig之间的比对位置和方向信息，确定这些contig之间的先后顺序和方向，并生成一条局部scaffold。当处理完所有的长读数后，生成一个局部scaffold集合。2)contig分类；如果一条contig出现在两条或者更多条局部scaffold的中间位置(即在一个局部scaffold中，它既不是第一个，也不是最后一个contig)，并且在不同的局部scaffold中紧邻它5’端(或者3’端)的contig并不全一样，则该条contig是重复contig。或者一条contig的长度小于MIN，MIN＝2000，则也认为该条contig是重复contig。剩下的contig为非重复contig。当处理完所有的contig后，则所有的contig被分成两类：重复contig和非重复contig。3)构建和优化scaffold图；3.1)首先针对每个非重复contig构建一个节点；针对两个非重复contig，判断它们是否同时出现在同一条局部scaffold中，如果可以，则根据比对信息，确定这两个非重复contig之间的方向和顺序信息，并计算它们之间的距离。然后判断它们之间是否能够添加一条边，并确定边的权重。当处理完所有的两两节点后，则一个初始scaffold图构建完成。3.2)scaffold图中每条边约束了其相连接两个节点之间的方向、顺序和距离信息，因此根据scaffold图中所有的边，构建线性规划模型，检测和移除造成方向和顺序冲突的边，保证scaffold图中不存在方向和顺序冲突。3.3)消除冲突后，在scaffold图中，如果存在多个节点同时和某个节点的5’端(或者3’端)相连，则只保留权重最大的边，剩余的边进行移除。通过上述步骤的处理，scaffold图中只包含简单路径。4)生成scaffold集合；scaffold图中的一条简单路径包含了节点的顺序和方向信息，以及相邻节点之间的距离信息，因此每条简单路径对应一个scaffold，并生成一个scaffold集合。针对两个在scaffold中紧邻的非重复contig，如果一条局部scaffold包含它们，并且在该局部scaffold中它们之间包含的全部是重复contig，则这些方向和顺序确定的重复contig是一个插入候选项。如果两条非重复contig出现在多条局部scaffold中，则每条局部scaffold对应一个插入候选项，则选择具有最多频次的插入候选项插入到这两个非重复contig中间。如果最多频次的插入候选项有多个，则这两个非重复contig不进行插入操作。当处理完所有的相邻非重复contig后，生成最终的scaffold集合。其中contig为基因组序列片段；scaffold为基因组超长序列片段；scaffolding方法是指用于确定各条contig的方向，以及它们在基因组序列上的先后顺序，从而产生一些基因组超长序列片段，即scaffold的方法。一条序列的最左端是其5’端，最右端是其3’端。