基于reads引導的基因組序列拼接.pdf

1、基因組序列拼接是生物信息學領域的核心問題,測序產(chǎn)生的讀取片段 reads經(jīng)過序列拼接組裝,生成基因組的堿基序列。新一代測序技術的快速發(fā)展,為生命科學重大問題的研究提供巨大幫助的同時,其數(shù)據(jù)海量、讀取片段 reads長度短、精確度低等特點也為全基因組序列拼接提出了相當嚴峻的挑戰(zhàn),而傳統(tǒng)的序列拼接算法已不再適用。針對新一代測序的數(shù)據(jù)特點,研發(fā)能滿足實際應用需要的基因組序列拼接軟件,已顯得極為迫切。
　　本文首先簡要介紹了新一代測序技術

2、的產(chǎn)生背景、測序策略及技術特點等,認真分析了基因組序列拼接所面臨的主要挑戰(zhàn),比如大量重復片段的存在,reads數(shù)據(jù)海量、長度短及含有測序錯誤等,深入探討了當前基因組序列拼接所采用的主要策略,即貪心策略,交疊-排序-生成共有序列(OLC)策略和De Bruijn圖策略等,總結了不同算法的優(yōu)勢及不足,并提出了序列拼接算法的改進方向。
　　接著,本文提出了基于reads引導的基因組序列拼接算法,以整條reads為拼接的基本單位,并率先在

3、拼接算法中提出了基于信息累計和數(shù)據(jù)特征相結合的評分方法。該算法分為reads拼接和contigs組裝兩個階段,contigs是由reads拼接生成的長序列片段。reads拼接階段主要包括數(shù)據(jù)預處理、De Bruijn圖的建立、contigs構建等,而contigs組裝階段則主要有contigs相對位置的確定、交疊overlap檢測、contigs連接及空隙gaps填充等過程,其中在確定contigs的相對位置時首次提出了配對數(shù)目數(shù)組PE