[发明专利]测序数据的处理方法及装置

说明书

本发明公开了一种测序数据的处理方法及装置。其中，该方法包括：拆分三代测序数据，得到至少一个子测序数据；将任意一个子测序数据比对到对应的参考基因组，得到任意一个子测序数据对应的比对结果；合并得到的所有比对结果，得到合并结果。本发明解决了现有技术中进行基因组的组装过程中，需要使用大量资源和时间完成基因组比对，导致比对速度慢、效率低的技术问题。

技术领域

本发明涉及生物信息技术领域，具体而言，涉及一种测序数据的处理方法及装置。

背景技术

随着高通量测序技术的普及，越来越多的物种的基因组图谱被破解，然而受困于二代测序长度较短或者三代测序基因错误率高的原因，目前通过高通量测序技术得到的基因组一般是处于草图的水平，一般是由几千到几万个scaffold序列组成的。

目前基于三代PacBio测序数据连接scaffold的常用软件为SSPACE-LongRead，它首先用blasr软件将所有reads比对到基因组，得到所有reads跟基因组草图scaffolds的比对结果。然后挑选出能同时比对到多个scaffolds的reads比对结果，然后这些三代测序reads在所对应的scaffolds的比对位置和比对方向，将两个或者多个scaffold连接成一个长序列。

由于blasr软件比对速度慢、内存占用大，导致SSPACE-LongRead连接scaffold需要大量的计算资源和CPU运行时间。许多大基因组，三代测序数据大于100G，比对需要数周时间。此外，blasr只通过设置cpu来提高并行计算的能力，该多线程并行的能力受限于单个节点的总cpu数目。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种测序数据的处理方法及装置，以至少解决现有技术中进行基因组的组装过程中，需要使用大量资源和时间完成基因组比对，导致比对速度慢、效率低的技术问题。

根据本发明实施例的一个方面，提供了一种测序数据的处理方法，包括：拆分三代测序数据，得到至少一个子测序数据；将任意一个子测序数据比对到参考基因组，得到任意一个子测序数据对应的比对结果；合并得到的所有比对结果，得到合并结果。

可选地，将任意一个子测序数据比对到参考基因组，得到任意一个子测序数据对应的比对结果，包括：使用高速比对软件对拆分得到的任意一个子测序数据进行比对；其中，比对结果的格式包括如下至少之一：M4格式、paf格式和M1文件格式。

可选地，将格式为M4格式和/或paf格式的比对结果转换为M1文件格式，并整合每个比对结果。

可选地，在合并得到的所有比对结果，得到合并结果之后，方法还包括：从合并结果中提取比对到至少两个contig的比对结果；根据比对结果确定contig在Pacbio read上的方向，并计算具有连接关系的两个contig之间的gap距离，得到连接关系。

可选地，在根据比对结果确定contig在Pacbio read上的方向，并计算具有连接关系的两个contig之间的gap距离之后，方法还包括：根据contig在Pacbio read上的方向以及具有连接关系的两个contig之间的gap距离，从最大的contig开始连接scaffold，得到测序基因组。

可选地，拆分得到每个子测序数据均为相同大小的fasta文件，其中，对相同大小的fasta文件进行并行的基因比对。

根据本发明实施例的另一方面，还提供了一种测序数据的处理装置，包括：拆分模块，用于拆分三代测序数据，得到至少一个子测序数据；处理模块，用于将任意一个子测序数据比对到参考基因组，得到任意一个子测序数据比对结果；合并模块，用于合并得到的所有比对结果，得到合并结果。