[发明专利]通过计算机程序模拟产生简化DNA甲基化测序数据的方法

摘要

本发明公开了一种通过计算机程序模拟产生简化DNA甲基化测序数据的方法，可以用来评估不同简化基因组甲基化(RRBS)测序数据比对软件的效率以及相应数据分析平台的可靠性，以此来确定最优的比对方法及相应的最优参数。本发明通过计算机程序模拟RRBS文库构建和测序过程，根据CpGs甲基化水平的分布，产生与真实RRBS测序数据非常相近的仿真数据。该仿真数据除了模拟单个碱基水平的甲基化水平外，还模拟了真实数据的插入、缺失、单核苷酸变异和结构变异等其他特性以增加真实性。此外，本发明在模拟RRBS测序过程中，通过引入经验误差模型来模拟测序过程中出现的误差，进一步增加了仿真数据的真实性。

主权项

1.一种通过计算机程序模拟产生简化DNA甲基化测序数据的方法，其特征在于，具体包括以下四个步骤：/n(1)模拟产生包含单碱基插入、缺失、单核苷酸变异和结构变异特性的参考基因组序列，变异参数由用户设定；/n(2)在步骤(1)得到的参考基因组序列上模拟CpG二核苷酸位点上的甲基化水平：使用Beta统计模型来产生CpG位点的甲基化数值；考虑到真实数据中邻近CpG位点的强相关性，对100bp距离内的CpG位点的甲基化水平进行基于最大似然统计模型的修正；/n(3)对步骤(2)得到的基因组序列进行计算机模拟生物体内的限制性酶切过程，记录相应的切割位置得到切割片段fragments，然后根据服从泊松分布的覆盖度参数，模拟产生单端或者双端的测序读长reads；通过内部选择过程，得到定向或者非定向文库的测序片段；/n(4)模拟产生测序数据的质量文件：在Illumina测序中，碱基的测序质量值和它在读长中所处位置有关，越靠后质量越低，使用大量真实数据训练集来拟合Illumina测序的碱基质量分布，得到碱基的经验误差分布，并且用于产生数据的质量值情况。/n