[发明专利]突变检测分析的方法、设备、可读介质及装置

说明书

本发明属于生物信息技术领域，具体地，涉及高通量测序数据分析方法及装置，更具体地，涉及突变检测的分析方法及装置。本突变检测方法实现了一种快速检测突变，且准确判断连锁/复杂突变并将其合并的方法。同时跳过了常规流程中SAM文件转为BAM文件、BAM文件的排序、加头文件、去重、重比对等等处理，大大缩短了分析时间；通过一次读取SAM/BAM文件，即可同时分析SNV和InDel突变；最后，通过逐一扫描SAM文件，结合突变特征筛选，在保证查全率的同时，兼顾对假阳性的甄别，结果更加准确。

技术领域

本发明属于生物信息技术领域，具体地，涉及高通量测序数据分析方法及装置，更具体地，涉及突变检测的分析方法及装置。

背景技术

肿瘤突变检测是通过从肿瘤患者外周血或病灶组织中提取DNA，进行高通量测序和生物信息分析，检测出相关的突变(如遗传变异、体细胞突变)，可用来指导用药或后续的治疗方案。因样本中来源于肿瘤的基因组占比通常不高，常常采用测序深度＞1000X的高深度测序，考虑到经济性，现行的检测方式大都为目标区域捕获测序，即通过捕获几十、几百，甚至上千个肿瘤相关的基因，再进行高深度测序。常规的分析流程通常是采用BWA比对、GATK重比对、Varscan2/Mutect2等突变检测软件对bam文件分别进行SNV、InDel分析，最后根据多个指标(如：深度、频率、p-value等)进行候选位点的筛选。该分析流程普遍耗时约1～2小时，且随着数据量的增加而增加；同时GATK重比对步骤对计算资源要求较高。而且，目前的软件大多基于理论模型计算，灵敏度和特异性方面难以满足高要求的临床样本。

对于连锁或复杂突变，现有的软件通常是给出多个独立的突变结果，通过频率和深度指标进行判断。但是在某些复杂情况下，仅仅靠频率和深度指标来判别连锁并不准确，常常导致注释错误。

因此，针对目前的分析流程存在耗时长、无法准确解决连锁/复杂突变带来的注释错误问题，急需开发一个更快速、准确的生物信息分析方法。

发明内容

有鉴于此，第一方面，本发明请求保护一种突变检测方法：

获得样本的测序数据和参考基因组序列；

对所述样本的测序数据和参考基因组序列进行比对，得到SNV位点信息和InDel位点信息；

对所述得到的SNV位点信息和InDel位点信息进行过滤，得到过滤之后的数据；

对所述过滤之后的数据进行连锁分析，包括：

对同一个染色体上的位置在40bp内的两个目标突变进行两个特征值字符串化后的Levenshtein相似度计算，当两个相似度均大于0.8时，则认定该两个突变为连锁；所述两个特征值分别为：包括所述目标突变的簇的reads数、包含所述目标突变的簇中支持该目标突变的reads数占比。

进一步地，在一些具体的实施方案中，对所述过滤之后的数据进行连锁分析，包括：

对同一个染色体上的位置在20bp内的两个目标突变进行两个特征值字符串化后的Levenshtein相似度计算，当两个相似度均大于0.8时，则认定该两个突变为连锁；所述两个特征值分别为：包括所述目标突变的簇的reads数、包含所述目标突变的簇中支持该目标突变的reads数占比。

在本发明中，术语“簇(cluster)”指的是将比对到相同位置、相同链、相同比对描述的reads归为一个cluster。每个cluster可认为来源于同一个DNA分子模板，或不同模板但原始序列相似。

在本发明中，术语“包括所述目标突变的簇的reads数”指的是包含某个目标突变的簇组成的reads数，例如：比对位置为chr1染色体、起始位置为100000、CIGAR描述为80M3D70M的簇由15条reads组成，则“15”为该定义所指值。