使用分级反向索引表的DNA比对制造技术

用于构建可用于将检索序列与参考数据匹配的分级索引表的系统和方法。所述索引表可经构建以含有与给定长度的所有子序列的穷尽性列表相关联的条目，其中每个条目含有在所述参考数据中的每个子序列的匹配的数量和位置。可以迭代方式构建所述分级索引表，其中基于匹配的数量大于一组相应阈值中的每一个，选择性地和迭代地构建用于每个延长子序列的条目。所述分级索引表可用于搜索在检索序列和参考数据之间的匹配，并且对每个相应候选匹配执行错配鉴别和表征。

【技术实现步骤摘要】
【国外来华专利技术】使用分级反向索引表的DNA比对
本申请大体上涉及将数据模式映射到参考数据组上，且更具体地说，涉及在DNA测序和DNA比对应用中执行这类数据比对或模式匹配。
技术介绍
现代技术涉及越来越大量数据的收集和处理。其中，所谓的“大数据”的应用和使用情况范围是数据挖掘、播发、机器学习和DNA测序。在许多情况下，有必要搜索在少量样品数据和大得多的参考数据组之间的匹配。随着参考数据组的尺寸增加，样本数据与此参考数据组的比对(模式匹配)变成以指数方式更为计算密集型任务。数据比对的示例性案例在DNA比对领域中进行。活生物体由细胞构成并且细胞的操作和繁殖受从一代细胞传送到下一代的基因信息控制。物种和个体生物体的基因信息的详细知识对于更精确生命科学的保持巨大希望，从而支持改善的健康护理、农业、环境管理和犯罪解析。实现这些益处的障碍中的一个为对生物体的基因信息进行测序的成本。为了做到这一点的技术已经在数十年的最后十年内显著改善，使得将成本减少到小于US$1000/人表现为可实现的。然而，仍然存在数据的完整性、精确度、解释的问题，和可靠诊断疾病的问题。从生物样品获取基因信息的天数也是需要快速响应的用途的障碍，如已知供急救室患者使用的对于敏感个体具有严重副作用的医药适合性。因此，期望用于数据比对并且具体来说DNA测序的改善的技术和工具。
技术实现思路
公开用于将数据模式映射到显著地较大数据组上的系统和方法的各种实施例。在一些实施例中，较大数据组可为参考数据组。在一些实施例中，较大数据组可为从头测序的结果，其中多个数据模式用于构建与多个数据模式自一致的大数据组。本文中呈现的许多实施例涉及DNA比对的具体使用案例，其中参考数据组为参考基因组并且数据模式为衍生自DNA链的短读数(SR)的一串DNA碱基。然而，本文中详述的方法通常适用于将任何数据模式映射到较大数据组上的问题。本文关于DNA比对所描述的方法的说明旨在有助于解释，并且不意指以任何方式限制本专利技术的范围。本领域中技术人员将容易地参看本文所描述的方法可如何应用于除DNA比对以外的数据比对或模式匹配方法。在一个实施例中，可生成基于参考数据的分级索引表。分级索引表可包含其中多个数据段中的每一个所在的在参考数据中的位置。在计算机科学中，此形式的索引表可被称作反向索引表。分级索引表可用于将检索序列与参考数据匹配。索引表可经构建以含有与给定长度的所有子序列的穷尽性列表相关联的条目，其中每个条目含有在参考数据中的每个子序列的匹配的数量和位置。可以迭代的方式构建分级索引表，其中基于匹配的数量大于一组相应阈值中的每一个，选择性地和迭代地构建用于每个延长子序列(层次的更深层级)的条目。对于一些子序列，匹配的数量将相等或小于当前阈值，为此方法生成在表中的末端条目。有限长度的参考数据意指，可发现足够长子序列的匹配的数量将低于给定正阈值。然而，据了解，存在大于1000bp长并且出现数千次的基因组的子序列。对于完全地索引，这些序列可为或不为所感兴趣的；并且在后一种情况下，某些序列可排除掉，而非包括于分级索引表中。用于在参考基因组中对SR执行候选位置选择(鉴别匹配模式)的方法可包括通过以迭代方式执行以下来检索对应分级索引表。可基于一段SR，生成“印迹”(由一串DNA碱基组成)，并且其用于从与参考基因组相关联的索引表选择SR的至少一个候选位置。印迹的长度可延长以便移动到分级索引表的更深层级。一旦达到分级索引表的末端条目，就可停止迭代，并且可输出候选位置。使用分级索引表可操作以大大地增加可出现候选选择的速度。在一些实施例中，方法还可包括在SR中评估每个候选位置。举例来说，在一些实施例中，对于每个候选位置，在SR和参考基因组之间的匹配可基于在SR和参考基因组之间碱基误差的数量来确定。在一些实施例中，评估还可包括确定在SR中的至少一个插入或缺失(共同称为插入缺失)。举例来说，在SR中的锚定位点可基于SR的lo端部和hi端部错配的数量来确定。可使用锚定位点确定至少一个插入缺失的长度和类型。可确定至少一个插入缺失的起始位点。在一个实施例中，确定起始位点可包括计算在SR和在候选位置处的参考基因组之间的第一运行误差和，和计算在SR和从候选位置偏移处的参考基因组之间的第二运行误差和，其中偏移是基于至少一个插入缺失的类型和长度。接着可基于第一和第二运行误差和的最小值确定至少一个插入缺失的起始位置。附图说明当结合以下附图考虑优选实施例的以下详细描述时，可以获得对本专利技术的更好理解，其中：图1示出根据一个实施例的两个示例性DNA序列，具体地说示出在两个链中的碱基的互补和反向排序；图2示出根据一个实施例的具有示例性碱基ACGTCTGATTGACAAACTGATGCA的短读数(SR)；图3示出被配置成实施本专利技术技术的实施例的示例性系统；图4为示出在一些实施例中用于构建分级索引表的算法的流程图；图5为示出在一些实施例中用于构建分级索引表的第一层级的方法的流程图；图6为示出在一些实施例中用于构建分级索引表的第二层级的方法的流程图；图7示出根据一个实施例的应用于图2的序列的本专利技术比对技术；图8为示出在一些实施例中用于使用分级索引表搜索参考数据以便匹配检索序列的子区段的方法的流程图；并且图9为示出在一些实施例中表征和定位插入缺失的方法的流程图。虽然本专利技术可易有各种修改以及替代形式，但在附图中借助于实例示出并且在本文中详细地描述了其具体实施例。然而，应理解，本专利技术的附图和详细描述并不希望将本专利技术限制于所公开的特定形式，而是相反，目的是涵盖通过所附权利要求书限定的本专利技术的精神和范围内的所有修改、等效物和替代方案。具体实施方式以引用的方式并入以下专利/申请以全文引用的方式并入本文中，如同完全地和彻底在本文中阐述：美国专利第7,415,594号，标题为“具有散置失速传播处理器和通信元件的处理系统”，2003年6月24日提交，其专利技术人为MichaelB.Doerr、WilliamH.Hallidy、DavidA.Gibson和CraigM.Chase。美国专利申请第13/274,138号，标题为“多处理器系统中的停用通信”，2011年10月14日提交，其专利技术人为MichaelB.Doerr、CarlS.Dobbs、MichaelB.Solka、MichaelRTrocino和DavidA.Gibson。术语以下是本申请中使用的术语词汇表：存储媒体-各种类型的存储器装置或存储装置中的任一种。术语“存储媒体”旨在包括设备媒体，例如，CD-ROM、软盘104或磁带装置；计算机系统存储器或随机存取存储器如DRAM、DDRRAM、SRAM、EDORAM、RambusRAM、等；或非易失性存储器如磁性媒体，例如，硬盘驱动器、光学存储器或ROM、EPROM、闪存等。存储媒体同样可包括其它类型的存储器或其组合。此外，存储媒体可以位于其中执行程序的第一计算机中，和/或可以位于经由例如因特网的网络连接到第一计算机的第二不同计算机中。在后一个实例中，第二计算机可以向第一计算机提供程序指令以用于执行。术语“存储媒体”可包括两个或更多个存储媒体，其可以驻留在不同位置中，例如，在经由网络连接的不同计算机中。载体媒体-如上所述的存储媒体，以及物理传输媒体，如总线、网络和/或本文档来自技高网...

【技术保护点】
一种用于将检索序列与参考数据匹配的方法，所述方法包含：通过计算装置执行：a)将参考数据存储在存储器中；b)基于所述参考数据创建分级索引表，其中所述创建包含创建在所述分级索引表中的多个层级处的多个条目，其中对于在每个相应层级n处的条目，其中n为非零正整数，所述创建包含响应于所述相应层级n条目的匹配准则为大于阈值，创建在所述分级索引表中用于相应层级n条目的额外n+1层级条目；c)接收指定检索序列的输入；和d)使用所述分级索引表，对所述参考数据搜索所述检索序列的子区段的匹配。

【技术特征摘要】
【国外来华专利技术】2015.10.21 US 62/244,5411.一种用于将检索序列与参考数据匹配的方法，所述方法包含：通过计算装置执行：a)将参考数据存储在存储器中；b)基于所述参考数据创建分级索引表，其中所述创建包含创建在所述分级索引表中的多个层级处的多个条目，其中对于在每个相应层级n处的条目，其中n为非零正整数，所述创建包含响应于所述相应层级n条目的匹配准则为大于阈值，创建在所述分级索引表中用于相应层级n条目的额外n+1层级条目；c)接收指定检索序列的输入；和d)使用所述分级索引表，对所述参考数据搜索所述检索序列的子区段的匹配。2.根据权利要求1所述的方法，其中对于具有第一长度的所述参考数据的每个可能子序列，执行所述创建在所述分级索引表中的第一层级条目；其中对于具有与所述n+1层级对应的相应长度的所述参考数据的每个可能子序列，对于每个第n层级条目执行所述创建在所述分级索引表中的n+1层级条目，其中所述相应层级n条目的所述匹配准则为大于阈值。3.根据权利要求2所述的方法，其中所述创建在所述分级索引表的任何相应层级中的相应条目通过以下来执行：在所述参考数据中搜索所述相应长度的所述相应子序列的匹配；和将信息存储在所述分级索引表的相应层级中的所述相应条目中，其中所述信息指定在所述参考数据中相应长度的所述相应子序列的匹配的数量，其中所述信息进一步指定所述匹配中的每一个的位置。4.根据权利要求3所述的方法，其中，对于n+1层级，在与所述n层级中的所述对应条目相关联的位置处执行所述搜索所述n+1层级的所述相应子序列的匹配。5.根据权利要求3所述的方法，其中指示与每个条目相关联的匹配的数量的数据存储在第一数据结构中，并且与每个条目相关联的所述匹配中的每一个的数据位置存储在第二数据结构中，其中所述第一和第二数据结构各自包含在所述分级索引表内。6.根据权利要求1所述的方法，进一步包含：对于每个相应n层级条目，将引用对应于所述相应n层级条目的n+1层级条目的指标存储在存储器中。7.根据权利要求1所述的方法，其中所述参考数据包含参考基因组并且搜索所述参考数据包含将短读数(SR)与所述参考基因组进行比对。8.一种计算机可读存储媒体，包含用于将短读数与参考基因组进行比对的程序指令，其中所述程序指令可执行以：a)将所述参考基因组存储在存储器中；b)基于所述参考基因组创建分级索引表，其中所述创建包含创建在所述分级索引表中的多个层级处的多个条目，其中每个相应条目含有关于与所述相应条目相关联的碱基对序列的在所述参考基因组中的位置的信息，其中对于非零正整数n，对于在每个相应层级n处的条目，所述创建包含响应于所述相应层级n条目的匹配准则为大于阈值，创建在所述分级索引表中用于相应层级n条目的额外n+1层级条目；c)接收指定短读数的输入；和d)使用所述分级索引表，对所述参考基因组搜索所述短读数的子区段的匹配。9.根据权利要求8所述的存储媒体，其中对于具有第一长度的所述参考基因组的每个可能子序列，执行所述创建在所述分级索引表中的第一层级条目；其中对于具有与所述n+1层级对应的相应长度的所述参考基因组的每个可能子序列，对于每个第n层级条目执行所述创建在所述分级索引表中的n+1层级条目，其中所述相应层级n条目的所述匹配准则为大于阈值。10.根据权利要求8所述的存储媒体，其中所述创建在所述分级索引表的任何相应层级中的相应条目通过以下来执行：在所述参考数据中搜索所述相应长度的所述相应子序列的匹配；和将信息存储在所述分级索引表的相应层级中的所述相应条目中，其中所述信息指定在所述参考基因组中相应长度的所述相应子序列的匹配的数量，其中所述信息进一步指定所述匹配中的每一个的位置。11.根据权利要求10所述的方法，其中，对于n+1层级，在与所述n层级中的所述对应条目相关联的位置处执行所述搜索所述n+1层级的所述相应子序列的匹配。12.根据权利要求10所述的方法，其中指示与每个条目相关联的匹配的数量的数据存储在第一数据结构中，并且与每个条目相关联的所述匹配中的每一个的数据位置存储在第二数据结构中，其中所...

【专利技术属性】
技术研发人员：M·B·多尔，J·D·加玛尼，S·V·伍德，D·G·阿拉斯塔斯，M·A·亨特，
申请(专利权)人：相干逻辑公司，
类型：发明
国别省市：美国,US