CN110570908A - 测序序列多态识别方法及装置、存储介质、电子设备 - Google Patents

测序序列多态识别方法及装置、存储介质、电子设备 Download PDF

Info

Publication number
CN110570908A
CN110570908A CN201911068955.XA CN201911068955A CN110570908A CN 110570908 A CN110570908 A CN 110570908A CN 201911068955 A CN201911068955 A CN 201911068955A CN 110570908 A CN110570908 A CN 110570908A
Authority
CN
China
Prior art keywords
sequence
sequenced
variation
sequencing
haplotype
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911068955.XA
Other languages
English (en)
Other versions
CN110570908B (zh
Inventor
张凯
沈一鸣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Medical Jiyun Medical Data Research Institute Co Ltd
Original Assignee
Nanjing Medical Jiyun Medical Data Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Medical Jiyun Medical Data Research Institute Co Ltd filed Critical Nanjing Medical Jiyun Medical Data Research Institute Co Ltd
Priority to CN201911068955.XA priority Critical patent/CN110570908B/zh
Publication of CN110570908A publication Critical patent/CN110570908A/zh
Application granted granted Critical
Publication of CN110570908B publication Critical patent/CN110570908B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
    • G16B30/10—Sequence alignment; Homology search
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Bioethics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明实施例是关于一种测序序列多态识别方法及装置、存储介质、电子设备，涉及生物信息处理技术领域，该方法包括：获取根据待测序序列以及参考测序序列得到的激活区域，并根据所述激活区域得到与所述待测序序列对应的单倍型；对所述单倍型与所述参考测序序列进行比对得到比对结果，并根据所述比对结果判断所述待测序序列中是否包括变异点；在判断所述待测序序列中存在变异点时，根据包含所述变异点的所有待测序序列构建序列集合；对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性。本发明实施例提高了当前似然矩阵的准确率，进而提高了变异概率的准确率。

Description

测序序列多态识别方法及装置、存储介质、电子设备
技术领域
本发明实施例涉及生物信息处理技术领域，具体而言，涉及一种测序序列多态识别方法、测序序列多态识别装置、计算机可读存储介质以及电子设备。
背景技术
随着人们对基因认识的深入，基因组重测序在医学、鉴定等领域发挥着越来越重要的作用。基因组重测序的最终目的就是通过各种技术手段识别出个体基因型与参考基因组的差别，这些差别即为基因突变。人类可遗传的变异中最常见的为由单个核苷酸的变异所引起的DNA序列多态性，即单核苷酸多态性，在临床上有很重大的意义。
目前在基因测序数据分析领域，认可度最高，使用最广的突变检测方法和软件为GATK HaplotypeCaller。具体的，待测测序序列通过对齐、排序、去重、质量值校正等步骤后，通过GATK HaplotypeCaller可以识别出待测基因组与参考基因序列的差别。
但是，上述方法存在如下缺陷：由于单个核苷酸的变异导致对齐错配的概率极低，故在单核苷酸多态性检测中无需对待测测序序列进行位置校正；但是对待测序序列进行位置校正会造成大量的冗余计算，因此降低了待测序序列的识别效率。
因此，需要提供一种新的测序序列多态识别方法及装置。
需要说明的是，在上述背景技术部分发明的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于提供一种测序序列多态识别方法、测序序列多态识别装置、计算机可读存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的待测序序列的识别效率较低的问题。
根据本公开的一个方面，提供一种测序序列多态识别方法，包括：
获取根据待测序序列以及参考测序序列得到的激活区域，并根据所述激活区域得到与所述待测序序列对应的单倍型；
对所述单倍型与所述参考测序序列进行比对得到比对结果，并根据所述比对结果判断所述待测序序列中是否包括变异点；
在判断所述待测序序列中存在变异点时，根据包含所述变异点的所有待测序序列构建序列集合；
对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性。
在本公开的一种示例性实施例中，所述测序序列多态识别方法还包括：
在判断所述待测序序列中不存在变异点时，对所述待测序序列进行删除。
在本公开的一种示例性实施例中，对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性包括：
利用隐式马尔科夫模型对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行成对计算，以识别出所述待测序序列中的多态性。
在本公开的一种示例性实施例中，在对所述当前单倍型与参考单倍型进行比对得到比对结果之后，所述测序序列多态识别方法还包括：
根据所述比对结果得到所述变异点在所述参考测序序列中的位置信息。
在本公开的一种示例性实施例中，对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性包括：
对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算得到当前似然矩阵，并对所述当前似然矩阵进行边缘化处理，得到目标似然矩阵；
根据所述目标似然矩阵得到所述待测序序列中的变异点的似然值；
根据所述变异点的似然值得到所述变异点的变异概率以及变异后的碱基，并根据所述变异点的变异概率以及变异后的碱基识别出所述待测序序列中的多态性。
在本公开的一种示例性实施例中，所述测序序列多态识别方法还包括：
根据所述变异点在所述参考测序序列中的位置信息、所述变异点的变异概率以及变异后的碱基生成输出文件。
在本公开的一种示例性实施例中，对所述当前似然矩阵进行边缘化处理，得到目标似然矩阵包括：
根据包含所述变异点的所有待测序序列的序列集合为索引，抽取包含所述变异点的所有待测序序列对应的当前似然矩阵；
对所述当前似然矩阵进行边缘化处理，得到目标似然矩阵。
根据本公开的一个方面，提供一种测序序列多态识别装置，包括：
激活区域获取模块，用于获取根据待测序序列以及参考测序序列得到的激活区域，并根据所述激活区域得到与所述待测序序列对应的单倍型；
变异点判断模块，用于对所述单倍型与所述参考测序序列进行比对得到比对结果，并根据所述比对结果判断所述待测序序列中是否包括变异点；
序列集合构建模块，用于在判断所述待测序序列中存在变异点时，根据包含所述变异点的所有待测序序列构建序列集合；
似然矩阵计算模块，用于对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性。
根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一示例性实施例所述的测序序列多态识别方法。
根据本公开的一个方面，提供一种电子设备，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一示例性实施例所述的测序序列多态识别方法。
本发明实施例一种测序序列多态识别方法及装置，一方面，通过获取根据待测序序列以及参考测序序列得到的激活区域，并根据激活区域得到与待测序序列对应的单倍型；紧接着，对单倍型与参考测序序列进行比对得到比对结果，并根据比对结果判断待测序序列中是否包括变异点；然后在判断待测序序列中存在变异点时，根据包含变异点的所有待测序序列构建序列集合；最后对序列集合中的各待测序序列以及与待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性，解决了现有技术中由于需要对待测序序列进行位置校正会造成大量的冗余计算，进而降低了待测序序列的识别效率的问题，提高了对待测序序列中的变异点进行识别的效率；另一方面，通过在判断待测序序列中存在变异点时，根据包含变异点的所有待测序序列构建序列集合；并对序列集合中的各待测序序列以及与待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性，提高了变异概率的准确率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性示出根据本发明示例实施例的一种根据待测序序列获取激活区域的场景示例图。
图2示意性示出根据本发明示例实施例的一种测序序列多态识别方法的流程图。
图3示意性示出根据本发明示例实施例一种对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性的方法流程图。
图4示意性示出根据本发明示例实施例的另一种测序序列多态识别方法的流程图。
图5示意性示出根据本发明示例实施例的一种测序序列多态识别装置的框图。
图6示意性示出根据本发明示例实施例的一种用于实现上述测序序列多态识别方法的电子设备。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
随着人们对基因认识的深入，基因组重测序在医学、鉴定等领域发挥着越来越重要的作用。基因组重测序的最终目的就是通过各种技术手段识别出个体基因型与参考基因组的差别，这些差别即为基因突变。人类可遗传的变异中最常见的为由单个核苷酸的变异所引起的DNA序列多态性，即单核苷酸多态性，在临床上有很重大的意义。
目前在基因测序数据分析领域，认可度最高，使用最广的突变检测方法和软件即为GATK HaplotypeCaller。待测测序序列通过对齐、排序、去重、质量值校正等步骤后，通过GATK HaplotypeCaller可以识别出待测基因组与参考基因序列的差别。其整体流程可以分为以下步骤：
首先，统计输入的基因组序列与参考基因序列的差别，选取其中差别较大的基因片段作为激活区域。
其次，对于每个激活区域及左右扩展区域，通过装配图识别当前激活区域中存在的可能的单倍型。然后将每个单倍型与参考基因序列对齐，用于后续流程鉴定潜在的变异位点。
进一步的，对于每个激活区域，程序使用Pair-HMM算法对每个单倍型执行每个读取的成对比对。在给定读数据的情况下，这产生待测基因序列和单倍型似然的矩阵。根据似然矩阵选出每条待测基因序列最优的单倍型，并以此单倍型与参考基因序列的对齐结果对输入的待测基因序列相对于参考位置进行修正。根据单倍型的重对齐结果，确定激活区域内的变异点。以每个变异点为单位分别剔除不包含此变异点待测基因序列所对应的似然矩阵的行。将这些过滤后的似然值边缘化以获得每个潜在变异位点的每次读取等位基因的可能性。
最后，对于每个潜在变异位点，应用贝叶斯规则计算出各种突变的可能性。并最终输出可能性超过设定门限的突变。
但是，在考虑到插入/缺失突变导致前期对齐是产生的位置错配，GATKHaplotypeCaller不仅对落入激活区域内的待测测序序列与单倍型进行pair-HMM计算，对落在激活区域附近（扩展区域内）的待测测序序列与单倍型进行pair-HMM计算。在获取各个待测测序序列与单倍型的似然矩阵后；根据似然矩阵对待测基因重新对齐并根据对齐信息校正待测基因在参考基因上的位置。而在后续计算中会对待测基因序列进行过滤，剔除不包含变异点的待测测序序列，仅保留包含变异点的待测测序序列。因此，由于单个核苷酸的变异导致对齐错配的概率极低，故在单核苷酸多态性检测中无需对待测测序序列进行位置校正，可以对位置校正步骤进行省略。
进一步的，若不需要校正待测测序序列的位置，则由于计算变异点的似然不需要不包含此变异的待测测序序列的任何信息，故有很多待测测序序列pair-HMM计算为冗余计算，无任何实际意义。参考图1所示，12个待测基因序列仅4、5、6、7、9和10号待测基因序列有用其余待测基因序列的pair-HMM计算结果并未使用。故在单核苷酸多态性识别场景中原方案具有大量冗余计算，导致计算时间过长。
本示例实施方式中首先提供了一种测序序列多态识别方法，该方法可以运行于服务器、服务器集群或云服务器等，也可以运行于设备终端；当然，本领域技术人员也可以根据需求在其他平台运行本发明的方法，本示例性实施例中对此不做特殊限定。参考图2所示，该测序序列多态识别方法可以包括以下步骤：
步骤S210. 获取根据待测序序列以及参考测序序列得到的激活区域，并根据所述激活区域得到与所述待测序序列对应的单倍型。
步骤S220. 对所述单倍型与所述参考测序序列进行比对得到比对结果，并根据所述比对结果判断所述待测序序列中是否包括变异点。
步骤S230. 在判断所述待测序序列中存在变异点时，根据包含所述变异点的所有待测序序列构建序列集合。
步骤S240. 对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性。
上述测序序列多态识别方法中，一方面，通过获取根据待测序序列以及参考测序序列得到的激活区域，并根据激活区域得到与待测序序列对应的单倍型；紧接着，对单倍型与参考测序序列进行比对得到比对结果，并根据比对结果判断待测序序列中是否包括变异点；然后在判断待测序序列中存在变异点时，根据包含变异点的所有待测序序列构建序列集合；最后对序列集合中的各待测序序列以及与待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性，解决了现有技术中由于需要对待测序序列进行位置校正会造成大量的冗余计算，进而降低了待测序序列的识别效率的问题，提高了对待测序序列中的变异点进行识别的效率；另一方面，通过在判断待测序序列中存在变异点时，根据包含变异点的所有待测序序列构建序列集合；并对序列集合中的各待测序序列以及与待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性，提高了变异概率的准确率。
以下，将结合附图对本发明示例实施例测序序列多态识别方法中涉及的各步骤进行详细的解释以及说明。
首先，对本发明实施例中涉及的专有名词做如下解释。
单核苷酸多态性(SNP)：染色体基因组上由单个核苷酸变异带来的DNA序列多态性。
插入和缺失：insertion / deletion（INDEL），染色体基因组上与参考基因组相比，某相邻位点间的DNA片段插入，或某DNA片段的缺失。
全基因组重测序：对参考序列已知的物种的不同个体进行的基因组测序。
测序序列（read）：一段由二代测序仪器产生的能反应原样品某段DNA碱基排列顺序的序列，由ATCGN五种字符组成的字符串表示，其中，N代表任意一种碱基。
单倍型：位于染色体上某一区域的相关联的一组等位基因的组合，完全遗传自父母双方中一个亲本。
激活区域：二代测序比对文件中，展现出有变异的一段基因组上的区域。
测序序列对比对比：寻找输入测序序列与参考基因的最相似的位置和与此段参考基因的差异，通常采用先通过映射操作寻找到完全匹配子串，然后根据这些完全匹配子串利用对齐操作找到模糊匹配中相似度满足条件的参考基因位置和与此段参考基因的差异。
变异检测：识别个体基因组与物种参考基因组区别的过程。
Pair-HMM算法：成对隐式马尔科夫型对比算法。
GATK：The Genome Analysis Toolkit，是Broad Institute开发的用于二代重测序数据分析的一款软件。
在步骤S210中，获取根据待测序序列以及参考测序序列得到的激活区域，并根据所述激活区域得到与所述待测序序列对应的单倍型。
在本示例实施例中，首先，统计待测序序列与参考基因序列的差别，并选取其中差别较大的基因片段作为激活区域；然后，获取该激活区域以及左右扩展区域，并通过装配图识别当前激活区域中存在的可能的单倍型；进一步的，再根据待测序序列与各个单倍型之间的相似度，选择出相似度最高的单倍型作为与待测序序列对应的单倍型。
在步骤S220中，对所述单倍型与所述参考测序序列进行比对得到比对结果，并根据所述比对结果判断所述待测序序列中是否包括变异点。
在本示例实施例中，当得到上述与待测序序列对应的单倍型后，对该单倍型与参考测序序列进行比对得到比对结果，然后根据比对结果中是否包括差别碱基来判断待测序序列中是否包括变异点。
在步骤S230中，在判断所述待测序序列中存在变异点时，根据包含所述变异点的所有待测序序列构建序列集合。
在本示例实施例中，在判断该带出序列中存在变异点时，可以根据包含该变异点的所有待测序序列构建序列集合；进一步的，在判断该待测序序列中不尊在变异点时，可以对该待测序序列进行删除。通过该方法，可以大大的减少需要进行pair-HMM计算的待测序序列的数量，进而节省计算时间，加快了对单核苷酸多态性识别的速度。
在步骤S240中，对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性。
在本示例实施例中，利用隐式马尔科夫模型对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行成对计算，以识别出所述待测序序列中的多态性。譬如，利用Pair-HMM（成对隐式马尔科夫对比算法）对每个待测序序列以及与其对应的单倍型执行每个读取的成对比对。在给定读数据（待测序序列以及与其对应的单倍型）的情况下，产生待测序序列和单倍型之间的当前似然矩阵。
图3示意性示出根据本发明示例实施例的另一种对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性的方法流程图。参考图3所示，该对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性还可以包括步骤S310-步骤S330，以下进行详细说明。
在步骤S310中，对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算得到当前似然矩阵，并对所述当前似然矩阵进行边缘化处理，得到目标似然矩阵。
在本示例实施例中，首先，根据包含所述变异点的所有待测序序列的序列集合为索引，抽取包含所述变异点的所有待测序序列对应的当前似然矩阵；然后，对所述当前似然矩阵进行边缘化处理，得到目标似然矩阵。此处需要补充说明的是，由于在前述步骤中，根据包含某一变异点的所有待测序序列构建了序列集合，因此，为了可以得到该变异点对应的所有当前似然矩阵，可以以该序列集合为索引进行抽取。通过该方法，避免了由于缺少一个或者多个似然矩阵对似然值造成的准确度降低的问题。
在步骤S320中，根据所述目标似然矩阵得到所述待测序序列中的变异点的似然值。
在步骤S330中，根据所述变异点的似然值得到所述变异点的变异概率以及变异后的碱基，并根据所述变异点的变异概率以及变异后的碱基识别出所述待测序序列中的多态性。
图3示意性示出示例实施例中，通过对当前似然矩阵进行边缘化处理得到目标似然矩阵，再根据目标似然矩阵得到变异点的似然值，提高了似然值的准确率，进而提高了变异点的变异概率以及变异后的碱基的准确率。
进一步的，为了便于得到待测序序列的识别结果，该方法还包括：根据所述比对结果得到所述变异点在所述参考测序序列中的位置信息。并且，当得到变异点在参考测序序列中的位置信息、变异点的变异概率以及变异后的碱基以后，可以根据所述变异点在所述参考测序序列中的位置信息、所述变异点的变异概率以及变异后的碱基生成输出文件，其中，该输出文件对变异点在参考测序序列中的位置信息、变异点的变异概率以及变异后的碱基进行了直观的描述以及记载，使得测试人员或者其他用户可以直接的根据该输出文件对变异结果进行查看，进一步的提升了用户体验。
以下，结合图4对本发明示例实施例的测序序列多态识别方法进行进一步的解释以及说明。参考图4所示，该测序序列多态识别方法可以包括以下步骤：
步骤S410，获取与待测序序列对应的激活区域以及单倍型；
步骤S420，根据单倍型与参考基因序列的差别，计算出激活区域内所有的变异点的位置信息；
步骤S430，根据单倍型与参考基因序列的差别，剔除不包含变异点的待测测序序列；
步骤S440，分别按照变异点记录包含此变异点的未被剔除的待测测序序列的集合，并对该集合中的待测测序序列和单倍体进行pair-HMM计算；
步骤S450，根据之前记录的包含此变异点的待测测序序列的集合为索引，抽取pair-HMM输出的当前似然矩阵，并对当前似然矩阵进行边缘化处理得到目标似然矩阵；
步骤S460，根据目标似然矩阵所述待测序序列中的变异点的似然值，并根据变异点的似然值得到变异点的变异概率以及变异后的碱基；
步骤S470，根据所述变异点在所述参考测序序列中的位置信息、所述变异点的变异概率以及变异后的碱基生成输出文件。
本发明示例实施例提供的测序序列多态识别方法，针对单核苷酸多态性识别场景，通过删除原流程中无效部分，拆除了前后耦合，将过滤提前到pair-HMM计算之前，消减了后续计算量。优化了单核苷酸多态性识别的流程，大幅缩减了单核苷酸多态性识别所需时间。
本公开还提供了一种测序序列多态识别装置。参考图5所示，该测序序列多态识别装置可以包括激活区域获取模块510、变异点判断模块520、序列集合构建模块530以及似然矩阵计算模块540。其中：
激活区域获取模块510可以用于获取根据待测序序列以及参考测序序列得到的激活区域，并根据所述激活区域得到与所述待测序序列对应的单倍型。
变异点判断模块520可以用于对所述单倍型与所述参考测序序列进行比对得到比对结果，并根据所述比对结果判断所述待测序序列中是否包括变异点。
序列集合构建模块530可以用于在判断所述待测序序列中存在变异点时，根据包含所述变异点的所有待测序序列构建序列集合。
似然矩阵计算模块540可以用于对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性。
在本公开的一种示例性实施例中，所述测序序列多态识别装置还包括：
删除模块，可以用于在判断所述待测序序列中不存在变异点时，对所述待测序序列进行删除。
在本公开的一种示例性实施例中，对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性包括：
利用隐式马尔科夫模型对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行成对计算，以识别出所述待测序序列中的多态性。
在本公开的一种示例性实施例中，所述测序序列多态识别装置还包括：
位置信息计算模块，可以用于根据所述比对结果得到所述变异点在所述参考测序序列中的位置信息。
在本公开的一种示例性实施例中，对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性包括：
对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算得到当前似然矩阵，并对所述当前似然矩阵进行边缘化处理，得到目标似然矩阵；
根据所述目标似然矩阵得到所述待测序序列中的变异点的似然值；
根据所述变异点的似然值得到所述变异点的变异概率以及变异后的碱基，并根据所述变异点的变异概率以及变异后的碱基识别出所述待测序序列中的多态性。
在本公开的一种示例性实施例中，所述测序序列多态识别装置还包括：
输出文件生成模块，可以用于根据所述变异点在所述参考测序序列中的位置信息、所述变异点的变异概率以及变异后的碱基生成输出文件。
在本公开的一种示例性实施例中，对所述当前似然矩阵进行边缘化处理，得到目标似然矩阵包括：
根据包含所述变异点的所有待测序序列的序列集合为索引，抽取包含所述变异点的所有待测序序列对应的当前似然矩阵；对所述当前似然矩阵进行边缘化处理，得到目标似然矩阵。
上述测序序列多态识别装置中各模块的具体细节已经在对应的测序序列多态识别方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、移动终端、或者网络设备等）执行根据本发明实施方式的方法。
在本发明的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式（包括固件、微代码等），或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件（包括存储单元620和处理单元610）的总线630。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图2中所示的步骤S210：获取根据待测序序列以及参考测序序列得到的激活区域，并根据所述激活区域得到与所述待测序序列对应的单倍型；步骤S220：对所述单倍型与所述参考测序序列进行比对得到比对结果，并根据所述比对结果判断所述待测序序列中是否包括变异点；步骤S230：在判断所述待测序序列中存在变异点时，根据包含所述变异点的所有待测序序列构建序列集合；步骤S240：对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（RAM）6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元（ROM）6203。
存储单元620还可以包括具有一组（至少一个）程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700（例如键盘、指向设备、蓝牙设备等）通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、终端装置、或者网络设备等）执行根据本发明实施方式的方法。
在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
根据本发明的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。

Claims (10)

1.一种测序序列多态识别方法，其特征在于，包括：
获取根据待测序序列以及参考测序序列得到的激活区域，并根据所述激活区域得到与所述待测序序列对应的单倍型；
对所述单倍型与所述参考测序序列进行比对得到比对结果，并根据所述比对结果判断所述待测序序列中是否包括变异点；
在判断所述待测序序列中存在变异点时，根据包含所述变异点的所有待测序序列构建序列集合；
对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性。
2.根据权利要求1所述的测序序列多态识别方法，其特征在于，所述测序序列多态识别方法还包括：
在判断所述待测序序列中不存在变异点时，对所述待测序序列进行删除。
3.根据权利要求1所述的测序序列多态识别方法，其特征在于，对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性包括：
利用隐式马尔科夫模型对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行成对计算，以识别出所述待测序序列中的多态性。
4.根据权利要求1所述的测序序列多态识别方法，其特征在于，对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性包括：
对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算得到当前似然矩阵，并对所述当前似然矩阵进行边缘化处理，得到目标似然矩阵；
根据所述目标似然矩阵得到所述待测序序列中的变异点的似然值；
根据所述变异点的似然值得到所述变异点的变异概率以及变异后的碱基，并根据所述变异点的变异概率以及变异后的碱基识别出所述待测序序列中的多态性。
5.根据权利要求4所述测序序列多态识别方法，其特征在于，在对所述当前单倍型与参考单倍型进行比对得到比对结果之后，所述测序序列多态识别方法还包括：
根据所述比对结果得到所述变异点在所述参考测序序列中的位置信息。
6.根据权利要求5所述的测序序列多态识别方法，其特征在于，所述测序序列多态识别方法还包括：
根据所述变异点在所述参考测序序列中的位置信息、所述变异点的变异概率以及变异后的碱基生成输出文件。
7.根据权利要求4所述的测序序列多态识别方法，其特征在于，对所述当前似然矩阵进行边缘化处理，得到目标似然矩阵包括：
根据包含所述变异点的所有待测序序列的序列集合为索引，抽取包含所述变异点的所有待测序序列对应的当前似然矩阵；
对所述当前似然矩阵进行边缘化处理，得到目标似然矩阵。
8.一种测序序列多态识别装置，其特征在于，包括：
激活区域获取模块，用于获取根据待测序序列以及参考测序序列得到的激活区域，并根据所述激活区域得到与所述待测序序列对应的单倍型；
变异点判断模块，用于对所述单倍型与所述参考测序序列进行比对得到比对结果，并根据所述比对结果判断所述待测序序列中是否包括变异点；
序列集合构建模块，用于在判断所述待测序序列中存在变异点时，根据包含所述变异点的所有待测序序列构建序列集合；
似然矩阵计算模块，用于对所述序列集合中的各所述待测序序列以及与所述待测序序列对应的单倍型进行计算，以识别出所述待测序序列中的多态性。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的测序序列多态识别方法。
10.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的测序序列多态识别方法。
CN201911068955.XA 2019-11-05 2019-11-05 测序序列多态识别方法及装置、存储介质、电子设备 Active CN110570908B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911068955.XA CN110570908B (zh) 2019-11-05 2019-11-05 测序序列多态识别方法及装置、存储介质、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911068955.XA CN110570908B (zh) 2019-11-05 2019-11-05 测序序列多态识别方法及装置、存储介质、电子设备

Publications (2)

Publication Number Publication Date
CN110570908A true CN110570908A (zh) 2019-12-13
CN110570908B CN110570908B (zh) 2020-03-27

Family

ID=68786071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911068955.XA Active CN110570908B (zh) 2019-11-05 2019-11-05 测序序列多态识别方法及装置、存储介质、电子设备

Country Status (1)

Country Link
CN (1) CN110570908B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111243674A (zh) * 2020-01-08 2020-06-05 华南理工大学 一种碱基序列的识别方法、装置和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101539967A (zh) * 2008-12-12 2009-09-23 深圳华大基因研究院 一种单核苷酸多态性检测方法
CN108121897A (zh) * 2016-11-29 2018-06-05 华为技术有限公司 一种基因组变异检测方法及检测装置
CN108241792A (zh) * 2016-12-23 2018-07-03 深圳华大基因科技服务有限公司 一种整合多平台基因分型结果的方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101539967A (zh) * 2008-12-12 2009-09-23 深圳华大基因研究院 一种单核苷酸多态性检测方法
CN108121897A (zh) * 2016-11-29 2018-06-05 华为技术有限公司 一种基因组变异检测方法及检测装置
CN108241792A (zh) * 2016-12-23 2018-07-03 深圳华大基因科技服务有限公司 一种整合多平台基因分型结果的方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111243674A (zh) * 2020-01-08 2020-06-05 华南理工大学 一种碱基序列的识别方法、装置和存储介质
CN111243674B (zh) * 2020-01-08 2023-07-04 华南理工大学 一种碱基序列的识别方法、装置和存储介质

Also Published As

Publication number Publication date
CN110570908B (zh) 2020-03-27

Similar Documents

Publication Publication Date Title
CN111292802B (zh) 用于检测突变的方法、电子设备和计算机存储介质
Browning et al. Improving the accuracy and efficiency of identity-by-descent detection in population data
US20220223233A1 (en) Display of estimated parental contribution to ancestry
CN109994155B (zh) 一种基因变异识别方法、装置和存储介质
US10114922B2 (en) Identifying ancestral relationships using a continuous stream of input
US20220130488A1 (en) Methods for detecting copy-number variations in next-generation sequencing
US11655498B2 (en) Systems and methods for genetic identification and analysis
Halman et al. Accuracy of short tandem repeats genotyping tools in whole exome sequencing data
CN114496077B (zh) 用于检测单核苷酸变异和插入缺失的方法、设备和介质
KR20200107774A (ko) 표적화 핵산 서열 분석 데이터를 정렬하는 방법
US20190259468A1 (en) System and Method for Correlated Error Event Mitigation for Variant Calling
CN106529211A (zh) 变异位点的获取方法及装置
CN116386718B (zh) 检测拷贝数变异的方法、设备和介质
Kao et al. naiveBayesCall: an efficient model-based base-calling algorithm for high-throughput sequencing
CN114649055A (zh) 用于检测单核苷酸变异和插入缺失的方法、设备和介质
CN110570908B (zh) 测序序列多态识别方法及装置、存储介质、电子设备
CN110797081B (zh) 激活区域识别方法及装置、存储介质及电子设备
CN116508105A (zh) 基于单倍型块的基因组标记插补
Zhang et al. An extended Tajima’s D neutrality test incorporating SNP calling and imputation uncertainties
CN110797087B (zh) 测序序列处理方法及装置、存储介质、电子设备
Çelik et al. ROHMM—A flexible hidden Markov model framework to detect runs of homozygosity from genotyping data
Stawinski et al. Basic bioinformatic analyses of NGS data
Lee et al. Analysis of unmapped regions associated with long deletions in Korean whole genome sequences based on short read data
Hedges Bioinformatics of Human Genetic Disease Studies
Duarte et al. Analysis Pipelines and a Platform Solution for Next‐Generation Sequencing Data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant