技術(shù)領(lǐng)域

本發(fā)明涉及生物信息技術(shù)領(lǐng)域，尤其涉及一種組裝基因組序列的方法和系統(tǒng)。

背景技術(shù)

Illumina的二代測(cè)序技術(shù)，以其高能量和準(zhǔn)確性，成為了很多科研工作地的首選平臺(tái)，目前它的平均讀長(zhǎng)為100bp～300bp，由于它的高能量、較低成本，極大地推進(jìn)了生物信息學(xué)的發(fā)展，有非常多的基因組是基于這個(gè)平臺(tái)進(jìn)行研究的。但是由于讀長(zhǎng)的局限性，同時(shí)復(fù)雜基因組中包含著許多高GC，高度重復(fù)的區(qū)域，Illumina在這些基因組的組裝上表現(xiàn)并不理想。

PacBio?RSII是目前市場(chǎng)上應(yīng)用最成熟的三代測(cè)序平臺(tái)，它的平均測(cè)序讀長(zhǎng)從一開(kāi)始的2k到目前的14k,可以跨越大部分的重復(fù)區(qū)域，在基因組的組裝中有極大的優(yōu)勢(shì)，極大地克服了二代讀長(zhǎng)短的缺點(diǎn)，目前它非常成熟地運(yùn)用在微生物完成圖的拼接中。

但是，由于于單分子實(shí)施測(cè)序的錯(cuò)誤率相對(duì)較高，單次測(cè)序錯(cuò)誤率15％,循環(huán)測(cè)序誤差8％左右，其準(zhǔn)確度與第二代測(cè)序技術(shù)有很大的差距，傳統(tǒng)的糾錯(cuò)方法非常耗計(jì)算資源，大基因組的計(jì)算量非常巨大，使得目前只有少數(shù)機(jī)構(gòu)能承能使用這種技術(shù)。

發(fā)明內(nèi)容

本發(fā)明的目的是解決以上提出的問(wèn)題，提供一種組裝基因組序列的方法和系統(tǒng)，將第二代測(cè)序技術(shù)所得的高精度短片段序列數(shù)據(jù)和單分子實(shí)時(shí)測(cè)序所得長(zhǎng)片段序列數(shù)據(jù)結(jié)合在一起進(jìn)行基因組序列的組裝，提高組裝效率和準(zhǔn)確率。

一方面，本發(fā)明提供了一種組裝基因組序列的方法，包括以下步驟：

(1)利用第二代測(cè)序技術(shù)對(duì)樣品進(jìn)行測(cè)序，獲得高精度短片段序列；

(2)對(duì)獲得的所述高精度短片段序列進(jìn)行拼接，獲得一個(gè)高精度的框架圖；

(3)利用單分子測(cè)序技術(shù)對(duì)與上述同樣來(lái)源的樣品進(jìn)行測(cè)序，獲得所述同樣來(lái)源樣品的三代測(cè)序數(shù)據(jù)；

(4)將步驟(3)獲得的所述三代測(cè)序數(shù)據(jù)比回所述框架圖中，得到三代測(cè)序數(shù)據(jù)和框架圖的詳細(xì)對(duì)比信息；

(5)利用步驟(4)獲得的詳細(xì)對(duì)比信息對(duì)所述三代測(cè)序數(shù)據(jù)進(jìn)行聚類并構(gòu)建基因組骨架，對(duì)所述基因組骨架進(jìn)行糾錯(cuò)，利用高精度短片段序列的大片斷構(gòu)建scaffold,小片斷數(shù)據(jù)進(jìn)行補(bǔ)洞，得到基因組精細(xì)圖。

作為優(yōu)選，所述步驟(4)包括：利用BWT和LCS算法，將步驟(3)獲得的所述三代測(cè)序數(shù)據(jù)比回所述框架圖中，得到三代測(cè)序數(shù)據(jù)和框架圖的詳細(xì)對(duì)比信息。

作為優(yōu)選，所述步驟(5)中對(duì)所述基因組骨架進(jìn)行糾錯(cuò)包括：

A、使用HGAP中自帶的糾錯(cuò)模塊，使用所述三測(cè)序代數(shù)據(jù)進(jìn)行自糾錯(cuò)；

B、使用LoRDEC軟件利用Illumina第二代測(cè)序技術(shù)獲得的高精度短片段序列來(lái)糾正所述基因組骨架。

作為優(yōu)選，所述的第二代測(cè)序技術(shù)采用的是HiSeq測(cè)序儀，所述的單分子測(cè)序技術(shù)采用的是PacBio?RSII測(cè)序儀。

作為優(yōu)選，所述步驟(2)采用的是SOAPdenovo2軟件對(duì)獲得的所述高精度短片段序列進(jìn)行拼接。

作為優(yōu)選，所述步驟(5)使用SSPACE軟件來(lái)構(gòu)建scaffold，最后使用GapCloser來(lái)進(jìn)行補(bǔ)洞。

另一方面，本發(fā)明還提供了一種組裝基因組序列的系統(tǒng)，包括：

接收模塊Ⅰ，用于接收利用第二代測(cè)序技術(shù)獲得的樣品的高精度短片段序列；

拼接模塊Ⅰ，與接收模塊Ⅰ相連，用于對(duì)獲得的樣品的高精度短片段序列進(jìn)行拼接，獲得高精確度的框架圖；

接收模塊Ⅱ，用于接收利用單分子測(cè)序技術(shù)獲得的樣品的長(zhǎng)片段序列；

定位模塊，與所述拼接模塊Ⅰ和所述接收模塊Ⅱ相連，用于將所述三代測(cè)序數(shù)據(jù)比對(duì)回所述框架圖上；

骨架模塊，利用所述三代測(cè)序數(shù)據(jù)與所述框架圖的詳細(xì)對(duì)比信息系對(duì)所述三代測(cè)序數(shù)據(jù)進(jìn)行聚類構(gòu)圖，搭建基因組骨架；

糾錯(cuò)模塊Ⅰ，與骨架模塊相連，利用骨架模塊中的聚類關(guān)系，使用HGAP糾錯(cuò)和三代測(cè)序數(shù)據(jù)進(jìn)行自糾錯(cuò)。

作為優(yōu)選，該系統(tǒng)還包括：

糾錯(cuò)模塊Ⅱ，所述的糾錯(cuò)模塊Ⅱ與糾錯(cuò)模塊Ⅰ相連，用于使用LoRDEC軟件和所述高精度短片段序列對(duì)所述基因組骨架進(jìn)行糾錯(cuò)；

Scaffold&補(bǔ)洞模塊，利用高精度短片段序列進(jìn)行scaffold構(gòu)建和補(bǔ)洞，生成最終的基因組精細(xì)圖。

本發(fā)明的有益效果如下：

1、本發(fā)明利用二代測(cè)序得到的高精度短片段序列進(jìn)行組裝，再結(jié)合10X的三代數(shù)據(jù)