新一代測序技術下的軟件開發(fā)和轉錄組學研究.pdf

1、近年來基于邊合成邊測序思想的新一代測序技術迅猛發(fā)展，測序通量急速增加，測試成本也呈現(xiàn)直線下降的趨勢。該技術正在使基因組研究發(fā)生革命性變化，在不久的未來可能將人的基因組測序成本降低到一千美元。目前新一代測序的讀長很短，一般只有25-75bp，但是測序的通量非常大，一次可以獲得上千萬條短序列。雖然新技術已經開始普及，但是測序后的數(shù)據(jù)分析依然存在巨大的挑戰(zhàn)，比如快速而準確的短序列比對，DNA多態(tài)性檢測，數(shù)據(jù)管理和可視化等。另外，新一代測序技術

2、在非模式生物轉錄組和基因組學研究進展十分緩慢。本文主要解決新一代測序技術下的幾個核心生物信息學問題和嘗試性地利用新一代測序技術進行非模式生物轉錄組研究。 目前的短序列比對程序(MAQ，SOAP，RMAP，SHRiMP)都只提供了基因組重測序應用下的連續(xù)比對功能(一條短序列連續(xù)比對上基因組上連續(xù)區(qū)域)，而在比對轉錄組測序數(shù)據(jù)時，我們還需要斷裂比對(一條短序列跨越兩個相鄰外顯子比對)，這對于我們尋找新的轉錄序列和剪切模式有重要意義。

3、我們開發(fā)了MapNext程序不僅能夠進行短序列的連續(xù)比對，還能夠進行轉錄序列的斷裂比對，另外該程序還用于從群體測序中檢測SNP和估計頻率。 目前新一代測序數(shù)據(jù)分析的程序都是以命令行方式運行的，沒有用戶界面，沒有數(shù)據(jù)查詢功能，而這對于大多數(shù)生物學家來說是及其不友好的。我們開發(fā)了WebNext網絡系統(tǒng)用于新一代測序短序列比對和群體SNP檢測，而且提供了友好的網絡界面用于輸入?yún)?shù)和查詢結果。當用戶在網上提交序列和輸入?yún)?shù)后，后臺程序根

4、據(jù)參數(shù)開始，然后自動把結果導入到MySQL數(shù)據(jù)庫，并把結果以鏈接的形式發(fā)送到用戶指定的郵箱。用戶可以方便地在網頁上瀏覽短序列比對和SNP的統(tǒng)計信息，查詢基因組上特定區(qū)域和感興趣基因上的序列比對和SNP。 序列比對的可視化對于人工檢查SNP和序列比對質量有著重要意義。目前在個人電腦上顯示巨大的新一代測序序列比對還存在著巨大的信息學挑戰(zhàn)，目前的序列比對可視化軟件(Consed，Hawkeye，Eagleview)都是將巨大的拼接文件

5、(ACE文本格式)全部加載到內存，這種基于內存的設計要消耗巨大的內存(對于1000萬條短序列要10G以上)。我們開發(fā)了Map View軟件，用以在個人電腦上可視化上億條短序列比對，并且還提供了遺傳變異檢測功能。為了實現(xiàn)可視化瀏覽任意多數(shù)量的短序列比對消耗內存不超過50M，跳轉到參考序列的任何位置加載比對信息不超過2秒，我們設計了一種新型的文件格式和動態(tài)加載算法。另外Map View支持多線程運行不同任務，比如同時進行瀏覽序列比對，全基因

6、組SNP檢測，統(tǒng)計計算測序深度的分布。 當我們從基因組角度研究一個新物種時，最開始一般是獲得該物種大量的EST序列，而目前的新一代測序技術可替代傳統(tǒng)的Sanger技術應用到非模式生物的轉錄組研究。我們將紅樹植物角果木轉錄組進行了Solexa測序，獲得了4759050條35bp的序列。這些短序列被拼接成2751條contig，平均長度為198bp，最長為1641bp。Blast搜索發(fā)現(xiàn)其中1318條(47.90％) contig和