一种基于k-mer定位的三代序列比对算法制造技术

本发明专利技术提供了一种基于k

【技术实现步骤摘要】
一种基于k
‑
mer定位的三代序列比对算法


[0001]本专利技术涉及一种DNA基因序列处理方法，主要是一种基于k
‑
mer定位的三代序列比对算法。

技术介绍

[0002]序列比对是序列分析的重要研究内容，也是后续生物信息挖掘的基础。第三代单分子测序(single molecule sequencing，SMS)技术产生的序列长，但错误率较高(～15％)。现有的大多数序列比对算法都是针对第二代测序技术产生的数据(序列短，错误率低)，并不适用于处理三代序列数据，因此需要开发新的三代序列比对算法。目前，针对三代序列的比对方法主要包括基于哈希搜索种子的比对方法、基于BWT
‑
FM索引的种子搜索比对方法及基于已有比对工具的种子搜索比对方法。各类方法各具优势但也存在一些局限性，普遍存在的问题是这些方法得到的比对结果都是局部序列比对，导致每个方法的比对灵敏度和比对覆盖率较低，且对测序误差较敏感。

技术实现思路

[0003]为了克服现有方法的不足，本专利技术提供基于k
‑
mer定位和列降维带状打分的三代序列比对方法(简称smsMap比对方法)。
[0004]本专利技术目的在于针对三代序列长度长、错误率高，现有比对方法序列比对灵敏度较低、对测序误差鲁棒性差以及比对覆盖率较低等问题，提出一种基于k
‑
mer定位和列降维带状打分(SMS sequence mapping，smsMap)的三代序列比对方法，该方法有较高的比对灵敏度和比对覆盖率，且对测序误差鲁棒性强，为第三代单分子测序数据分析提供有效技术保障。
[0005]为实现上述目的，本专利技术技术方案的基本思想是：针对基因组序列，首先提取基因组序列的所有k
‑
mer子片段并对每个k
‑
mer进行哈希转换得到哈希值，根据哈希值存储在基因组中的位置，构建基因组k
‑
mer位置文库；然后，对于待比对序列，提取k
‑
mer并通过基因组k
‑
mer位置文库找到待比对序列每个k
‑
mer在基因组中的位置，对待比对序列每个k
‑
mer进行打分，衡量作为比对起始位置的可信度，根据得分最高的k
‑
mer得到在待比对序列和基因组中的比对起始位置；最后，采用列降维带状打分得到上游序列对和下游序列对的比对结果，合并后完成整条序列的比对结果。
[0006]本专利技术基于k
‑
mer定位和列降维带状打分三代序列比对方法包括如下步骤：
[0007]步骤1：构建基因组k
‑
mer位置文库
[0008]基因组k
‑
mer位置文库指的是存储基因组k
‑
mer子片段位置的哈希表，首先提取基因组序列的所有k
‑
mer子片段，然后采用哈希函数进行k
‑
mer转换，并将k
‑
mer在基因组中的位置存储到哈希表中，具体实现过程为：
[0009]1)根据k
‑
mer大小(Γ)创建长度为4
Γ
的哈希表，即数组，用来存储相应k
‑
mer在基因组中的位置；
[0010]2)提取基因组序列的所有k
‑
mer，k
‑
mer是指基因组序列中包含k个碱基的子片段，对于一条长度为L的基因组DNA序列，在k
‑
mer长度为Γ的情况下，基因组所有k
‑
mer个数为L
‑
Γ+1；
[0011]3)对基因组序列第一个k
‑
mer进行哈希转换，假设该k
‑
mer(长度为Γ)可表示为：w＝c1，c2，...，c
Γ
，其在哈希表中的存储地址可通过以下哈希函数计算得到：
[0012][0013]式中4
Γ
‑
γ
是k
‑
mer中第γ个位置上碱基(c
γ
)的权重，I(c
γ
)是索引函数，定义为：
[0014][0015]每个k
‑
mer的哈希编码可看作是Γ位四进制数的一个转换，通过公式(1)计算基因组序列每个k
‑
mer哈希值即为该k
‑
mer在位置文库中的索引位置，然后将此k
‑
mer在基因组中的位置存储到该索引下的数组中；
[0016]4)重复步骤3)计算基因组所有k
‑
mer的哈希值并存储其在基因组中的位置，当存储完所有k
‑
mer位置信息后，即为构建的基因组k
‑
mer位置文库；
[0017]步骤2：定位比对起始位置
[0018]在定位比对起始位置阶段，首先提取待比对序列的所有k
‑
mer；然后根据上一步构建的基因组k
‑
mer位置文库找到待比对序列每个k
‑
mer在基因组中出现的位置；进而计算待比对序列每个k
‑
mer作为比对起始位置的可信度得分值，最后找出得分值最大的k
‑
mer，即可得到在待比对序列和基因组中的位置信息，作为比对的起始位置；具体实现步骤如下：
[0019]1)对于待比对序列r，提取r的所有k
‑
mer，然后通过公式(1)计算哈希值，即可找到该k
‑
mer在基因组中的位置信息，序列r每个k
‑
mer及其在基因组中的位置可用一个三元组表示：
[0020][0021]式中i表示序列r中第i个k
‑
mer，是序列r第i个k
‑
mer在基因组中第l个匹配的位置，L
i
是序列r第i个k
‑
mer在基因组中匹配的总个数，是的修正位置，即序列r第i个k
‑
mer在基因组中的位置减去在序列r中的位置；
[0022]2)通过公式(3)找出序列r每个k
‑
mer的三元组信息后，定义每个修正位置的可信度得分函数用来度量相应k
‑
mer作为比对起始位置的可信度，计算公式为：
[0023][0024][0025]式中Θ是序列r匹配到基因组中的k
‑
mer个数，L
j
是序列r第j个k
‑
mer在基因组中匹配的总个数，函数δ为指示函数，L(r)是序列r的容错长度，定义为：
[0026]L(r)＝0.2len(r)
ꢀꢀꢀ
(6)
[0027]式中len(r)是序列r的长度。
[0028]3)根据公式(4)计算序列r中每个(i＝1，2，L，Θ，l＝1，2，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于k
‑
mer定位的三代序列比对算法，其特征在于，包括下述步骤：步骤1：构建基因组k
‑
mer位置文库基因组k
‑
mer位置文库指的是存储基因组k
‑
mer子片段位置的哈希表，首先提取基因组序列的所有k
‑
mer子片段，然后采用哈希函数进行k
‑
mer转换，并将k
‑
mer在基因组中的位置存储到哈希表中，具体实现过程为：1)根据k
‑
mer大小(Γ)创建长度为4
Γ
的哈希表，即数组，用来存储相应k
‑
mer在基因组中的位置；2)提取基因组序列的所有k
‑
mer，k
‑
mer是指基因组序列中包含k个碱基的子片段，对于一条长度为L的基因组DNA序列，在k
‑
mer长度为Γ的情况下，基因组所有k
‑
mer个数为L
‑
Γ+1；3)对基因组序列第一个k
‑
mer进行哈希转换，假设该k
‑
mer(长度为Γ)可表示为：w＝c1，c2，...，c
Γ
，其在哈希表中的存储地址可通过以下哈希函数计算得到：式中4
Γ
‑
γ
是k
‑
mer中第γ个位置上碱基(c
γ
)的权重，I(c
γ
)是索引函数，定义为：每个k
‑
mer的哈希编码可看作是Γ位四进制数的一个转换，通过公式(1)计算基因组序列每个k
‑
mer哈希值即为该k
‑
mer在位置文库中的索引位置，然后将此k
‑
mer在基因组中的位置存储到该索引下的数组中；4)重复步骤3)计算基因组所有k
‑
mer的哈希值并存储其在基因组中的位置，当存储完所有k
‑
mer位置信息后，即为构建的基因组k
‑
mer位置文库；步骤2：定位比对起始位置在定位比对起始位置阶段，首先提取待比对序列的所有k
‑
mer；然后根据上一步构建的基因组k
‑
mer位置文库找到待比对序列每个k
‑
mer在基因组中出现的位置；进而计算待比对序列每个k
‑
mer作为比对起始位置的可信度得分值，最后找出得分值最大的k
‑
mer，即可得到在待比对序列和基因组中的位置信息，作为比对的起始位置；具体实现步骤如下：1)对于待比对序列r，提取r的所有k
‑
mer，然后通过公式(1)计算哈希值，即可找到该k
‑
mer在基因组中的位置信息，序列r每个k
‑
mer及其在基因组中的位置可用一个三元组表示：式中i表示序列r中第i个k
‑
mer，是序列r第i个k
‑
mer在基因组中第l个匹配的位置，L
i
是序列r第i个k
‑
mer在基因组中匹配的总个数，是的修正位置，即序列r第i个k
‑
mer在基因组中的位置减去在序列r中的位置；2)通过公式(3)找出序列r每个k
‑
mer的三元组信息后，定义每个修正位置的可信度得分函数用来度量相应k
‑
mer作为比对起始位置的可信度，计算公式为：
式中Θ是序列r匹配到基因组中的k
‑
mer个数，L
j
是序列r第j个k
‑
mer在基因组中匹配的总个数，函数δ为指示函数，L(r...

【专利技术属性】
技术研发人员：卫泽刚，
申请(专利权)人：宝鸡文理学院，
类型：发明
国别省市：