一种基于三代PacBio测序数据的补洞方法

一种基于三代PacBio测序数据的补洞方法

技术领域

本发明涉及生物信息技术领域,具体涉及DNA组装的补洞方法，它使用三代PacBio 测序数据来进行基因组数据的补洞。

背景技术

三代PacBio测序以长读长著称，目前测序使用的P6-C4试剂，可使测序数据的平均 读长达到10-15k，并且测序没有明显的GC偏向性，理论上能很好地对基因组进行补洞。目前 基于三代PacBio测序数据补洞的软件，有PBjelly，但它是基于blasr比对软件的，由于 blasr软件比对速度非常慢，导致整个构建scaffold的时间也非常漫长。特别是对于大于1G 的基因组，测序深度大于10X的情况，通常需要耗费几个月的时间。

发明内容

本发明的目的是解决以上提出的问题，提出了一种基于三代PacBio测序数据的补 洞方法，大大降低了补洞过程中的比对时间，基因组补洞的速度得到明显提高。通过相应软 件，将三代PacBio测序数据比对上基因组中洞的两端，截取比对上的三代PacBio测序数据 的部分区域，并依据该数据所属的洞对截取的数据进行聚类，使用dazcon软件进行纠错，用 纠错后的数据进行序列连接。

本发明是通过以下技术方案实现的：

本发明是一种基于三代PacBio测序数据的补洞方法，所述补洞方法包括以下步 骤：

(1)从contig中提取unique-kmer；

(2)使用unique-kmer作为seed，进行比对，并截取比对上的区域；

(3)对比对上的区域进行聚类和纠错；

(4)使用纠错后的数据进行连接。

作为优化，在步骤(1)使用Jellyfish软件对二代Illumina测序数据进行k-mer统 计，把出现一次的k-mer作为unique-kmer,使用比特文件或GATB开源包，对这些unique- kmer进行存储。

作为优化，对于k≤17，使用一个大小为2G的比特文件(*.bit文件)来存储，而对于 k＞17的情况，把unique-kmer存入GATB开源包中的(*.h5)文件中。

作为优化，所述步骤(2)包括以下步骤：

2.1使用unique-kmer作为seed；

2.2事先对seed的比对关系进行聚类，算出最优的比对范围；

如果两条read能比对得上，那么它们具有共线性，并且这些seed之间的斜率为1, 将聚到最多点的直线作为比对上的区域。

2.3分区域进行比对；

首先将比对的整体区域划分成100bp的小区域，假设划分为n个区域，共有a个碱 基，再对这些小区域进行LCS相似度计算，假设相似度大于0.8的区域有b个，这些小区域总 体的相似碱基为c个，分以下两个维度评价相似度：

区域相似度＝b/n

碱基相似度＝c/a

最后只保留两个评价相似度的值都大于0.7的比对数据。

作为优化，所述步骤(3)和(4)包括以下步骤：

3.1将比对上的区域前后延伸一定长度(可以设定为500bp)进行截取，并记录这个 区域所对应的洞；

3.2将截取的区域，按所属的洞进行聚类；

3.3对每一个聚类的数据使用dazcon软件进行纠错，再对数据进行连接。

与现有的软件相比，本方法的优点在于：

1、从contig中提取出unique-kmer，提高准确率，降低对比时间。

在基因组中，存在许多重复序列，有些短重复序列甚至出现成百上千次，从而会影 响比对软件的准确度，增加比对的时间。为了提高比对的准确度，降低比对时间，本法提取 在contig中只出现一次的k-mer，作为unique-kmer，在比对中只用unique-kmer作为比对使 用的seed。这里使用Jellyfish软件来进行k-mer统计，并筛选出unique-kmer。

2、将三代PacBio测序数据比对上基因组中洞的两端，并截取数据，节约内存，节约 对比时间，提高准确度。

很多比对方法，都使用了最长公共子序列(LCS)的算法，本法进行比对，也是使用 这个算法，但是做了以下三方面的改进：

1)使用unique-kmer作为seed

2)事先对seed的比对关系进行聚类，算出最优的比对范围。

如果两条read能比对得上，那么它们具有共线性，并且这些seed之间的斜率为1。 我们将聚到最多点的直线作为比对上的区域。

3)分区域进行比对。

大多比对软件都是直接对整体区域进行最长公共子序列(LCS)计算，但对于较大 的比对区域来说，例如大于100k的比对区域，对整体区域进行计算，不仅浪费内存而且会耗 费大量时间。本法所做的改进解决了以上问题，同时准确度也得到明显的提升。

对于进行比对的三代Pacbio测序数据，选取比对上的区域两端各自延伸一定长度 (通常设定为500bp)的部分进行截取，这样就可以保证三代PacBio测序数据与比对上的洞 两端的DNA序列有共同的区域。

3、对比对上的三代PacBio测序数据进行聚类，纠错并连接，节约纠错时间。

将上一步骤截取的数据依据各自所属的洞进行聚类，使用dazcon软件对每个洞的 聚类数据纠错，并依据纠错后的数据和洞两端的存在的共同序列，进行序列连接，完成补 洞。这样做的优点是只对洞的区域进行纠错，不必对整条序列进行纠错，从而大大地节约了 纠错时间。

附图说明

图1：本发明流程图。

具体实施方式

下面结合附图对本发明的实施例进行进一步详细说明：

实施例：

1、从contig中提取unique-kmer，在步骤(1)使用Jellyfish软件对二代Illumina 测序数据进行k-mer统计，把出现一次的k-mer作为unique-kmer，对于k≤17，使用一个大小 为2G的比特文件(*.bit文件)来存储，而对于k＞17的情况，把unique-kmer存入GATB开源包 中的(*.h5)文件中。其中，将所有的数据打断成长度为k的片断称为k-mer，二代Illumina测 序数据是指通过Illumina公司测序仪获得的二代测序数据。

根据上述方法编写了程序，用法如下：

将contig路径，放入一个文件file.lst中

然后运行程序，来获取unique-kmer:

因为选取k＝17，将结果存入比特文件中：k17.bit

2、使用unique-kmer作为seed，进行比对，并截取比对上的区域；

2.1使用unique-kmer作为seed；

2.2事先对seed的比对关系进行聚类，算出最优的比对范围；

如果两条read能比对得上，那么它们具有共线性，并且这些seed之间的斜率为1, 将聚到最多点的直线作为比对上的区域。

2.3分区域进行比对。

首先将比对的整体区域划分成100bp的小区域，假设划分为n个区域，共有a个碱 基，再对这些小区域进行LCS相似度计算，假设相似度大于0.8的区域有b个，这些小区域总 体的相似碱基为c个，分以下两个维度评价相似度：

区域相似度＝b/n

碱基相似度＝c/a

最后只保留两个评价相似度的值都大于0.7的比对数据。

3、对比对上的区域进行聚类和纠错，使用纠错后的数据进行连接。

3.1将比对上的区域前后延伸一定长度(可以设定为500bp)进行截取，并记录这个 区域所对应的洞；

3.2将截取的区域，按所属的洞进行聚类；

3.3对每一个聚类的数据使用dazcon软件进行纠错，再对数据进行连接。

根据上述比对和补洞的方法，讲比对和补洞方法写成一个流程，方便调用，用法如 下：

配制input.cfg的说明：

以上所述的仅是本发明的优选实施方式，应当指出，对于本技术领域中的普通技 术人员来说，在不脱离本发明核心技术特征的前提下，还可以做出若干改进和润饰，这些改 进和润饰也应视为本发明的保护范围。

来源：wangchuang2017