新一代測(cè)序數(shù)據(jù)過濾方法研究.pdf

1、近年來，高通量DNA測(cè)序技術(shù)取得了極大的進(jìn)步，然而由于多種原因，測(cè)序片段中的各類錯(cuò)誤依然不可避免，它影響了數(shù)據(jù)的準(zhǔn)確性，因此，在測(cè)序數(shù)據(jù)處理過程中，對(duì)錯(cuò)誤數(shù)據(jù)的過濾變得十分重要，這也是測(cè)序技術(shù)深入應(yīng)用的前提和基礎(chǔ)。本論文研究了現(xiàn)有的測(cè)序數(shù)據(jù)過濾方法，對(duì)現(xiàn)有過濾工具進(jìn)行了評(píng)估驗(yàn)證分析;開發(fā)了一套針對(duì)454測(cè)序平臺(tái)、Solexa測(cè)序平臺(tái)以及SOLiD測(cè)序平臺(tái)的數(shù)據(jù)過濾方法，構(gòu)建了一個(gè)第二代測(cè)序數(shù)據(jù)過濾軟件。
　　分析現(xiàn)有的測(cè)序數(shù)據(jù)過濾

2、算法，按照針對(duì)的錯(cuò)誤類型將它們歸為以下四類:1）對(duì)低質(zhì)量數(shù)據(jù)過濾所采用的滑動(dòng)窗口法、平均質(zhì)量法以及低質(zhì)量堿基數(shù)統(tǒng)計(jì)法;2）對(duì)插入、刪除以及替換錯(cuò)誤采用的基于k串的文庫構(gòu)建比對(duì)算法;3）對(duì)重復(fù)序列采用的cd-hit聚類算法以及以.SAM文件為基礎(chǔ)的MakeDuplicates算法;4）對(duì)含有adapter等的污染序列采用的文庫制備比對(duì)算法以及位向量動(dòng)態(tài)規(guī)劃算法。我們提出了有關(guān)測(cè)序數(shù)據(jù)過濾軟件的評(píng)估標(biāo)準(zhǔn)，以便更好的研究過濾算法的特性，并對(duì)現(xiàn)

3、有的三個(gè)測(cè)序數(shù)據(jù)過濾軟件進(jìn)行了評(píng)估驗(yàn)證分析。
　　基于現(xiàn)有測(cè)序數(shù)據(jù)過濾方法的研究分析，開發(fā)了處理三個(gè)測(cè)序平臺(tái)測(cè)序數(shù)據(jù)的過濾算法，處理流程為:1）統(tǒng)計(jì)分析各平臺(tái)測(cè)序數(shù)據(jù)在各堿基位置的平均質(zhì)量分布以及序列平均質(zhì)量密度分布;2）采用滑動(dòng)窗口方法、平均質(zhì)量方法、低質(zhì)量堿基數(shù)統(tǒng)計(jì)以及循環(huán)算法對(duì)三種測(cè)序數(shù)據(jù)的質(zhì)量進(jìn)行評(píng)估分析，并對(duì)低質(zhì)量序列進(jìn)行相應(yīng)的剪切或過濾處理;3）將高質(zhì)量數(shù)據(jù)進(jìn)行聚類分析，找出每類的一致序列，根據(jù)一致序列將重復(fù)序列濾去;

4、4）構(gòu)建實(shí)驗(yàn)所用adapter文庫，進(jìn)行比對(duì)分析，對(duì)含有adapter的序列進(jìn)行剪切或過濾處理。在此算法的基礎(chǔ)上構(gòu)建了針對(duì)454測(cè)序平臺(tái)、Solexa測(cè)序平臺(tái)以及SOLiD測(cè)序平臺(tái)的測(cè)序數(shù)據(jù)過濾軟件S4S。S4S主要由Perl語言編寫，并整合R語言進(jìn)行圖形顯示。
　　基于30組第二代測(cè)序數(shù)據(jù)進(jìn)行了S4S的可靠性研究分析。這30組測(cè)序數(shù)據(jù)過濾前后數(shù)據(jù)比對(duì)率的研究表明，S4S能夠?qū)?54測(cè)序平臺(tái)、Solexa測(cè)序平臺(tái)以及SOLiD測(cè)序