[发明专利]一种二代序列的短序列纠错的方法和装置

说明书

本发明公开了一种二代序列的短序列纠错的方法和装置，该方法包括：获取二代序列的K‑mer序列；对K‑mer序列进行分类；统计K‑mer序列的频数；筛选并获得低于预定频数的K‑mer序列；用预定频数的K‑mer序列对二代序列进行纠错；其中，纠错包括：将预定频数的K‑mer序列比对回二代序列，若比对上，则从该K‑mer头尾两端对应在二代序列上的位置将二代序列截断；保留截断后的长度大于预定长度的序列，舍弃截断后的长度小于预定长度的序列。本发明能够大大降低二代序列基于德布鲁因组装所需要的内存峰值，从而能够降低基因组组装的难度。

技术领域

本发明涉及测序技术领域，尤其涉及一种二代序列的短序列纠错的方法和装置。

背景技术

目前，基因组组装项目以全基因组鸟枪法测序(Whole-genome shotgunsequencing,WGS)为主流设计方案，它主要根据基因组的重复序列的具体特点，搭配不同长度的DNA插入片段进行双末端测序，在全基因组的平均测序深度足够的情况下可保证单碱基的准确性和基因组的完整性。随着第二代测序技术(Next-generation sequencing,NGS)的成熟和普及，测序成本大大降低，基于第二代测序技术的全基因组鸟枪法测序成为各种基因组项目的测序的主流方案。

基因组第二代序列组装主要基于德布鲁恩方法进行组装，组装思路主要是将二代测序序列依次截取出长度为K的短序列K-mer；将K-mer存储到散列表中，形成德布鲁因图的顶点；在测序序列上前后相继的K-mer相连，形成德布鲁因图的边；将所有测序序列都处理完得到整个德布鲁因图；去除德布鲁因图中由测序错误、杂合位点引起的路径；将线性的K-mer路径连接起来形成的重叠群。由于第二代测序技术所得的序列一般存在1％错误的问题，基因组越大，测序的数据量越多，这些错误会大大增加K-mer的种类，进而大大增加将K-mer存储到散列表中的内存，所需要的内存峰值就越大，内存峰值可能会超过几百GB，甚至1T以上，这就对计算机的内存要求非常高。为了降低内存峰值，有必要在基因组组装之前对二代序列进行纠错。

发明内容

本发明提供一种二代序列的短序列纠错的方法和装置，能够大大降低二代序列基于德布鲁因组装所需要的内存峰值，从而能够降低基因组组装的难度。

根据本发明的第一方面，本发明提供一种二代序列的短序列纠错的方法，包括：获取二代序列的K-mer序列；对上述K-mer序列进行分类，得到多个分类文件；对每个上述分类文件，统计上述K-mer序列的频数；筛选并获得低于预定频数的K-mer序列；用上述预定频数的K-mer序列对上述二代序列进行纠错；其中，上述纠错包括：将上述预定频数的K-mer序列比对回上述二代序列，若比对上，则从该K-mer头尾两端对应在上述二代序列上的位置将上述二代序列截断；保留截断后的长度大于预定长度的序列，舍弃截断后的长度小于上述预定长度的序列。

进一步地，上述方法在上述分类和上述统计步骤之间，还包括：压缩上述K-mer序列。

进一步地，上述压缩上述K-mer序列包括：对上述K-mer序列中的每三个碱基用1位ASCII字符替代。

进一步地，上述K-mer序列的长度范围是17至75个碱基长度。

进一步地，上述K-mer序列的长度是3的整数倍，优选39个碱基长度。

进一步地，上述对上述K-mer序列进行分类包括：截取上述K-mer序列的连续n位碱基序列，其中含N的K-mer序列去掉，将上述K-mer序列分类到4的n次方份文件中。

进一步地，上述预定频数是4。

进一步地，上述预定长度是80-120个碱基长度，优选100个碱基长度。