生物信息學(xué)是數(shù)據(jù)導(dǎo)向科學(xué),大規(guī)模測(cè)序是其最重要數(shù)據(jù)來(lái)源

1、生物信息學(xué)是數(shù)據(jù)導(dǎo)向科學(xué),大規(guī)模測(cè)序是其最重要數(shù)據(jù)來(lái)源生物信息學(xué)是數(shù)據(jù)導(dǎo)向的科學(xué), 大規(guī)模測(cè)序是其最重要的數(shù)據(jù)來(lái)源之一大規(guī)模測(cè)序與實(shí)驗(yàn)室測(cè)序的不同實(shí)驗(yàn)室測(cè)序： 手工操作，效率低，結(jié)果是第一位的大規(guī)模測(cè)序： 流水線操作，自動(dòng)化 追求穩(wěn)定、高效、低本錢(qián)兩種測(cè)序策略：基于BAC的方法： 先把基因組打碎成200300kb的片段并制成BAC文庫(kù)，再選擇一些BAC進(jìn)一步打碎成3kb左右的小片段，測(cè)序并拼接。全基因組鳥(niǎo)槍法： 把基因組直接打碎成3kb左右的小片段，測(cè)序并拼接?；贐AC的方法全基因組DNA隨機(jī)打成大片段 選擇并克隆大片段排序，選擇再打碎，克隆，測(cè)序，拼接全基因組鳥(niǎo)槍法基因組DNA隨機(jī)打碎測(cè)序

2、并拼接近來(lái)測(cè)序技術(shù)的進(jìn)展從基于BAC的策略轉(zhuǎn)向全基因組鳥(niǎo)槍法毛細(xì)管自動(dòng)測(cè)序儀的廣泛使用全基因組鳥(niǎo)槍法測(cè)序的拼接困難： 數(shù)據(jù)量極大 大量重復(fù)序列造成拼接途徑的不確定拼接軟件的新需求能充分利用正反向測(cè)序的配對(duì)信息, 防止重復(fù)序列造成的錯(cuò)誤拼接能處理數(shù)以百萬(wàn)甚至千萬(wàn)計(jì)的數(shù)據(jù) 程序并行化 高效率比對(duì) 能逐步拼接水稻基因組拼接步驟:采用數(shù)學(xué)模型識(shí)別重復(fù)序列 把重復(fù)序列屏蔽掉后，根據(jù)是否具有重疊局部進(jìn)行分組采用大型計(jì)算機(jī)并行拼接恢復(fù)重復(fù)序列，延伸contig構(gòu)建scanfold識(shí)別重復(fù)序列的數(shù)學(xué)模型重復(fù)序列識(shí)別：假設(shè)repeat有m個(gè)拷貝，且隨機(jī)序列覆蓋深度為0，1，2的概率：g0 ， g1 ， g2 ，

3、那么一次抽樣repeat覆蓋深度為0，1，2，的概率P0， P1， P2，為：n次抽樣，其中i次以上深度在j以上的概率Pij設(shè)一次抽樣深度在j以上和以下的概率分別為：Pj，Pj+；n次抽樣，其中i次以上深度在j以上那么認(rèn)為是repeat，此時(shí)犯兩類錯(cuò)誤的概率 為：設(shè)repeat在基因組中的比例為b，出現(xiàn)概率為P，非repeat出現(xiàn)概率為P* ，那么：MDR (Mathematically-Defined Repeat) vs. BDRs (Biologically-Defined Repeats)BDR(25%)BDR(50%?)MDR(42.2%) 人與水稻基因組中重復(fù)序列分布的差異Contigs:127,550 (N50=6,688 bp)Scaffolds: 102,444(N50=11,764 bp)Quality: 546 bp at Q20進(jìn)一步工作的設(shè)想新拼接程序步驟：利用覆蓋深度模型糾正測(cè)序錯(cuò)誤采用嚴(yán)格比對(duì)快速確定所有可能的重疊利用圖論或線性代數(shù)方法完成拼接糾正測(cè)序錯(cuò)誤對(duì)6X左右鳥(niǎo)槍法測(cè)序數(shù)據(jù)，統(tǒng)計(jì)所有20堿基長(zhǎng)小片段出