新一代測序數(shù)據(jù)過濾方法研究.pdf

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

2、算法，按照針對的錯誤類型將它們歸為以下四類:1）對低質(zhì)量數(shù)據(jù)過濾所采用的滑動窗口法、平均質(zhì)量法以及低質(zhì)量堿基數(shù)統(tǒng)計法;2）對插入、刪除以及替換錯誤采用的基于k串的文庫構(gòu)建比對算法;3）對重復(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）對含有adapter等的污染序列采用的文庫制備比對算法以及位向量動態(tài)規(guī)劃算法。我們提出了有關(guān)測序數(shù)據(jù)過濾軟件的評估標準，以便更好的研究過濾算法的特性，并對現(xiàn)

3、有的三個測序數(shù)據(jù)過濾軟件進行了評估驗證分析。
　　基于現(xiàn)有測序數(shù)據(jù)過濾方法的研究分析，開發(fā)了處理三個測序平臺測序數(shù)據(jù)的過濾算法，處理流程為:1）統(tǒng)計分析各平臺測序數(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）采用滑動窗口方法、平均質(zhì)量方法、低質(zhì)量堿基數(shù)統(tǒng)計以及循環(huán)算法對三種測序數(shù)據(jù)的質(zhì)量進行評估分析，并對低質(zhì)量序列進行相應(yīng)的剪切或過濾處理;3）將高質(zhì)量數(shù)據(jù)進行聚類分析，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)建實驗所用adapter文庫，進行比對分析，對含有adapter的序列進行剪切或過濾處理。在此算法的基礎(chǔ)上構(gòu)建了針對454測序平臺、Solexa測序平臺以及SOLiD測序平臺的測序數(shù)據(jù)過濾軟件S4S。S4S主要由Perl語言編寫，并整合R語言進行圖形顯示。
　　基于30組第二代測序數(shù)據(jù)進行了S4S的可靠性研究分析。這30組測序數(shù)據(jù)過濾前后數(shù)據(jù)比對率的研究表明，S4S能夠?qū)?54測序平臺、Solexa測序平臺以及SOLiD測序