新一代測(cè)序技術(shù)下的軟件開(kāi)發(fā)和轉(zhuǎn)錄組學(xué)研究.pdf

1、近年來(lái)基于邊合成邊測(cè)序思想的新一代測(cè)序技術(shù)迅猛發(fā)展，測(cè)序通量急速增加，測(cè)試成本也呈現(xiàn)直線下降的趨勢(shì)。該技術(shù)正在使基因組研究發(fā)生革命性變化，在不久的未來(lái)可能將人的基因組測(cè)序成本降低到一千美元。目前新一代測(cè)序的讀長(zhǎng)很短，一般只有25-75bp，但是測(cè)序的通量非常大，一次可以獲得上千萬(wàn)條短序列。雖然新技術(shù)已經(jīng)開(kāi)始普及，但是測(cè)序后的數(shù)據(jù)分析依然存在巨大的挑戰(zhàn)，比如快速而準(zhǔn)確的短序列比對(duì)，DNA多態(tài)性檢測(cè)，數(shù)據(jù)管理和可視化等。另外，新一代測(cè)序技術(shù)

2、在非模式生物轉(zhuǎn)錄組和基因組學(xué)研究進(jìn)展十分緩慢。本文主要解決新一代測(cè)序技術(shù)下的幾個(gè)核心生物信息學(xué)問(wèn)題和嘗試性地利用新一代測(cè)序技術(shù)進(jìn)行非模式生物轉(zhuǎn)錄組研究。 目前的短序列比對(duì)程序(MAQ，SOAP，RMAP，SHRiMP)都只提供了基因組重測(cè)序應(yīng)用下的連續(xù)比對(duì)功能(一條短序列連續(xù)比對(duì)上基因組上連續(xù)區(qū)域)，而在比對(duì)轉(zhuǎn)錄組測(cè)序數(shù)據(jù)時(shí)，我們還需要斷裂比對(duì)(一條短序列跨越兩個(gè)相鄰?fù)怙@子比對(duì))，這對(duì)于我們尋找新的轉(zhuǎn)錄序列和剪切模式有重要意義。

3、我們開(kāi)發(fā)了MapNext程序不僅能夠進(jìn)行短序列的連續(xù)比對(duì)，還能夠進(jìn)行轉(zhuǎn)錄序列的斷裂比對(duì)，另外該程序還用于從群體測(cè)序中檢測(cè)SNP和估計(jì)頻率。 目前新一代測(cè)序數(shù)據(jù)分析的程序都是以命令行方式運(yùn)行的，沒(méi)有用戶界面，沒(méi)有數(shù)據(jù)查詢功能，而這對(duì)于大多數(shù)生物學(xué)家來(lái)說(shuō)是及其不友好的。我們開(kāi)發(fā)了WebNext網(wǎng)絡(luò)系統(tǒng)用于新一代測(cè)序短序列比對(duì)和群體SNP檢測(cè)，而且提供了友好的網(wǎng)絡(luò)界面用于輸入?yún)?shù)和查詢結(jié)果。當(dāng)用戶在網(wǎng)上提交序列和輸入?yún)?shù)后，后臺(tái)程序根

4、據(jù)參數(shù)開(kāi)始，然后自動(dòng)把結(jié)果導(dǎo)入到MySQL數(shù)據(jù)庫(kù)，并把結(jié)果以鏈接的形式發(fā)送到用戶指定的郵箱。用戶可以方便地在網(wǎng)頁(yè)上瀏覽短序列比對(duì)和SNP的統(tǒng)計(jì)信息，查詢基因組上特定區(qū)域和感興趣基因上的序列比對(duì)和SNP。 序列比對(duì)的可視化對(duì)于人工檢查SNP和序列比對(duì)質(zhì)量有著重要意義。目前在個(gè)人電腦上顯示巨大的新一代測(cè)序序列比對(duì)還存在著巨大的信息學(xué)挑戰(zhàn)，目前的序列比對(duì)可視化軟件(Consed，Hawkeye，Eagleview)都是將巨大的拼接文件

5、(ACE文本格式)全部加載到內(nèi)存，這種基于內(nèi)存的設(shè)計(jì)要消耗巨大的內(nèi)存(對(duì)于1000萬(wàn)條短序列要10G以上)。我們開(kāi)發(fā)了Map View軟件，用以在個(gè)人電腦上可視化上億條短序列比對(duì)，并且還提供了遺傳變異檢測(cè)功能。為了實(shí)現(xiàn)可視化瀏覽任意多數(shù)量的短序列比對(duì)消耗內(nèi)存不超過(guò)50M，跳轉(zhuǎn)到參考序列的任何位置加載比對(duì)信息不超過(guò)2秒，我們?cè)O(shè)計(jì)了一種新型的文件格式和動(dòng)態(tài)加載算法。另外Map View支持多線程運(yùn)行不同任務(wù)，比如同時(shí)進(jìn)行瀏覽序列比對(duì)，全基因

6、組SNP檢測(cè)，統(tǒng)計(jì)計(jì)算測(cè)序深度的分布。 當(dāng)我們從基因組角度研究一個(gè)新物種時(shí)，最開(kāi)始一般是獲得該物種大量的EST序列，而目前的新一代測(cè)序技術(shù)可替代傳統(tǒng)的Sanger技術(shù)應(yīng)用到非模式生物的轉(zhuǎn)錄組研究。我們將紅樹(shù)植物角果木轉(zhuǎn)錄組進(jìn)行了Solexa測(cè)序，獲得了4759050條35bp的序列。這些短序列被拼接成2751條contig，平均長(zhǎng)度為198bp，最長(zhǎng)為1641bp。Blast搜索發(fā)現(xiàn)其中1318條(47.90％) contig和