技術領域

本發明涉及數據處理領域，具體而言，涉及一種測序數據的處理方法及裝置。

背景技術

隨著高通量測序技術的迅速發展，DNA測序的能力也越來越強，然而，現有技術中在進行測序時存在一些沒法避免的測序錯誤問題，比如由于接頭序列污染導致的測序錯誤；由于文庫的隨機性導致測序GC含量偏差和測序序列重復片段比例過高；此外，還有測序儀本身所帶來的測序誤差等，這些測序錯誤問題的存在導致難以從測序序列中獲取高準確性的測序數據，造成生物信息分析員在進行質量控制時不能準確地對測序數據進行處理。

針對相關技術中難以從測序序列中獲取高準確性的測序數據的問題，目前尚未提出有效的解決方案。

發明內容

本發明的主要目的在于提供一種測序數據的處理方法及裝置，以解決現有技術中難以從測序序列中獲取高準確性的測序數據的問題。

為了實現上述目的，根據本發明的一個方面，提供了一種測序數據的處理方法，包括：接收測序序列的第一測序數據；以及篩除第一測序數據中的第一測序片段的測序數據，得到第二測序數據，其中，第一測序片段為測序序列中含有接頭序列的測序片段。

進一步地，篩除第一測序數據中的第一測序片段的測序數據，得到第二測序數據包括：將第一測序數據與接頭序列庫中的數據進行對比以確定第一測序數據中是否含有第一測序片段的測序數據；以及在確定第一測序數據中含有第一測序片段的測序數據時，篩除第一測序數據中的第一測序片段的測序數據，得到第二測序數據。

進一步地，在篩除第一測序數據中的第一測序片段的測序數據，得到第二測序數據之后，上述方法還包括：根據第二測序數據計算測序序列中對應位置的第一堿基和第二堿基的個數含量，得到第一堿基的含量分布和第二堿基的含量分布，其中，第一堿基和第二堿基為測序序列中一對互補的嘌呤堿基和嘧啶堿基。

進一步地，在根據第二測序數據計算測序序列中對應位置的第一堿基和第二堿基的個數含量，得到第一堿基的含量分布和第二堿基的含量分布之后，上述方法還包括：判斷測序序列是否為已知物種的測序序列；以及在確定測序序列為已知物種的測序序列時，將第一堿基的含量分布和第二堿基的含量分布與標準含量分布進行對比以確定測序序列的質控質量。

進一步地，在根據第二測序數據計算測序序列中對應位置的第一堿基和第二堿基的個數含量，得到第一堿基的含量分布和第二堿基的含量分布之后，上述方法還包括：判斷第一堿基的含量分布與第二堿基的含量分布是否一致；以及在確定第一堿基的含量分布與第二堿基的含量分布不一致時，確定測序序列存在測序錯誤。

進一步地，在根據第二測序數據計算測序序列中對應位置的第一堿基和第二堿基的個數含量，得到第一堿基的含量分布和第二堿基的含量分布之后，上述方法還包括：判斷測序序列是否為未知物種的測序序列；以及在確定測序序列為未知物種的測序序列時，將第一堿基的含量分布和第二堿基的含量分布作為未知物種的第一堿基和第二堿基含量的預測值。

進一步地，在篩除第一測序數據中的第一測序片段的測序數據，得到第二測序數據之后，上述方法還包括：計算第二測序數據中測序片段對應位置的堿基質量的平均值；以測序片段對應位置的堿基質量的平均值作為測序序列對應位置的堿基質量；以及統計測序序列的堿基質量的位置分布。

進一步地，在篩除第一測序數據中的第一測序片段的測序數據，得到第二測序數據之后，上述方法還包括：計算第二測序數據中不同堿基質量所對應的堿基數目；以及統計測序序列的堿基質量的數目分布。

進一步地，上述方法還包括：按照下式計算測序錯誤率，得到測序錯誤率分布：

Q＝-10log₁₀?E

其中，Q為堿基質量，E為測序錯誤率。

進一步地，在計算第二測序數據中不同堿基質量所對應的堿基數目；以及統計測序序列的堿基質量的數目分布之后，上述方法還包括篩除第二測序數據中的第二測序片段和第三測序片段的測序數據，得到第三測序數據，其中，第二測序片段為含有第三堿基的測序片段，其中，第三堿基為堿基質量小于預設質量且堿基數目在第二測序片段中的比例大于第一預設比例的堿基，第三測序片段為含有第四堿基的測序片段，其中，第四堿基為未知堿基且在第三測序片段中的比例大于第二預設比例的堿基。

進一步地，在篩除第二測序數據中的第二測序片段和第三測序片段，得到第三測序數據之后，上述方法還包括：根據第三測序數據中測序片段的堿基的排序判斷第三測序數據中的任意兩條測序片段是否為重復的測序片段；以及在確定第三測序數據中任意兩條測序片段是重復的測序片段時，將其中一條篩除。