面向新一代測序技術的拼接算法研究.pdf

1、在基因組的測序中,DNA序列的拼接是核心問題之一。在2005年之前,DNA測序主要采用Sanger測序方法,得到的DNA片段長度能達到1000bp,準確度率能達到99.999％。2005年,第二代高通量測序技術以其低廉的成本和巨大的通量大大推動了基因組測序的應用與發(fā)展。第二代高通量測序技術產(chǎn)生的DNA片段長度非常短(最短的只有35bp左右)且通量非常高(一次實驗能產(chǎn)生幾億到幾十億條DNA序列)。在基因組的從頭測序(de novosequ

2、encing)中,過去Sanger測序的拼接算法對第二代測序技術并不適用,需要開發(fā)新的拼接算法。而在基因組的再測序(re-sequenting)中,傳統(tǒng)的DNA序列比對算法不能滿足高通量和短序列的要求,需要開發(fā)新的DNA短序列比對算法。
　　 本文首先系統(tǒng)研究了國際上最新的基于第二代測序技術的短序列拼接算法,并提出了基于同源基因組比對的整合方法。該方法將不同拼接方法所產(chǎn)生的contig利用一個同源的參考基因組整合在一起,構成更長

3、的DNA序列,更好的重現(xiàn)被測基因組。我們使用整合算法對幽門螺旋桿菌測序短片段的不同拼接結果(SSAKE和Velvet的拼接結果)進行整合,結果表明,該算法有效地將contig的平均長度提高到2.9倍,最長的contig長度也提高到1.97倍,提高了拼接的準確性,最大程度的擴展了拼接結果。
　　 本文提出了基于短片段間重疊信息的比對算法Umap和MAO。Umap算法引入核心片段逐步擴展延伸的基本思想,把短片段間的重疊信息加入到短片

4、段比對算法中,為短片段在參考序列上的定位提供一個有力的支持信息。Umap算法能夠快速定位在參考基因組上只比對到一個位置的短片段,并以這些短片段為種子,向兩邊延伸擴展并定位剩余短片段。然而Umap的弱點在于多重定位短片段的定位可靠性無法衡量。為解決這個問題,我們在Umap基礎上提出了基于高通量測序短片段的比對算法MAO(Mapping Short Reads with Overlap),解決了多重定位短片段在參考基因組上的定位可靠性問題。

5、MAO首先搜索所有可以在參考基因組上定位的短片段,然后依據(jù)短片段間的重疊信息,借鑒短片段拼接算法中擴展種子序列的貪婪算法的核心思想,將那些認為是錯誤定位的短片段排除,得到短片段在參考基因組上的準確定位信息。對于上述兩個算法都使用模擬和真實的測序短片段進行驗證,結果表明,Umap有效地將短片段的匹配比例從45%提高到70%,把錯誤匹配的短片段比例從12%降低劍0(與PASS比較)。MA0有效地識別出37%的唯一比對短片段是錯誤匹配,48%

6、的多重比對(在參考序列上的比對位置不止一個)短片段是錯誤匹配。
　　 最后我們分別使用系統(tǒng)發(fā)生分析方法和序列比對的方法分析了微生物群落組成情況。其中系統(tǒng)發(fā)生分析方法通過使用Blast進行比對和使用MEGA4.0建立系統(tǒng)發(fā)育樹從而研究微生物群落的組成(分析對象為16S rRNA和26S rRNA)。基于序列比對的方法能直接提取微生物群落中的總DNA進行測序,跳過了偏向性較高的PCR擴增過程,樣本制備簡單且無偏向性,既可以發(fā)現(xiàn)高豐度