RU2799778C9 - Method for determining indicator correlated with probability that two mutated sequence readings are from the same sequence containing mutation - Google Patents
Method for determining indicator correlated with probability that two mutated sequence readings are from the same sequence containing mutation Download PDFInfo
- Publication number
- RU2799778C9 RU2799778C9 RU2022106075A RU2022106075A RU2799778C9 RU 2799778 C9 RU2799778 C9 RU 2799778C9 RU 2022106075 A RU2022106075 A RU 2022106075A RU 2022106075 A RU2022106075 A RU 2022106075A RU 2799778 C9 RU2799778 C9 RU 2799778C9
- Authority
- RU
- Russia
- Prior art keywords
- mutated
- sequence
- mers
- mutated sequence
- reads
- Prior art date
Links
Abstract
Description
Область применения изобретенияScope of the invention
Изобретение относится к реализованному на компьютере способу определения показателя, коррелированного с вероятностью того, что два мутированных прочтения последовательности происходят от одной и той же содержащей мутации последовательности, способу получения по меньшей мере части последовательности и способу определения последовательности по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени.The invention relates to a computer-implemented method for determining an indicator correlated with the probability that two mutated sequence reads originate from the same sequence containing mutations, a method for obtaining at least a portion of the sequence, and a method for determining the sequence of at least one template nucleic acid molecule - targets.
Предпосылки создания изобретенияPrerequisites for the creation of the invention
Возможность секвенирования молекул нуклеиновых кислот является инструментом, который очень полезен во множестве различных областей применения. Однако может быть сложно определять точные последовательности молекул нуклеиновых кислот, которые содержат проблемные структуры, такие как молекулы нуклеиновой кислоты, которые содержат повторяющиеся области. Также может быть сложно разрешать структурные особенности, такие как гаплотипная структура диплоидных и полиплоидных организмов и структурные варианты в геномах этих организмов.The ability to sequence nucleic acid molecules is a tool that is very useful in many different applications. However, it can be difficult to determine the exact sequences of nucleic acid molecules that contain problem structures, such as nucleic acid molecules that contain repetitive regions. It can also be difficult to resolve structural features such as the haplotype structure of diploid and polyploid organisms and structural variants in the genomes of these organisms.
Многие из более современных методик (так называемые методики секвенирования следующего поколения) способны точно секвенировать только короткие молекулы нуклеиновых кислот. Методики секвенирования следующего поколения можно использовать для секвенирования более длинных последовательностей нуклеиновых кислот, но это часто бывает сложным и дорогостоящим. Методики секвенирования следующего поколения можно использовать для генерации коротких прочтений последовательности, соответствующих последовательностям участков молекулы нуклеиновой кислоты, и полная последовательность может быть собрана из этих коротких прочтений последовательности. Если молекула нуклеиновой кислоты содержит повторяющиеся области, пользователю может быть неясно, соответствуют ли два прочтения последовательности, имеющих сходные последовательности, последовательностям двух повторов в более длинной последовательности или двух репликаций одной и той же последовательности. Аналогичным образом пользователь может желать выполнить секвенирование двух сходных молекул нуклеиновых кислот одновременно, и может быть сложно определить, соответствуют ли два прочтения последовательности, имеющих сходные последовательности, последовательностям одной и той же исходной молекулы нуклеиновой кислоты или двум разным исходным молекулам нуклеиновой кислоты.Many of the more recent techniques (so-called next-generation sequencing techniques) are capable of accurately sequencing only short nucleic acid molecules. Next generation sequencing techniques can be used to sequence longer nucleic acid sequences, but this is often complex and expensive. Next generation sequencing techniques can be used to generate short sequence reads corresponding to the sequences of regions of the nucleic acid molecule, and the complete sequence can be assembled from these short sequence reads. If the nucleic acid molecule contains repetitive regions, it may not be clear to the user whether two sequence reads having similar sequences correspond to sequences of two repeats in a longer sequence, or two replications of the same sequence. Similarly, a user may wish to sequence two similar nucleic acid molecules simultaneously, and it may be difficult to determine whether two sequence reads having similar sequences correspond to sequences from the same parent nucleic acid molecule or two different parent nucleic acid molecules.
В сборке последовательностей из коротких прочтений последовательности могут помочь методики секвенирования с использованием мутагенеза (SAM). В целом, SAM включает в себя введение мутаций в темплатные последовательности нуклеиновых кислот-мишеней. Схемы внедренных мутаций могут помочь пользователю способа при сборке последовательностей молекул нуклеиновых кислот из коротких прочтений последовательности.Sequencing-assisted mutagenesis (SAM) techniques can assist in assembling sequences from short sequence reads. In general, SAM involves introducing mutations into the template sequences of target nucleic acids. Insertion mutation schemes can assist the user of the method in assembling nucleic acid molecule sequences from short sequence reads.
Например, в тех случаях, когда темплатные молекулы нуклеиновых кислот содержат повторяющиеся области, повторы можно отличать друг от друга по различным схемам мутаций, что позволяет разрешать и собирать повторяющиеся области правильно.For example, in cases where template nucleic acid molecules contain repeat regions, the repeats can be distinguished from each other by different mutation patterns, allowing the repeat regions to be resolved and assembled correctly.
В целом, SAM-методики включают в себя введение мутаций в копии молекулы темплатной нуклеиновой кислоты-мишени с получением мутированной молекулы темплатной нуклеиновой кислоты-мишени и/или одной или более содержащих мутации последовательностей, секвенирование одной или более содержащих мутации последовательностей с получением SAM-данных, включающих мутированные прочтения последовательности, и затем сборку последовательностей из мутированных прочтений последовательности на основе соответствующих схем мутаций. Поскольку различные мутированные копии будут содержать мутации в разных положениях, собранная последовательность может характеризовать исходную молекулу темплатной нуклеиновой кислоты.In general, SAM techniques include introducing mutations into copies of a template target nucleic acid molecule to obtain a mutated template target nucleic acid molecule and/or one or more mutated sequences, sequencing one or more mutated sequences to obtain SAM data , including mutated sequence reads, and then assembling sequences from mutated sequence reads based on appropriate mutation patterns. Since different mutated copies will contain mutations at different positions, the assembled sequence can characterize the original template nucleic acid molecule.
Однако сохраняется потребность в более надежных и/или более вычислительно эффективных способах обработки SAM-данных.However, there remains a need for more reliable and/or more computationally efficient methods for processing SAM data.
Изложение сущности изобретенияStatement of the Invention
Авторы настоящего изобретения разработали новые улучшенные способы обработки SAM-данных, включающих мутированные прочтения последовательности. Таким образом, в одном аспекте изобретения предложен реализованный на компьютере способ определения показателя, коррелированного с вероятностью того, что два мутированных прочтения последовательности происходят от одной и той же содержащей мутации последовательности. Способ включает прием множества мутированных прочтений последовательности. Каждое мутированное прочтение последовательности соответствует подпоследовательности из содержащей мутации последовательности. Содержащая мутации последовательность содержит мутации по сравнению с не содержащей мутаций последовательностью. Способ дополнительно включает применение общей минимизирующей функции для каждого мутированного прочтения последовательности с определением таким образом одного или более соответствующих минимизаторов для каждого мутированного прочтения последовательности. Способ дополнительно включает определение положений одного или более соответствующих минимизаторов в каждом мутированном прочтении последовательности. Способ дополнительно включает определение положений одной или более мутаций в каждом мутированном прочтении последовательности. Для по меньшей мере двух мутированных прочтений последовательности с общим минимизатором способ дополнительно включает подсчет количества мутаций с совпадающим положением и/или с несовпадающим положением, когда соответствующие минимизаторы выравнены.The authors of the present invention have developed new improved methods for processing SAM data, including mutated sequence reads. Thus, in one aspect of the invention, a computer-implemented method is provided for determining a score correlated with the probability that two mutated sequence reads are from the same mutated sequence. The method includes receiving multiple mutated sequence reads. Each mutated sequence read corresponds to a subsequence of the mutated sequence. A sequence containing mutations contains mutations compared to a sequence that does not contain mutations. The method further includes applying a common minimizer function for each mutated sequence read, thereby determining one or more appropriate minimizers for each mutated sequence read. The method further includes determining the positions of one or more corresponding minimizers in each mutated sequence read. The method further includes determining the positions of one or more mutations in each mutated sequence read. For at least two mutated sequence reads with a common minimizer, the method further comprises counting the number of matched and/or mismatched mutations when the respective minimizers are aligned.
В другом аспекте настоящего изобретения предложен способ получения по меньшей мере части последовательности молекулы темплатной нуклеиновой кислоты-мишени.In another aspect of the present invention, a method is provided for obtaining at least a portion of the sequence of a template target nucleic acid molecule.
В другом аспекте настоящего изобретения предложен способ определения по меньшей мере части последовательности по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени.In another aspect of the present invention, a method is provided for determining at least a portion of the sequence of at least one template target nucleic acid molecule.
Дополнительные аспекты настоящего изобретения представлены в зависимых пунктах формулы изобретения и в подробном описании.Additional aspects of the present invention are presented in the dependent claims and in the detailed description.
Краткое описание графических материаловBrief description of graphic materials
На Фиг. 1 представлен вариант осуществления способа определения по меньшей мере части по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени в соответствии с настоящим изобретением.On FIG. 1 shows an embodiment of a method for detecting at least a portion of at least one template target nucleic acid molecule in accordance with the present invention.
На Фиг. 2 представлен вариант осуществления способа определения показателя, коррелированного с вероятностью того, что два мутированных прочтения последовательности происходят от одной и той же содержащей мутации последовательности, в соответствии с настоящим изобретением.On FIG. 2 shows an embodiment of a method for determining a score correlated with the probability that two mutated sequence reads are from the same mutated sequence, in accordance with the present invention.
На Фиг. 3 представлен пример стадии определения положений одной или более мутаций в мутированном прочтении последовательности.On FIG. 3 is an example of the step of determining the positions of one or more mutations in a mutated sequence read.
На Фиг. 4А представлен сравнительный пример сборки из коротких чтений генома Arcobacter butzlerii размером 2,3 млн.п.н. без использования способа настоящего изобретения.On FIG. 4A shows a comparative example of an assembly from short reads of the 2.3 Mb Arcobacter butzlerii genome. without using the method of the present invention.
На Фиг. 4В представлен пример сборки генома Arcobacter butzlerii размером 2,3 млн.п.н. с использованием способа настоящего изобретения.On FIG. 4B shows an example assembly of the 2.3 Mbp genome of Arcobacter butzlerii. using the method of the present invention.
На Фиг. 5 представлены экспериментальные данные о влиянии глубины покрытия короткими чтениями длинного темплата на результаты способа настоящего изобретения.On FIG. 5 presents experimental data on the effect of coverage depth by short readings of a long template on the results of the method of the present invention.
Подробное описание изобретенияDetailed description of the invention
Общие определенияGeneral definitions
Если не указано иное, все технические и научные термины, используемые в настоящем документе, имеют общепринятое значение, понятное специалисту в области, к которой относится настоящее изобретение.Unless otherwise indicated, all technical and scientific terms used in this document have a generally accepted meaning, understandable to a person skilled in the field to which the present invention relates.
В целом термин «содержащий» означает «включающий, без ограничений». Например, фразу «способ, включающий [некоторые стадии]» следует интерпретировать как то, что способ включает перечисленные стадии, но могут быть выполнены дополнительные стадии.In general, the term "comprising" means "including, without limitation". For example, the phrase "method comprising [certain steps]" should be interpreted to mean that the method includes the steps listed, but additional steps may be performed.
В некоторых вариантах осуществления изобретения слово «содержащий» заменяют фразой «состоящий из». Термин «состоящий из» подразумевает ограничение. Например, фразу «способ, состоящий из [некоторых стадий] » следует понимать как то, что способ включает в себя указанные стадии, и дополнительные стадии не выполняются.In some embodiments of the invention, the word "comprising" is replaced by the phrase "consisting of". The term "consisting of" implies a limitation. For example, the phrase "method consisting of [certain steps]" should be understood to mean that the method includes these steps, and additional steps are not performed.
В некоторых аспектах в изобретении предложен способ определения или получения по меньшей мере части последовательности по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени. Способ можно использовать для определения или получения полной последовательности по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени. В альтернативном варианте осуществления способ может быть использован для определения или получения частичной последовательности, т.е. последовательности части по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени. Например, если невозможно или непросто определить полную последовательность, пользователь может решить, что последовательность части по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени является полезной или даже достаточной для его цели.In some aspects, the invention provides a method for determining or obtaining at least a portion of the sequence of at least one template target nucleic acid molecule. The method can be used to determine or obtain the complete sequence of at least one template target nucleic acid molecule. In an alternative embodiment, the method can be used to determine or obtain a partial sequence, ie. sequences of a portion of at least one template target nucleic acid molecule. For example, if it is not possible or difficult to determine the complete sequence, the user may decide that the sequence of a portion of at least one template target nucleic acid molecule is useful or even sufficient for his purpose.
Для целей настоящего изобретения термин «молекула нуклеиновой кислоты» (или «немутированная молекула нуклеиновой кислоты») относится к полимерной форме нуклеотидов, имеющих любую длину. Нуклеотиды могут представлять собой дезоксирибонуклеотиды, рибонуклеотиды или их аналоги. Предпочтительно по меньшей мере одна молекула нуклеиновой кислоты состоит из дезоксирибонуклеотидов или рибонуклеотидов. Еще более предпочтительно по меньшей мере одна молекула нуклеиновой кислоты состоит из дезоксирибонуклеотидов, т.е. по меньшей мере одна молекула нуклеиновой кислоты представляет собой молекулу ДНК.For the purposes of the present invention, the term "nucleic acid molecule" (or "unmutated nucleic acid molecule") refers to the polymeric form of nucleotides having any length. Nucleotides can be deoxyribonucleotides, ribonucleotides, or analogs thereof. Preferably at least one nucleic acid molecule consists of deoxyribonucleotides or ribonucleotides. Even more preferably, at least one nucleic acid molecule consists of deoxyribonucleotides, ie. at least one nucleic acid molecule is a DNA molecule.
«Молекула темплатной нуклеиновой кислоты-мишени» может представлять собой любую молекулу нуклеиновой кислоты, которую пользователь желает секвенировать.A "Template Target Nucleic Acid Molecule" can be any nucleic acid molecule that the user wishes to sequence.
По меньшей мере одна «молекула темплатной нуклеиновой кислоты-мишени» может быть одноцепочечной или может быть частью двухцепочечного комплекса. Если по меньшей мере одна молекула темплатной нуклеиновой кислоты-мишени состоит из дезоксирибонуклеотидов, она может образовывать часть двухцепочечного комплекса ДНК. В этом случае одна цепь (например, кодирующая цепь) будет считаться по меньшей мере одной молекулой темплатной нуклеиновой кислоты-мишени, а другая цепь представляет собой молекулу нуклеиновой кислоты, которая комплементарна по меньшей мере одной молекуле темплатной нуклеиновой кислоты-мишени. По меньшей мере одна молекула темплатной нуклеиновой кислоты-мишени может представлять собой молекулу ДНК, соответствующую гену, может содержать интроны, может представлять собой межгенную область, может представлять собой интрагенную область, может представлять собой геномную область, охватывающую множество генов, или может в действительности представлять собой весь геном организма.At least one "template target nucleic acid molecule" may be single stranded or may be part of a double stranded complex. If at least one template target nucleic acid molecule consists of deoxyribonucleotides, it may form part of a double-stranded DNA complex. In this case, one strand (eg, the coding strand) will be considered to be at least one template target nucleic acid molecule, and the other strand is a nucleic acid molecule that is complementary to at least one template target nucleic acid molecule. The at least one template target nucleic acid molecule may be a DNA molecule corresponding to a gene, may contain introns, may be an intergenic region, may be an intragenic region, may be a genomic region spanning multiple genes, or may actually represent the entire genome of an organism.
Для целей настоящего изобретения термин «мутированная молекула нуклеиновой кислоты» или «мутированная молекула темплатной нуклеиновой кислоты-мишени» относится к «молекуле нуклеиновой кислоты» или «молекуле темплатной нуклеиновой кислоты-мишени», в которую были введены мутации. Мутации могут представлять собой мутации по типу замены, необязательно мутации по типу транзиции. Для целей настоящего изобретения термин «мутация по типу замены» следует интерпретировать как то, что нуклеотид заменен на другой нуклеотид. Например, превращение последовательности АТСС в последовательность AGCC вводит одну мутацию по типу замены. Для целей настоящего изобретения термин «мутация по типу транзиции» следует интерпретировать как то, что нуклеотид А заменен нуклеотидом G и наоборот (т.е. мутации A⇔G) или что нуклеотид С заменен нуклеотидом Т и наоборот (т.е. мутации С⇔Т).For purposes of the present invention, the term "mutated nucleic acid molecule" or "mutated template target nucleic acid molecule" refers to a "nucleic acid molecule" or "template target nucleic acid molecule" that has been mutated. The mutations may be substitution mutations, optionally transitional mutations. For the purposes of the present invention, the term "mutation by type of substitution" should be interpreted as that the nucleotide is replaced by another nucleotide. For example, converting an ATCC sequence to an AGCC sequence introduces one substitution type mutation. For the purposes of the present invention, the term “transition-type mutation” should be interpreted as that nucleotide A is replaced by nucleotide G and vice versa (i.e. A⇔G mutations) or that nucleotide C is replaced by nucleotide T and vice versa (i.e. mutations C ⇔T).
Фраза «введение мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени» обозначает воздействие на по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени во втором из пары образцов условий, в которых по меньшей мере одна молекула темплатной нуклеиновой кислоты-мишени мутирует. Этого можно добиться, используя любой подходящий способ. Например, мутации могут быть введены путем химического мутагенеза и/или ферментативного мутагенеза.The phrase "introducing mutations into at least one template target nucleic acid molecule" means subjecting at least one template target nucleic acid molecule to the second of a pair of samples of conditions in which at least one template target nucleic acid molecule mutates. This can be achieved using any suitable method. For example, mutations can be introduced by chemical mutagenesis and/or enzymatic mutagenesis.
Для целей настоящего изобретения «содержащая мутации последовательность» соответствует по меньшей мере части нуклеотидной последовательности в «мутированной молекуле нуклеиновой кислоты» или в «мутированной молекуле темплатной нуклеиновой кислоты-мишени». «Содержащая мутации последовательность» также может называться «мутированной последовательностью». «Содержащая мутации последовательность» в настоящем документе обозначена как μi, а множество (т.е. несколько) «содержащих мутации последовательностей» обозначено как М, где μ1…μn ∈ M. «Не содержащая мутаций последовательность» соответствует по меньшей мере части последовательности нуклеотидов в «молекуле нуклеиновой кислоты» или «молекуле темплатной нуклеиновой кислоты-мишени». «Не содержащая мутаций последовательность» также может называться «немутированная последовательность». «Не содержащая мутаций последовательность» в настоящем документе обозначена как Si, а множество (т.е. несколько) «не содержащих мутаций последовательностей» обозначено как S, где S1…Sn ∈ S. «Содержащая мутации последовательность» и «не содержащая мутаций последовательность», таким образом, могут соответствовать по меньшей мере части последовательности молекулы нуклеиновой кислоты из нуклеотидов (нт) аденина (А), тимина (Т), гуанина (G) и цитозина (С). Такая хромосомная последовательность может иметь длину в диапазоне от 103 до 109 нуклеотидов (нт) и более.For the purposes of the present invention, the "mutated sequence" corresponds to at least a portion of the nucleotide sequence in the "mutated nucleic acid molecule" or "mutated template target nucleic acid molecule". A "mutated sequence" may also be referred to as a "mutated sequence". A “mutated sequence” is referred to herein as μ i , and a set (i.e., several) of “mutated sequences” is referred to as M, where μ 1 ...μ n ∈ M. A “mutated sequence” corresponds to at least parts of a nucleotide sequence in a "nucleic acid molecule" or "template target nucleic acid molecule". A "non-mutated sequence" may also be referred to as a "non-mutated sequence". A “mutation-free sequence” is referred to herein as S i , and a set (i.e., several) of “mutation-free sequences” is referred to as S, where S 1 ...S n ∈ S. A “mutated sequence” and “not mutated sequence" thus may correspond to at least a portion of the sequence of the nucleic acid molecule of the nucleotides (nt) of adenine (A), thymine (T), guanine (G), and cytosine (C). Such a chromosomal sequence may be in the range of 10 3 to 10 9 nucleotides (nt) or more in length.
Для целей настоящего изобретения «мутированное прочтение последовательности» соответствует подпоследовательности из «содержащей мутации последовательности», т.е «мутированное прочтение последовательности» может быть по существу идентичным по меньшей мере подпоследовательности «содержащей мутации последовательности», но оно содержит мутации по сравнению с содержащей мутации последовательностью и может содержать дополнительные небольшие различия из-за ошибок считывания. «Мутированное прочтение последовательности» обозначено как ρi, а множество (т.е. несколько) «мутированных прочтений последовательности» обозначены как Р, где ρ1…pn ∈ P. «Немутированное прочтение последовательности» соответствует подпоследовательности «не содержащей мутаций последовательности», т.е. «немутированное прочтение последовательности» может быть по существу идентичным подпоследовательности «не содержащей мутаций последовательности», за исключением ошибок считывания во время секвенирования. «Немутированное прочтение последовательности» обозначено как ri, а множество (т.е. несколько) «немутированных прочтений последовательности» обозначено как R, где r1…rn ∈ R. «Мутированное прочтение последовательности» может быть получено путем секвенирования области «мутированной молекулы темплатной нуклеиновой кислоты-мишени», а «немутированное прочтение последовательности» может быть получено путем секвенирования области «молекулы темплатной нуклеиновой кислоты-мишени». Прочтение последовательности может иметь длину, которая меньше, чем последовательность, например длину около 150 нт.For the purposes of the present invention, a “mutated sequence read” corresponds to a subsequence of a “mutated sequence”, i.e., a “mutated sequence read” may be substantially identical to at least a subsequence of the “mutated sequence”, but it contains mutations compared to containing mutations. sequence and may contain additional small differences due to read errors. A "mutated sequence read" is denoted as ρ i , and a set (i.e. several) of "mutated sequence reads" are denoted as P, where ρ 1 ...p n ∈ P. An "unmutated sequence read" corresponds to a subsequence of "a sequence that does not contain mutations" , i.e. A "non-mutated sequence read" may be substantially identical to a subsequence of the "non-mutated sequence" except for read errors during sequencing. An "unmutated sequence read" is denoted as ri and a set (i.e., several) of "unmutated sequence reads" is denoted as R, where r 1 ...r n ∈ R. A "mutated sequence read" can be obtained by sequencing the "mutated sequence read" region. template target nucleic acid molecule" and a "non-mutated sequence read" can be obtained by sequencing the "template target nucleic acid molecule" region. The sequence read may have a length that is less than the sequence, such as about 150 nt in length.
Способ 10 анализа последовательностиSequence Analysis Method 10
На Фиг. 1 показан способ 10 определения по меньшей мере части по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени в соответствии с изобретением.On FIG. 1 shows a method 10 for determining at least a portion of at least one template target nucleic acid molecule in accordance with the invention.
Способ 10 определения по меньшей мере части по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени может включать стадию S110 подготовки образца. Стадия S110 подготовки образца может включать в себя обеспечение пары молекул темплатной нуклеиновых кислот-мишеней и введение мутаций в одну из пары молекул темплатных нуклеиновых кислот-мишеней с получением мутированной молекулы темплатной нуклеиновой кислоты-мишени. Стадия S110 подготовки образца может включать в себя любые известные методики обеспечения молекулы темплатной нуклеиновой кислоты-мишени и мутированной молекулы темплатной нуклеиновой кислоты-мишени.Method 10 for determining at least a portion of at least one template target nucleic acid molecule may include sample preparation step S110. Sample preparation step S110 may include providing a pair of template target nucleic acid molecules and introducing mutations into one of the pair of template target nucleic acid molecules to obtain a mutated template target nucleic acid molecule. Sample preparation step S110 may include any known techniques for providing a template target nucleic acid molecule and a mutated template target nucleic acid molecule.
Способ 10 определения по меньшей мере части по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени может дополнительно включать стадию S120 секвенирования. Стадия S120 секвенирования включает секвенирование областей по меньшей мере одной содержащей мутации молекулы темплатной нуклеиновой кислоты-мишени с получением таким образом множества мутированных прочтений Р последовательности. Кроме того, стадия S120 секвенирования может включать секвенирование областей по меньшей мере одной (немутированной) молекулы темплатной нуклеиновой кислоты-мишени (молекулы темплатной нуклеиновой кислоты-мишени, которая соответствует мутированной молекуле темплатной нуклеиновой кислоты-мишени) с получением в результате множества немутированных прочтений R последовательности. Стадия S120 может включать любые известные методики получения множества мутированных прочтений Р последовательности.The method 10 for determining at least a portion of at least one template target nucleic acid molecule may further include a sequencing step S120. Sequencing step S120 includes sequencing regions of at least one mutated template target nucleic acid molecule, thereby obtaining a plurality of mutated P sequence reads. In addition, the sequencing step S120 may include sequencing regions of at least one (unmutated) template target nucleic acid molecule (a template target nucleic acid molecule that corresponds to a mutated template target nucleic acid molecule) resulting in multiple unmutated reads of the R sequence . Step S120 may include any known techniques for obtaining multiple mutated P sequence reads.
Способ 10 определения по меньшей мере части по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени включает стадию 200 или способ 200 определения того, получены ли (или происходят ли) два мутированных прочтения ρi, ρj последовательности от одной и той же содержащей мутации последовательности μi. Определение того, получены ли (или происходят ли) два мутированных прочтения ρi, ρj последовательности от одной и той же содержащей мутации последовательности μi, включает определение того, получены ли (или происходят ли) два мутированных прочтения ρi, ρj последовательности от одной и той же или сходной или перекрывающейся части содержащей мутации последовательности μi, т.е. содержат ли оба мутированных прочтения ρi, ρj последовательности подпоследовательность, которая соответствует одной и той же части содержащей мутации последовательности μi. Способ 200 представляет собой реализованный на компьютере способ и может быть осуществлен процессором компьютера. Способ 200 формирует показатель, коррелированный с вероятностью того, что два мутированных прочтения ρi, ρj последовательности происходят от одной и той же содержащей мутации последовательности μi.Method 10 for determining at least a portion of at least one target nucleic acid template molecule includes step 200 or method 200 for determining whether two mutated sequence reads ρ i , ρ j are (or are) derived from the same mutated sequence μ i . Determining whether two mutated reads ρ i , ρ j of a sequence are (or are) derived from the same mutated sequence μ i includes determining whether two mutated reads ρ i , ρ j are obtained (or are occurring ) from the same or similar or overlapping part containing the mutation sequence μ i , i. e. whether both mutated sequence reads ρ i , ρ j contain a subsequence that corresponds to the same part of the mutated sequence μ i . Method 200 is a computer-implemented method and may be implemented by a computer processor. The method 200 generates a score correlated with the probability that two mutated sequence reads ρ i , ρ j come from the same mutated sequence μ i .
Способ 10 определения по меньшей мере части по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени может дополнительно включать стадию S300 сборки последовательности. Стадия S300 сборки последовательности включает сборку или реконструкцию по меньшей мере части последовательности μi, Si. Содержащую мутации последовательность μi можно получать путем сборки множества мутированных прочтений Р последовательности на основе показателя, коррелированного с вероятностью того, что соответствующие два мутированных прочтения ρi, ρj последовательности происходят от одной и той же содержащей мутации последовательности μi. Это может быть достигнуто, например, путем группировки множества мутированных прочтений Р последовательности в группы, соответствующие последовательностям, содержащим мутации μi, и затем сборки каждой группы отдельно с реконструкцией части или всех отдельных содержащих мутации последовательностей μi. Не содержащая мутаций последовательность Si может быть получена путем коррекции ошибок содержащей мутации последовательности μi, например, путем выведения наиболее вероятной не содержащей мутаций последовательности Si из содержащей мутации последовательности μi с использованием множества немутированных прочтений R последовательности. Стадия S300 сборки последовательности может включать в себя любые известные способы сборки содержащей мутации последовательности μi из множества мутированных прочтений Р последовательности на основе показателя, коррелированного с вероятностью того, что соответствующие два мутированных прочтения ρi, ρj последовательности происходят от одной и той же содержащей мутации последовательности μi.The method 10 for determining at least a portion of at least one template target nucleic acid molecule may further comprise the step of assembling a sequence S300. Sequence assembly step S300 includes assembly or reconstruction of at least a portion of the sequence μ i , S i . A mutated sequence μ i can be obtained by assembling a set of mutated reads P of a sequence based on a score correlated with the probability that the respective two mutated sequence reads ρ i , ρ j come from the same mutated sequence μ i . This can be achieved, for example, by grouping a plurality of mutated P sequence reads into groups corresponding to sequences containing μ i mutations, and then assembling each group separately to reconstruct some or all of the individual μ i mutated sequences. The mutant-free sequence S i can be obtained by correcting the errors of the mutated sequence μ i , for example by deriving the most likely mutation-free sequence S i from the mutated sequence μ i using a plurality of unmutated reads R of the sequence. The sequence assembly step S300 may include any known methods of assembling a mutated sequence μ i from a plurality of mutated sequence reads P based on a score correlated with the probability that the respective two mutated sequence reads ρ i , ρ j are from the same sequence containing mutations of the sequence μ i .
На Фиг. 2 представлен способ 200 определения того, происходят ли два мутированных прочтения ρi, ρj последовательности от одной и той же содержащей мутации последовательности μi в соответствии с настоящим изобретением.On FIG. 2 shows a method 200 for determining whether two mutated sequence reads ρ i , ρ j originate from the same mutated sequence μ i in accordance with the present invention.
Способ 200 включает стадию S210 приема множества мутированных прочтений ρ1…pn ∈ P последовательности. Каждое мутированное прочтение ρi последовательности соответствует подпоследовательности из содержащей мутации последовательности μ i. Содержащая мутации последовательность μi содержит мутации, например мутации по типу замены, необязательно мутации по типу транзиции, по сравнению с не содержащей мутаций последовательностью Si. Содержащая мутации последовательность μi может быть по меньшей мере частью последовательности мутированной темплатной нуклеиновой кислоты-мишени, а не содержащая мутаций последовательность может быть по меньшей мере частью (немутированной) молекулы темплатной нуклеиновой кислоты-мишени, причем мутированная молекула темплатной нуклеиновой кислоты-мишени получена путем введения мутаций, например мутаций типа замены, необязательно мутаций типа транзиции, в молекулу темплатной нуклеиновой кислоты-мишени. Каждая подпоследовательность содержащей мутации последовательности μi может быть по меньшей мере частью последовательности фрагмента мутированной молекулы темплатной нуклеиновой кислоты-мишени. Каждая подпоследовательность не содержащей мутаций последовательности Si может быть по меньшей мере частью последовательности фрагмента молекулы темплатной нуклеиновой кислоты-мишени. Стадия S210 приема множества мутированных прочтений Р последовательности может включать прием множества мутированных прочтений Р последовательности непосредственно от секвенатора, используемого для секвенирования мутированной молекулы темплатной нуклеиновой кислоты мишени, или прием множества мутированных прочтений Р последовательности из хранилища данных, в котором хранится множество мутированных прочтений Р последовательности.The method 200 includes the step S210 of receiving a set of mutated reads ρ 1 ...p n ∈ P of the sequence. Each mutated reading of the ρ i sequence corresponds to a subsequence of the mutated sequence μ i . The mutated sequence μ i contains mutations, eg substitution type mutations, optionally transition type mutations, compared to a non-mutated sequence S i . The mutated sequence μ i may be at least a portion of the sequence of the mutated template target nucleic acid, and the non-mutated sequence may be at least a portion of a (unmutated) template target nucleic acid molecule, the mutated template target nucleic acid molecule being obtained by introducing mutations, eg substitution type mutations, optionally transition type mutations, into the template target nucleic acid molecule. Each subsequence of the mutated sequence μ i may be at least part of the sequence of a fragment of a mutated template target nucleic acid molecule. Each subsequence of the mutant-free sequence S i may be at least part of the sequence of a fragment of the template target nucleic acid molecule. Step S210 of receiving a plurality of mutated P sequence reads may include receiving a plurality of mutated P sequence reads directly from a sequencer used for sequencing a mutated target nucleic acid template molecule, or receiving a plurality of mutated P sequence reads from a data store that stores a plurality of mutated P sequence reads.
Способ 200 дополнительно включает стадию S220 применения общей минимизирующей функции для каждого мутированного прочтения ρi последовательности. Применение общей минимизирующей функции определяет один или более соответствующих минимизаторов для каждого мутированного прочтения ρi последовательности. Способ 200 дополнительно включает стадию S222 определения положений одного или более соответствующих минимизаторов в каждом мутированном прочтении ρi последовательности.The method 200 further includes the step S220 of applying a common minimizing function for each mutated read ρ i of the sequence. The application of a common minimizing function determines one or more appropriate minimizers for each mutated read ρ i of the sequence. The method 200 further includes the step S222 of determining the positions of one or more appropriate minimizers in each mutated read ρ i of the sequence.
В предпочтительном варианте осуществления способ 200 включает стадию S224 распределения мутированных прочтений Р последовательности по группам соответствующих минимизаторов. Мутированное прочтение ρi последовательности, для которого определено более одного минимизатора, может быть помещено в несколько соответствующих групп минимизаторов.In a preferred embodiment, method 200 includes the step of S224 allocating mutated reads of the P sequence to respective minimizer groups. A mutated reading ρ i of a sequence for which more than one minimizer is defined can be placed in multiple corresponding minimizer groups.
Способ 200 дополнительно включает стадию S230 определения положений одной или более мутаций в каждом мутированном прочтении ρi последовательности. Стадия S230 определения положений одной или более мутаций в каждом мутированном прочтении ρi последовательности может осуществляться до, после или одновременно со стадиями S220, S222 и S224, относящимися к общей минимизирующей функции.The method 200 further includes the step S230 of determining the positions of one or more mutations in each mutated reading ρ i of the sequence. Step S230 of determining the positions of one or more mutations in each mutated reading of the ρ i sequence may be performed before, after or simultaneously with steps S220, S222 and S224 related to the overall minimizing function.
Для по меньшей мере двух мутированных прочтений ρi, ρj последовательности с общим минимизатором способ 200 дополнительно включает подсчет количества мутаций с совпадающим положением и/или несовпадающим положением, когда соответствующие минимизаторы выравнены, т.е. когда положения нуклеотидов одного мутированного прочтения ρi последовательности смещены относительно положений нуклеотидов другого мутированного прочтения ρj последовательности таким образом, что положение минимизатора одного мутированного прочтения ρi последовательности идентично положению минимизатора другого мутированного прочтения ρj последовательности. Количество мутаций с совпадающим положением и/или несовпадающим положением может быть показателем, коррелированным с вероятностью того, что два мутированных прочтения последовательности происходят от одной и той же содержащей мутации последовательности. В альтернативном варианте осуществления способ 200 может включать дополнительную стадию S242 определения показателя, коррелированного с вероятностью того, что два мутированных прочтения последовательности происходят от той и той же содержащей мутации последовательности, на основании количества мутаций с совпадающим положением и/или с несовпадающим положением.For at least two mutated sequence reads ρ i , ρ j with a common minimizer, method 200 further includes counting the number of matched and/or mismatched mutations when the respective minimizers are aligned, i.e. when the positions of the nucleotides of one mutated reading of the ρ i sequence are shifted relative to the positions of the nucleotides of another mutated reading of the ρ j sequence in such a way that the position of the minimizer of one mutated reading of the ρ i sequence is identical to the position of the minimizer of the other mutated reading of the ρ j sequence. The number of matched and/or mismatched mutations can be an indicator correlated with the probability that two mutated sequence reads are from the same mutation containing sequence. In an alternative embodiment, method 200 may include the additional step of S242 determining a score correlated with the probability that two mutated sequence reads are from the same mutated sequence based on the number of matched and/or mismatched mutations.
Стадия S210 приема множества мутированных прочтений последовательностиStep S210 of receiving a plurality of mutated sequence reads
Стадия S210 включает прием множества мутированных прочтений ρ1…ρn ∈ Р последовательности. Стадия S210 может дополнительно включать прием множества немутированных прочтений r1… rrn ∈ R последовательности. Каждое мутированное прочтение ρi последовательности может соответствовать подпоследовательности содержащей мутации последовательности μi. Каждое немутированное прочтение ri последовательности может соответствовать подпоследовательности не содержащей мутации последовательности Si.Step S210 includes receiving a set of mutated reads ρ 1 ...ρ n ∈ P of the sequence. Step S210 may further include receiving a plurality of unmutated reads r 1 ... r rn ∈ R of the sequence. Each mutated reading of the ρ i sequence may correspond to a subsequence of the mutated sequence μ i . Each unmutated read of the r i sequence may correspond to a subsequence of the unmutated sequence S i .
Содержащая мутации последовательность μi может быть получена путем введения мутаций в не содержащую мутаций последовательность Si. Каждое мутированное прочтение ρi последовательности, таким образом, может содержать мутации, т.е. соответствовать области мутированной молекулы темплатной нуклеиновой кислоты-мишени, которая включает в себя мутации, т.е. соответствовать подпоследовательности содержащей мутации последовательности. В одном варианте осуществления каждое мутированное прочтение ρi последовательности содержит мутации по типу замены, т.е. соответствует области мутированной молекулы темплатной нуклеиновой кислоты-мишени, которая включает в себя мутации по типу замены. В предпочтительном варианте осуществления мутации по типу замены представляют собой мутации по типу транзиции, так что каждое мутированное прочтение ρi последовательности содержит мутации по типу транзиции, т.е. соответствует области мутированной молекулы темплатной нуклеиновой кислоты-мишени, которая включает в себя мутации по типу транзиции.A mutated sequence μ i can be obtained by introducing mutations into a non-mutated sequence S i . Each mutated reading of the ρ i sequence can thus contain mutations, i.e. correspond to the region of the mutated target nucleic acid template molecule that includes mutations, i.e. match a subsequence containing the mutation sequence. In one embodiment, each mutated read of the ρ i sequence contains substitution type mutations, i. e. corresponds to the region of the mutated template target nucleic acid molecule, which includes substitution type mutations. In a preferred embodiment, the substitution mutations are transitional mutations such that each mutated reading of the ρ i sequence contains a transitional mutation, i. e. corresponds to the region of the mutated template target nucleic acid molecule, which includes transitional mutations.
Каждый нуклеотид каждого прочтения ρi, ri последовательности предпочтительно кодируется в двоичном формате с использованием двух битов. Это дает преимущество, в частности, когда множество мутированных прочтений Р последовательности содержат мутации типа транзиции (A⇔G и С⇔Т), так что один из двух битов (например, первый бит) определяет, является ли нуклеотид пуриновым (А или G) или пиримидиновым (Т или С). Например, нуклеотиды могут быть закодированы в двоичной форме с использованием следующего формата: А: 00, G: 01, С: 10 и Т: 11. Это кодирование будет использовано в настоящем описании. Однако будет очевидно, что настоящее изобретение не ограничивается этим кодированием, и что настоящее изобретение может быть легко осуществлено с использованием любого другого кодирования нуклеотидов.Each nucleotide of each reading of the ρ i , r i sequence is preferably encoded in binary using two bits. This is advantageous in particular when multiple mutated P sequence reads contain transition type mutations (A⇔G and C⇔T) such that one of the two bits (e.g. the first bit) determines whether the nucleotide is purine (A or G) or pyrimidine (T or C). For example, nucleotides can be encoded in binary using the following format: A: 00, G: 01, C: 10, and T: 11. This encoding will be used throughout this specification. However, it will be apparent that the present invention is not limited to this coding and that the present invention can be easily implemented using any other nucleotide encoding.
Каждое прочтение ρi, ri последовательности может быть закодировано для учета гомополимерных ошибок в прочтении ρi, ri последовательности. Гомополимерные ошибки возникают, когда при проходе неправильно считывается длина одного и того же нуклеотида, например, последовательность TAAAAGC может быть неправильно прочитана как TAAGC, поскольку секвенатору сложно определить количество А, если при проходе встречается множество А. Для учета таких гомополимерных ошибок проходы с несколькими идентичными нуклеотидами могут быть закодированы как один экземпляр нуклеотида. В альтернативном варианте осуществления гомополимерные ошибки могут быть учтены во время последующей обработки (т.е. не при первоначальном кодировании) прочтений ρi, ri последовательности, например, путем кодирования любых k-меров, используемых в способе 200, и/или любых затравочных паттернов, используемых на стадии S230, так что проходы с несколькими идентичными нуклеотидами кодируются как один экземпляр нуклеотида.Each read of the ρ i , r i sequence can be encoded to account for homopolymer errors in the read of the ρ i , r i sequence. Homopolymer errors occur when a pass misreads the length of the same nucleotide, for example, the sequence TAAAAGC can be misread as TAAGC because it is difficult for the sequencer to determine the number of A's if multiple A's are encountered in a pass. To account for such homopolymer errors, runs with several identical nucleotides can be encoded as one instance of a nucleotide. In an alternative embodiment, homopolymer errors may be accounted for during post-processing (i.e., not during initial encoding) of the ρ i , r i reads of the sequence, e.g., by encoding any k-mers used in method 200 and/or any seeding patterns used in step S230, so that passages with multiple identical nucleotides are encoded as a single nucleotide instance.
Стадии S220 и S222: общая минимизирующая функцияSteps S220 and S222: common minimizing function
Минимизатор представляет собой k-мер из набора k-меров, который удовлетворяет общей минимизирующей функции min(⋅) на наборе k-меров.A minimizer is a k-mer from a set of k-mers that satisfies the general minimizing function min(⋅) on the set of k-mers.
Для целей настоящей заявки k-мер представляет собой нуклеотидную подпоследовательность длины k. k-мер, начинающийся с положения i в последовательности S=[S1, S2, …, Sn-1, Sn] длиной n, обозначен как k(Si), причем k(Si)=[Si, Si+1, …, Si+k-1]. Набор k-меров в последовательности S с начальными положениями между i и j обозначен как k(Si…Sj). Минимизатор из всех k-меров с исходным положениями в диапазоне i до j последовательности S будет обозначен как min(k(Si…Sj)).For the purposes of this application, k-mer is a nucleotide subsequence of length k. k-measures starting from position i in the sequence S=[S 1 , S 2 , …, S n-1 , S n ] of length n is denoted as k(S i ), and k(S i )=[S i , S i+1 , …, S i+k-1 ]. The set of k-measures in the sequence S with initial positions between i and j is denoted as k(S i …S j ). The minimizer of all k-mers with initial positions in the range i to j of the sequence S will be denoted as min(k(S i …S j )).
Общую минимизирующую функцию min(⋅) используют для определения одного или более минимизаторов (т.е. одного или более репрезентативных k-меров) из набора k-меров, предпочтительно из всех или по существу всех к-меров, образованных прочтением ρi, ri последовательности, т.е. k-меров предпочтительно из всех или по существу всех k-меров, которые существуют в прочтении ρi, ri последовательности. Для целей настоящего изобретения набор k-меров, которые существуют в прочтении ρi, ri последовательности, может содержать k-меры обратного комплемента прочтения ρi, ri последовательности. Предпочтительно каждый минимизатор представляет собой k-мер длиной, равной или превышающей 5 (т.е. 5-мер или более), предпочтительно равной или превышающей 10 (т.е. 10-мер или более), еще более предпочтительно равной или превышающей 15 (т.е. 15-мер или более). Каждый минимизатор может представлять собой k-мер длиной менее 50, необязательно менее 30, дополнительно необязательно менее 25. Если общую функцию минимизации min(⋅) используют для определения более длинных минимизаторов, то выше вероятность, что определенный минимизатор будет репрезентативным для конкретной части последовательности, т.е. меньше вероятность, что минимизатор появится в нескольких отдельных и несвязанных участках последовательности. Установка верхнего предела размера минимизаторов снижает риск того, что минимизаторы будут содержать ошибки секвенирования.The general minimizing function min(⋅) is used to determine one or more minimizers (i.e., one or more representative k-mers) from a set of k-mers, preferably from all or substantially all of the k-mers generated by reading ρ i , r i sequences, i.e. k-mers, preferably from all or essentially all k-mers that exist in reading the ρ i , r i sequence. For the purposes of the present invention, the set of k-mers that exist in the ρ i , r i read of the sequence may contain the reverse complement k-mers of the ρ i , r i read of the sequence. Preferably each minimizer is a k-mer of length equal to or greater than 5 (i.e. 5-mer or more), preferably equal to or greater than 10 (i.e. 10-mer or more), even more preferably equal to or greater than 15 (i.e. 15 measures or more). Each minimizer may be a k-mer of length less than 50, optionally less than 30, optionally less than 25. If the general minimization function min(⋅) is used to define longer minimizers, then a particular minimizer is more likely to be representative of a particular part of the sequence, those. less likely that the minimizer will appear in several separate and unrelated sections of the sequence. Setting an upper limit on the size of minimizers reduces the risk that minimizers will contain sequencing errors.
Стадия S220 применения общей минимизирующей функции min (⋅) может включать идентификацию в соответствующем мутированном прочтении ρi последовательности одного или более k-меров, который(-ые) указан(-ы) первым(-и) в упорядоченном списке возможных k-меров. Один или более минимизаторов, определенных для соответствующего мутированного прочтения ρi последовательности, может представлять сбой идентифицированный один или более k-меров. Упорядоченный список возможных k-меров может содержать все или некоторые возможные k-меры в заранее заданном порядке. Стадия S220 может включать генерацию упорядоченного списка возможных k-меров или может не включать генерацию упорядоченного списка возможных k-меров (например, в ситуациях, когда для определения минимизатора не требуется прямое сравнение с списком, как в некоторых примерах ниже).Step S220 of applying the general minimizing function min (⋅) may include identifying in the corresponding mutated reading ρ i of the sequence of one or more k-mers that is(s) listed first(s) in the ordered list of possible k-mers. One or more minimizers defined for the corresponding mutated reading of the ρ i sequence may represent a failure of the identified one or more k-mers. An ordered list of possible k-measures may contain all or some of the possible k-measures in a predetermined order. Step S220 may include generating an ordered list of possible k-mers, or may not include generating an ordered list of possible k-mers (eg, in situations where a direct comparison to a list is not required to determine the minimizer, as in some examples below).
Например, общая минимизирующая функция min() может определять как минимизатор k-мер с целочисленным минимальным значением из двухбитных двоичных кодирований всех k-меров в мутированном прочтении ρi последовательности. Другими словами, общая минимизирующая функция min() может идентифицировать k-мер, который указан первым в списке k-меров, которые упорядочены по целочисленному значению их двухбитных двоичных кодировок. Например, на основании двоичного кодирования А: 00, G: 01, С: 10 и Т: 11 общая минимизирующая функция может идентифицировать в мутированном прочтении последовательности 5-мер, который указан первым в примере упорядоченного списка ААААА, AAAAG, AAAAC, ААААТ, AAAGA, AAAGG,…, СТТТС, СТТТТ, ТТТТТ. Например, пример мутированного прочтения последовательности:For example, the general minimizing function min() may define as the k-mer minimizer with the integer minimum value of the two-bit binary encodings of all k-mers in the mutated reading ρ i of the sequence. In other words, the general minimizing function min() can identify the k-mer that is listed first in a list of k-mers that are ordered by the integer value of their two-bit binary encodings. For example, based on the binary encoding of A: 00, G: 01, C: 10, and T: 11, the general minimizing function can identify in the mutated reading the sequence of 5-mers that is listed first in the ordered list example AAAAA, AAAAG, AAAAC, AAAAT, AAAGA , AAAGG,…, STTTTS, STTTTT, TTTTT. For example, an example of a mutated sequence reading:
содержит 5-меры ACGGA, CGGAA, GGAAA, … AGAGC, GAGCC. 5-мер AAAGC указан первым в приведенном выше примере упорядоченного списка, и общая минимизирующая функция min() будет определять AAAGC как минимизатор для этого примера мутированного прочтения последовательности. Следует понимать, что для этой общей минимизирующей функции min(⋅) не требуется фактически генерировать упорядоченный список возможных k-меров для определения минимизатора для набора k-меров.contains 5-measures ACGGA, CGGAA, GGAAA, … AGAGC, GAGCC. The 5-mer AAAGC is listed first in the ordered list example above, and the general min() function will determine AAAGC as the minimizer for this mutated sequence read example. It should be understood that this general minimizing function min(⋅) is not required to actually generate an ordered list of possible k-mers in order to define a minimizer for a set of k-mers.
Определение целочисленного минимального значения двухбитных двоичных кодирований всех k-меров в мутированном прочтении ρi последовательности является лишь одним примером общей минимизирующей функции min(), которая может быть применена к мутированному прочтению ρi последовательности для определения минимизатора. Можно использовать любую другую общую минимизирующую функцию min(). Например, предпочтительно, чтобы общая минимизирующая функция min() рандомизировала упорядочивание целочисленной минимальной функции. Один из способов достижения такой рандомизации заключается в применении сначала побитового логического ИЛИ с произвольным битовым вектором к каждому k-меру, содержащемуся в мутированном прочтении ρi последовательности, после чего можно использовать целочисленную минимальную функцию.Determining the integer minimum value of the two-bit binary encodings of all k-mers in a mutated read ρ i of a sequence is just one example of a general minimization function min() that can be applied to a mutated read of a ρ i sequence to determine a minimizer. Any other general minimizing function min() can be used. For example, it is preferred that the general minimizing function min() randomize the ordering of the integer minimum function. One way to achieve this randomization is to first apply a bitwise logical OR with an arbitrary bit vector to each k-mer contained in the mutated read ρ i of the sequence, after which an integer minimum function can be used.
В альтернативном варианте осуществления вместо упорядоченного списка возможных k-меров можно использовать предварительно заданный набор возможных k-меров, и применение общей минимизирующей функции min() включает идентификацию одного или более k-меров, которые существуют в предварительно заданном наборе возможных k-меров. Один или более минимизаторов, определенных для соответствующего мутированного прочтения ρi последовательности, может представлять сбой идентифицированный один или более k-меров. Предварительно заданный набор возможных k-меров может быть упорядочен или неупорядочен. Предварительно заданный набор возможных к-меров может представлять собой набор k-меров, включающий только k-меры, которые подходят или предназначены для использования в качестве минимизаторов. Стадия S220 применения общей минимизирующей функции min() может включать создание предварительно заданного набора возможных k-меров.In an alternative embodiment, instead of an ordered list of possible k-mers, a predefined set of possible k-mers can be used, and the application of the general minimizing function min() includes identifying one or more k-mers that exist in the predefined set of possible k-mers. One or more minimizers defined for the corresponding mutated reading of the ρ i sequence may represent a failure of the identified one or more k-mers. The predefined set of possible k-mers may be ordered or unordered. The predefined set of possible k-measures may be a set of k-measures, including only k-measures that are suitable or intended to be used as minimizers. Step S220 of applying the general minimizing function min( ) may include generating a predefined set of possible k-measures.
В предпочтительном варианте осуществления в упорядоченном списке возможных k-меров k-меры упорядочены на основании вероятности того, что k-меры встречаются в содержащей мутации последовательности μi и не встречаются в не содержащей мутаций последовательности Si, т.е. k-меры, которые относительно вероятно встречаются в содержащей мутации последовательности, но не в не содержащей мутаций последовательности, могут быть перечислены выше в упорядоченном списке, а k-меры, которые относительно маловероятно встречаются в содержащей мутации последовательности, но не в не содержащей мутаций последовательности, могут быть перечислены ниже в упорядоченном списке. В альтернативном предпочтительном варианте осуществления предварительно заданный набор возможных k-меров содержит k-меры, присутствие которых относительно вероятно в содержащей мутации последовательности, но не в не содержащей мутаций последовательности, и необязательно набор не содержит k-меров, присутствие которых относительно маловероятно в содержащей мутации последовательности, но не в не содержащей мутаций последовательности. Стадия S220 может включать определение того, какие k-меры, содержащиеся в множестве мутированных прочтений Р последовательности относительно вероятно встречаются в содержащей мутации последовательности, но не в не содержащей мутаций последовательности, например, путем сравнения количества вхождений (или наблюдений) k-мера во множестве мутированных прочтений Р последовательности с количеством вхождений k-мера во множестве немутированных прочтений R последовательности. Стадия может включать подсчет количества вхождений k-мера во множестве мутированных прочтений Р последовательности и подсчет количества вхождений k-мера во множестве немутированных прочтений R последовательности.In a preferred embodiment, in an ordered list of possible k-mers, the k-mers are ordered based on the probability that the k-mers occur in a mutated sequence μ i and not occur in a non-mutated sequence S i , i.e. k-mers that are relatively unlikely to occur in a mutated sequence but not in a mutant-free sequence can be listed higher in the ordered list, and k-mers that are relatively unlikely to occur in a mutated sequence but not in a mutated-free sequence , can be listed below in an ordered list. In an alternative preferred embodiment, the predetermined set of possible k-mers contains k-mers that are relatively likely to be present in the mutated sequence but not in the non-mutated sequence, and optionally the set is free of k-mers that are relatively unlikely to be present in the mutated containing sequence. sequence, but not in a mutation-free sequence. Step S220 may include determining which k-mers contained in the set of mutated reads P of the sequence are relatively likely to occur in the mutated sequence but not in the non-mutated sequence, for example, by comparing the number of occurrences (or observations) of the k-mer in the set mutated reads of the P sequence with the number of occurrences of the k-mer in the set of unmutated reads of the R sequence. The step may include counting the number of occurrences of the k-mer in the set of mutated reads P of the sequence and counting the number of occurrences of the k-mer in the set of unmutated reads R of the sequence.
В обоих предпочтительных вариантах осуществления общую минимизирующую функцию min() выбирают таким образом, чтобы предпочтительно определять как один или более минимизаторов те k-меры, которые с большей вероятностью встречаются в мутированном прочтении ρi последовательности, чем в немутированном прочтении ri последовательности. Это повышает вероятность того, что каждый минимизатор содержит мутацию.In both preferred embodiments, the overall minimizer function min( ) is chosen to preferably define as one or more minimizers those k-measures that are more likely to occur in the mutated reading of the ρ i sequence than in the unmutated reading of the r i sequence. This makes it more likely that each minimizer contains a mutation.
В более предпочтительном варианте осуществления упорядоченный список возможных k-меров содержит только те k-меры, т.е. состоит только из тех k-меров, которые чаще встречаются во множестве мутированных прочтений Р последовательности, чем во множестве немутированных прочтений R последовательности (или чаще - в содержащей мутации последовательности, чем в не содержащей мутаций последовательности), т.е. k-меров, для которых количество вхождений во множестве мутированных прочтений Р последовательности больше числа вхождений во множестве немутированных прочтений R последовательности. В альтернативном более предпочтительном варианте осуществления предварительно заданный набор возможных k-меров содержит только те k-меры, т.е. состоит только из тех k-меров, которые чаще встречаются во множестве мутированных прочтений Р последовательности, чем в множестве немутированных прочтений R последовательности (или чаще - в содержащей мутации последовательности, чем в не содержащей мутаций последовательности), т.е. k-меров, для которых количество вхождений во множестве мутированных прочтений Р последовательности больше числа вхождений во множестве немутированных прочтений R последовательности. Предпочтительно, упорядоченный список возможных k-меров или предварительно заданный набор возможных k-меров содержит только те k-меры, т.е. состоит из тех k-меров, которые встречаются n или более раз в множестве мутированных прочтений последовательности, и встречаются менее чем n раз во множестве немутированных прочтений последовательности, т.е. тех k-меров, для которых количество вхождений во множестве мутированных прочтений Р последовательности равно или больше n, и количество вхождений во множестве немутированных прочтений R последовательности меньше n. N может представлять собой целое число, большее или равное 1. N может представлять собой целое число, большее или равное 2. Предпочтительно «n» равно 2. Кроме того, упорядоченный список возможных k-меров или предварительно заданный набор возможных k-меров содержит только те k-меры, т.е. состоит только из тех k-меров, которые не встречаются в множестве немутированных прочтений последовательности, т.е. тех k-меров, для которых количество вхождений во множестве немутированных прочтений R последовательности равно 0.In a more preferred embodiment, the ordered list of possible k-mers contains only those k-mers, i. e. consists only of those k-mers that occur more often in the set of mutated reads of the P sequence than in the set of unmutated reads of the R sequence (or more often in a sequence containing mutations than in a sequence not containing mutations), i.e. k-mers for which the number of occurrences in the set of mutated reads P of the sequence is greater than the number of occurrences in the set of unmutated reads R of the sequence. In an alternative more preferred embodiment, the predefined set of possible k-mers contains only those k-mers, i. e. consists only of those k-mers that occur more frequently in the set of mutated reads of the P sequence than in the set of unmutated reads of the R sequence (or more often in a sequence containing mutations than in a sequence not containing mutations), i.e. k-mers for which the number of occurrences in the set of mutated reads P of the sequence is greater than the number of occurrences in the set of unmutated reads R of the sequence. Preferably, the ordered list of possible k-measures or the predefined set of possible k-measures contains only those k-measures, i. e. consists of those k-mers that occur n or more times in the set of mutated reads of the sequence and occur less than n times in the set of unmutated reads of the sequence, i.e. those k-mers for which the number of occurrences in the set of mutated reads R of the sequence is equal to or greater than n, and the number of occurrences in the set of unmutated reads R of the sequence is less than n. N may be an integer greater than or equal to 1. N may be an integer greater than or equal to 2. Preferably, "n" is equal to 2. In addition, an ordered list of possible k-measures or a predefined set of possible k-measures contains only those k-measures, i.e. consists only of those k-mers that do not occur in the set of unmutated readings of the sequence, i.e. those k-mers for which the number of occurrences in the set of unmutated reads R of the sequence is equal to 0.
Например, упорядоченный список возможных k-меров или предварительно заданный набор возможных k-меров может содержать только те k-меры, которые встречаются по меньшей мере два раза в наборе k-меров множества мутированных прочтений Р последовательности, но не встречаются (или встречаются редко) в наборе k-меров множества немутированных прочтений R последовательности. Это гарантирует, что с высокой вероятностью упорядоченный список возможных k-меров или предварительно заданный набор возможных k-меров будет включать в себя минимизаторы, которые содержат мутацию, присутствующую в двух или более из множества мутированных прочтений Р последовательности. Необязательно k-меры, которые чаще встречаются во множестве мутированных прочтений последовательности, чем во множестве немутированных прочтений последовательности, относительно вероятно встречаются в содержащей мутации последовательности. Причем необязательно, те k-меры, которые встречаются n или более раз во множестве мутированных прочтений последовательности и встречаются менее чем n раз во множестве немутированных прочтений последовательности, относительно вероятно встречаются в содержащей мутации последовательности.For example, an ordered list of possible k-mers or a predefined set of possible k-mers may contain only those k-mers that occur at least twice in the set of k-mers of the set of mutated readings P of the sequence, but do not occur (or are rare) in the set of k-mers of the set of unmutated reads of the R sequence. This ensures that, with high probability, an ordered list of possible k-mers or a predefined set of possible k-mers will include minimizers that contain a mutation present in two or more of the set of mutated P sequence reads. Optionally, k-mers that occur more frequently in the set of mutated sequence reads than in the set of non-mutated sequence reads are relatively likely to occur in the sequence containing the mutation. Optionally, those k-mers that occur n or more times in the set of mutated sequence reads and occur less than n times in the set of unmutated sequence reads are relatively likely to occur in the sequence containing the mutation.
Предварительно заданный набор возможных k-меров может быть создан путем построения набора мутационных минимизаторов UM, где UМ содержит k-меры, предпочтительно все или по существу все k-меры, для которых количество вхождений или наблюдений во множестве мутированных прочтений Р последовательности больше или равно n (предпочтительно, где n ≥2, более предпочтительно, где n равно 2), а количество вхождений или наблюдений во множестве немутированных прочтений Р последовательности меньше n (предпочтительно, где n равно 0 или 1, более предпочтительно, где n равно 0). Набор мутационных минимизаторов UM может быть создан путем подсчета частоты встречаемости каждого k-мера во множестве немутированных прочтений R последовательности и множестве мутированных прочтений Р последовательности. Набор мутационных минимизаторов UM можно эффективно рассчитать из множества немутированных прочтений R последовательности и множества мутированных прочтений Р последовательности с использованием вероятностных структур данных, таких как фильтр Блума с подсчетом или связанные с ним метод кукушки и метод фильтра с коэффициентами. Упорядоченный список возможных k-меров может быть создан из всего набора мутационных минимизаторов UM.A predefined set of possible k-measures can be generated by constructing a set of mutational minimizers U M , where U M contains k-measures, preferably all or substantially all k-measures, for which the number of occurrences or observations in the set of mutated reads P of the sequence is greater than or is n (preferably where n ≥ 2, more preferably where n is 2) and the number of occurrences or observations in the set of unmutated reads P of the sequence is less than n (preferably where n is 0 or 1, more preferably where n is 0) . A set of mutational minimizers U M can be created by counting the frequency of occurrence of each k-mer in the set of unmutated reads R of the sequence and the set of mutated reads P of the sequence. A set of mutational minimizers U M can be efficiently computed from a set of unmutated reads R of a sequence and a set of mutated reads P of a sequence using probabilistic data structures such as the counting Bloom filter or the associated cuckoo and coefficient filter methods. An ordered list of possible k-mers can be generated from the entire set of mutational minimizers U M .
Набор мутационных минимизаторов UM можно использовать в качестве предварительно заданного набора возможных k-меров. В альтернативном варианте осуществления, набор мутационных минимизаторов UM можно дополнительно обрабатывать для получения предварительно заданного набора возможных k-меров. В предпочтительном варианте осуществления в качестве предварительно заданного набора возможных k-меров используют подмножество WМ набора мутационных минимизаторов UM. Подмножество WМ можно сконструировать путем разделения каждого мутированного прочтения ρi ∈ Р на две или более неперекрывающихся секции (необязательно по существу одинаковых размеров), например неперекрывающихся наборов начальных позиций k-меров размера Lw, например {1…Lw}, {Lw+1…2LW} и т.д. Типичное значение для Lw может составлять 50 при использовании мутированных прочтений последовательности длиной 150, в результате чего положения начала возможных k-меров делятся на 3 группы. Затем для каждого набора начальных положений подмножество WМ можно обозначить следующим образом:The set of mutational minimizers U M can be used as a predefined set of possible k-measures. In an alternative embodiment, the set of mutational minimizers U M can be further processed to obtain a predefined set of possible k-mers. In a preferred embodiment, a subset W M of the set of mutational minimizers U M is used as a predefined set of possible k-mers. A subset W M can be constructed by dividing each mutated reading ρ i ∈ P into two or more non-overlapping sections (not necessarily of essentially the same size), e.g. non-overlapping sets of starting positions of k-mers of size L w , e.g. w +1…2L W }, etc. A typical value for Lw could be 50 using mutated sequence reads of length 150, resulting in the start positions of possible k-mers being divided into 3 groups. Then, for each set of initial positions, the subset W M can be denoted as follows:
В результате каждое из множества мутированных прочтений Р последовательности может быть разделено на две или более секций (например, на 3 секции), и может быть найден минимизатор, представляющий каждую секцию. Минимизатор определяют путем выявления сначала потенциальных минимизаторов по пересечению k-меров в этой секции соответствующего мутированного прочтения последовательности с набором мутационных минимизаторов UM, и затем применяют общую минимизирующую функцию к этому набору для идентификации одного минимизатора для каждой секции.As a result, each of the plurality of mutated P sequence reads can be divided into two or more sections (eg, 3 sections) and a minimizer representing each section can be found. A minimizer is determined by first identifying potential minimizers by the intersection of k-mers in that section of the corresponding mutated reading of the sequence with a set of mutational minimizers U M , and then applying a general minimizing function to this set to identify one minimizer for each section.
Таким образом, в предпочтительном варианте осуществления стадия S220 применения общей минимизирующей функции min() к каждому мутированному прочтению последовательности включает:Thus, in a preferred embodiment, step S220 of applying the general minimization function min() to each mutated sequence read comprises:
создание набора мутационных минимизаторов UM который состоит из k-меров, предпочтительно всех или по существу всех k-меров во множестве мутированных прочтений Р последовательности, которые встречаются n или более раз во множестве мутированных прочтений Р последовательности и встречаются менее чем n раз во множестве немутированных прочтений R последовательности, где n представляет собой целое число, большее или равное 2;creation of a set of mutational minimizers U M which consists of k-mers, preferably all or essentially all k-mers in the set of mutated reads P of the sequence that occur n or more times in the set of mutated reads P of the sequence and occur less than n times in the set of unmutated reads reads R of the sequence, where n is an integer greater than or equal to 2;
необязательно создание подмножества WМ из набора мутационных минимизаторов UM путем разделения каждого из множества мутированных прочтений Р последовательности на две или более секции, идентификации k-меров, предпочтительно всех или по существу всех k-меров в каждой секции каждого из множества мутированных прочтений Р последовательности, которые встречаются в наборе мутационных минимизаторов UM, и добавления к подмножеству WМ одного из идентифицированных k-меров для каждой секции каждого из множества мутированных прочтений Р последовательности, причем необязательно один из идентифицированных k-меров для каждой секции каждого из множества мутированных прочтений Р последовательности выбирают путем применения общей минимизирующей функции min (⋅) (например, функции обнаружения целочисленного минимума или любой другой известной минимизирующей функции) к идентифицированным k-мерам каждой секции каждого из множества мутированных прочтений Р последовательности; иoptionally creating a subset W M from a set of mutational minimizers U M by dividing each of the set of mutated reads P of the sequence into two or more sections, identifying k-mers, preferably all or substantially all of the k-mers in each section of each of the set of mutated reads P of the sequence , which occur in the set of mutational minimizers U M , and adding to the subset W M one of the identified k-mers for each section of each of the set of mutated reads P of the sequence, optionally one of the identified k-mers for each section of each of the set of mutated reads P sequences are selected by applying a common minimizing function min(⋅) (eg, an integer minimum detection function or any other known minimizing function) to the identified k-mers of each section of each of the plurality of mutated P sequence reads; And
использование набора мутационных минимизаторов UM или подмножества из набора мутационных минимизаторов UM (например, подмножества WМ) в качестве предварительно заданного набора возможных k-меров, и для каждого из множества мутированных прочтений Р последовательности - идентификацию k-меров, предпочтительно всех или по существу всех k-меров в соответствующем мутированном прочтении последовательности μi, которые встречаются в предварительно заданном наборе возможных k-меров, причем один или более минимизаторов, определенных для соответствующего мутированного прочтения последовательности, представляют собой идентифицированные k-меры.using a set of mutational minimizers U M or a subset of the set of mutational minimizers U M (for example, a subset of W M ) as a predefined set of possible k-measures, and for each of the set of mutated readings P of the sequence, identifying k-mers, preferably all or essentially all k-mers in the corresponding mutated sequence reading μ i that occur in a predefined set of possible k-mers, wherein one or more minimizers defined for the corresponding mutated sequence reading are the identified k-mers.
Способ 200 дополнительно включает стадию S222 для определения положений] одного или более соответствующих минимизаторов в каждом мутированном прочтении ρi последовательности. Положения j каждого из минимизаторов в каждом соответствующем мутированном прочтении ρi последовательности можно хранить в виде целочисленного битового значения в ассоциации (например, в одном и том же местоположении или группе минимизатора) с соответствующим минимизатором.The method 200 further includes step S222 to determine the positions] of one or more appropriate minimizers in each mutated read ρ i of the sequence. The positions j of each of the minimizers in each respective mutated read ρ i of the sequence may be stored as an integer bit value in association (eg, in the same location or minimizer group) with the corresponding minimizer.
Стадия S224: распределение по группам минимизаторовStep S224: distribution to minimizer groups
В предпочтительном варианте осуществления способ 200 включает стадию S224, заключающуюся в распределении мутированных прочтений Р последовательности в одну или более групп минимизаторов. Распределение мутированных прочтений Р последовательности в одну или более групп минимизаторов включает в себя помещение указателя i, характеризующего мутированное прочтение ρi последовательности в одну или более групп минимизаторов. Каждая группа минимизатора может содержать мутированные прочтения Р последовательности, имеющие общий минимизатор, и не содержит мутированные прочтения Р последовательности, не имеющие общего минимизатора. Стадия S240 подсчета количества мутаций с совпадающим положением и/или с несовпадающим положением может быть выполнена только на мутированных прочтениях Р последовательности, находящихся в одной и той же группе минимизатора. Это улучшает вычислительную эффективность выполнения стадии S240.In a preferred embodiment, method 200 includes the step S224 of allocating the mutated P sequence reads into one or more minimizer groups. Assigning mutated reads P of the sequence to one or more minimizer groups includes placing an index i characterizing the mutated read ρ i of the sequence into one or more minimizer groups. Each minimizer group may contain mutated P sequence reads that have a common minimizer, and may not contain mutated P sequence reads that do not have a common minimizer. The step S240 of counting the number of matched and/or mismatched mutations can only be performed on mutated P sequence reads that are in the same minimizer group. This improves the computational efficiency of step S240.
Другими словами, один или более минимизаторов можно использовать в качестве хеш-ключей для сбора прочтений последовательности, содержащих минимизатор, в общий хэш-сегмент (в настоящем документе именуемый группой минимизатора), например, при подготовке к некоторой дополнительной обработке (например, стадии S240), проводимой на этих прочтениях последовательности.In other words, one or more minimizers can be used as hash keys to collect the reads of the sequence containing the minimizer into a common hash segment (herein referred to as the minimizer group), for example, in preparation for some additional processing (for example, step S240) held on these readings of the sequence.
Каждый минимизатор, который определяют путем применения общей минимизирующей функции min() к мутированным прочтениям Р последовательности, можно использовать для распределения мутированных прочтений Р последовательности в одну или более групп минимизаторов. В одном варианте осуществления каждый минимизатор в упорядоченном списке возможных k-меров или каждый минимизатор в предварительно заданном наборе возможных k-меров (например, каждый минимизатор в наборе мутационных минимизаторов UM или его подмножестве, например подмножестве WМ), можно использовать для целей распределения мутированных прочтений Р последовательности в одну или более групп минимизаторов.Each minimizer, which is determined by applying the general minimizing function min() to the mutated P sequence reads, can be used to allocate the mutated P sequence reads to one or more minimizer groups. In one embodiment, each minimizer in an ordered list of possible k-mers, or each minimizer in a predefined set of possible k-mers (for example, each minimizer in the set of mutational minimizers U M or a subset thereof, such as a subset of W M ), can be used for distribution purposes. mutated reads of the P sequence into one or more minimizer groups.
Стадия S224 распределения мутированных прочтений Р последовательности в одну или более групп минимизаторов может включать создание одной или более групп минимизаторов. Это может включать создание одной группы минимизатора для каждого минимизатора, определенного с помощью общей минимальной функции min(), или одной группы минимизатора для каждого минимизатора (или k-мера) в предварительно заданном наборе возможных k-меров UM или одой группы минимизатора для каждого k-мера в подмножестве WМ. Каждая группа минимизатора может быть реализована как непрерывный блок ОЗУ. Предпочтительно, чтобы коллекции минимизаторов были реализованы в виде файла на компьютерном носителе данных (таком как компьютерный диск, например вращающийся магнитный диск или твердотельный диск), позволяя каждой группе хранить большие объемы данных (что уместно в случаях анализа последовательностей).Step S224 of distributing the mutated P sequence reads into one or more minimizer groups may include creating one or more minimizer groups. This may include creating one minimizer group for each minimizer defined with the common min() function, or one minimizer group for each minimizer (or k-measure) in a predefined set of possible k-mers U M , or one minimizer group for each k-measure in subset W M . Each minimizer group can be implemented as a contiguous block of RAM. Preferably, the minimizer collections are implemented as a file on a computer storage medium (such as a computer disk, such as a spinning magnetic disk or solid state disk), allowing each group to store large amounts of data (which is appropriate in cases of sequence analysis).
Стадия S224 распределения мутированных прочтений Р последовательности в одну или более групп минимизаторов может включать сохранение мутированного прочтения ρi последовательности или указателя i, характеризующего мутированное прочтение ρi последовательности, в соответствующей группе минимизатора. Стадия S222 определения положений] одного или более соответствующих минимизаторов в каждом мутированном прочтении ρi последовательности может включать сохранение положения j соответствующего минимизатора в соответствующей группе минимизатора. Кроме того, положение α=morphomuts(ρi,VR) одной или более мутаций в каждом мутированном прочтении ρi последовательности, определенное на стадии S230 определения положений α одной или более мутаций в каждом мутированном прочтении последовательности, может храниться в соответствующей группе минимизатора. Необязательно в группе минимизатора можно хранить произвольные дополнительные значения, такие как последовательность мутированного прочтения ρi последовательности, информацию о качестве относительно точности последовательности или другую информацию, если эти данные полезны для последующей обработки. Эти значения, связанные с каждым мутированным прочтением ρi последовательности, можно хранить в виде кортежа в каждой группе минимизатора. Для условного обозначения элементы кортежа у-го элемента z-й группы минимизатора bz,y обозначены как bz,y.i, bz,y.j, и bz,y.α. Каждое мутированное прочтение ρi последовательности можно добавлять к нескольким группам минимизаторов.Step S224 of allocating mutated sequence reads P to one or more minimizer groups may include storing the mutated sequence read ρ i or an indicator i characterizing the mutated sequence read ρ i in the corresponding minimizer group. Step S222 determining positions] of one or more corresponding minimizers in each mutated read ρ i of the sequence may include storing the position j of the corresponding minimizer in the corresponding minimizer group. In addition, the position α=morphomuts(ρ i ,V R ) of one or more mutations in each mutated sequence read ρ i determined in step S230 of determining the positions α of one or more mutations in each mutated sequence read can be stored in the corresponding minimizer group. Optionally, arbitrary additional values can be stored in the minimizer group, such as the sequence of the mutated read ρ i of the sequence, quality information regarding sequence accuracy, or other information if these data are useful for subsequent processing. These values associated with each mutated read ρ i of the sequence can be stored as a tuple in each minimizer group. For convention, the elements of the tuple of the y-th element of the z-th group of the minimizer b z,y are denoted as b z,y .i, b z,y .j, and b z,y .α. Each mutated reading of the ρ i sequence can be added to several minimizer groups.
Стадия S230: положения мутацийStep S230: mutation positions
Способ 200 включает стадию S230 определения положений а одной или более мутаций в каждом мутированном прочтении ρi последовательности. Стадию S230 определения положений α одной или более мутаций в каждом мутированном прочтении ρi последовательности можно выполнять с использованием способов, не включающих выравнивания.The method 200 includes the step S230 of determining the a positions of one or more mutations in each mutated read ρ i of the sequence. Step S230 of determining the α positions of one or more mutations in each mutated sequence read ρ i can be performed using methods that do not involve alignments.
Стадия S230 определения положений α одной или более мутаций в каждом мутированном прочтении ρi последовательности может включать получение набора маскированных затравкой немутированных k-меров VR, т.е. набора k-меров немутированного прочтения R последовательности, к которому были применены один или более затравочных паттернов ψ. Получение набора маскированных затравкой немутированных k-меров VR может включать создание или генерацию набора маскированных затравкой немутированных k-меров VR. Набор маскированных затравкой немутированных k-меров VR может быть получен или создан путем применения каждого из одного или более затравочных паттернов к каждому k-меру в не содержащей мутаций последовательности, например к каждому k-меру в немутированных прочтениях последовательности. Применение затравочного паттерна к k-меру может включать определение результата побитового логического И к затравочному паттерну и (имеющему двухбитное кодирование) k-меру. Применение затравочного паттерна к k-меру приводит к получению маскированного затравкой k-мера. Набор маскированных затравкой немутированных k-меров VR может быть обозначен какStep S230 of determining the α positions of one or more mutations in each mutated sequence read ρ i may include obtaining a set of seeded unmutated k-mers V R , i. a set of k-mers of an unmutated reading R of a sequence to which one or more seed patterns ψ have been applied. Obtaining a set of seeded unmutated k-mers V R may include creating or generating a set of seeded masked unmutated k-mers V R . A set of seeded, unmutated k-mers V R can be obtained or generated by applying each of the one or more seed patterns to each k-mer in a non-mutated sequence, eg, to each k-mer in unmutated reads of the sequence. Applying the seed pattern to the k-measure may include determining the result of a bitwise logical AND to the seed pattern and the (two-bit-encoded) k-measure. Applying a seed pattern to a k-mer results in a seed-masked k-mer. The set of seed-masked unmutated k-mers V R can be denoted as
т.е. набор маскированных затравкой немутированных k-меров VR создают путем применения каждого из одного или более затравочных паттернов ψ семейства затравок ψ к каждому k-меру k(rj i) для всех (или по существу всех) положений j k-мера (т.е. от 1 до в каждом немутированном чтении ri для всех (или по существу всех) немутированных прочтений ri во множестве немутированных прочтений R последовательности.those. a set of seed-masked unmutated k-mers V R is created by applying each of one or more seed patterns ψ of the seed family ψ to each k-measure k(r j i ) for all (or substantially all) positions of the j k-mer (i.e., e. from 1 to in each unmutated read r i for all (or essentially all) unmutated reads r i in the set of unmutated reads R of the sequence.
Затравочный паттерн можно использовать для модификации способа сравнения k-меров друг с другом. Затравочный паттерн определяется как набор положений (т.е. нуклеотидов) в пределах двух k-меров, которые должны быть идентичными в обоих k-мерах, чтобы можно было считать маскированные затравкой k-меры совпадающими. Затравочный паттерн может содержать маскирующие положения и немаскирующие положения. Применение затравочных паттернов к k-меру создает маскированный затравкой k-мер, в котором позиции маскированного затравкой k-мера, соответствующие маскирующим позициям соответствующего затравочного паттерна, игнорируются при любой дополнительной обработке (такой как сравнения), тогда как позиции маскированного затравкой k-мера, соответствующие немаскирующим позициям соответствующего затравочного паттерна, не игнорируются при любой дополнительной обработке (такой как сравнения). Например, затравочный паттерн {1, 2, 4, 6, 7} требует, чтобы первое, второе, четвертое, шестое и седьмое положения (или нуклеотиды) в двух сравниваемых k-мерах k(Si) и k(Sj) были идентичны, чтобы они считались совпадающими (для k=7). Третье и пятое положения в двух k-мерах могут представлять собой произвольные нуклеотиды. Это означает, что третье и пятое положения в двух маскированных затравкой k-мерах маскированы затравочным паттерном.The seed pattern can be used to modify the way k-mers are compared to each other. A seed pattern is defined as a set of positions (ie, nucleotides) within two k-mers that must be identical in both k-mers in order for the seeded k-mers to be considered the same. The seed pattern may contain mask positions and non-mask positions. Applying seed patterns to a k-mer creates a seeded k-mer, in which the seeded k-mer positions corresponding to the masked positions of the corresponding seed pattern are ignored in any additional processing (such as comparisons), while the seeded k-mer positions are corresponding to non-masking positions of the corresponding seed pattern are not ignored by any additional processing (such as comparisons). For example, the seed pattern {1, 2, 4, 6, 7} requires that the first, second, fourth, sixth, and seventh positions (or nucleotides) in the two compared k-mers k(S i ) and k(S j ) be are identical to be considered the same (for k=7). The third and fifth positions in the two k-mers can be arbitrary nucleotides. This means that the third and fifth positions in the two seeded k-mers are masked by the seeding pattern.
Один или более затравочных паттернов необязательно могут представлять собой один или более затравочных паттернов транзиции. Это является преимуществом, в частности, когда содержащая мутации последовательность М содержит мутации типа транзиции по сравнению с не содержащей мутаций последовательностью S, т.е. каждое из множества мутированных прочтений Р последовательности содержит одну или более мутаций типа транзиции.The one or more seed patterns may optionally be one or more transition seed patterns. This is advantageous in particular when the mutated sequence M contains transition-type mutations compared to the non-mutated sequence S, ie. each of the plurality of mutated P sequence reads contains one or more transition type mutations.
Затравочный паттерн транзиции представляет собой специализированный тип затравочного паттерна, где положения делятся на три класса вместо всего двух: каждое положение должно (1) точно соответствовать, или (2) оба должны быть пуриновыми или пиримидиновыми, или (3) каждое положение должно быть любым из четырех нуклеотидов, чтобы совпадать. Затравочные паттерны транзиции являются особенно предпочтительными, когда содержащая мутации последовательность содержит мутации типа транзиции. При реализации на компьютере с использованием двухбитного кодирования нуклеотидов, предложенного выше, положение, где необходимо точное совпадение, может быть реализовано в виде битовой маски 11, в то время как положение, где разрешены только мутации типа транзиции, обозначено как 10, а положение, в котором разрешен любой нуклеотид, обозначено как 00. Затравочный паттерн {1, 2, 4, 6, 7} может быть записан как битовая маска 11110011001111. Затравочный паттерн транзиции {1, 2, 4, 6, 7} может быть записан как битовая маска 11111011101111. Два k-мера можно оценивать на совпадение путем вычисления для каждого из них результата побитового логического И для битовой маски и двухбитного кодирования k-мера и последующей проверки идентичности двух полученных маскированных затравкой k-меров. Для удобства функция, которая применяет затравочный паттерн к k-меру k(Si) путем побитового логического И, будет обозначена как функция ψ(k(Si)).A transition seed pattern is a specialized type of seed pattern where positions are divided into three classes instead of just two: each position must (1) match exactly, or (2) both must be purine or pyrimidine, or (3) each position must be any of four nucleotides to match. Transition seed patterns are particularly preferred when the mutated sequence contains transition-type mutations. When implemented on a computer using the two-bit nucleotide encoding proposed above, the position where an exact match is needed can be implemented as a bitmask of 11, while the position where only transition-type mutations are allowed is designated as 10, and the position at which any nucleotide is allowed is denoted as 00. The seed pattern {1, 2, 4, 6, 7} can be written as the bitmask 11110011001111. The transition seed pattern {1, 2, 4, 6, 7} can be written as the bitmask 11111011101111. Two k-measures can be evaluated for a match by calculating for each of them the result of a bitwise logical AND for the bitmask and two-bit encoding of the k-measure, and then checking the identity of the two seeded masked k-measures obtained. For convenience, a function that applies a seed pattern to the k-measure k(S i ) by a bitwise logical AND will be denoted as a function ψ(k(S i )).
В одном варианте осуществления один или более затравочных паттернов выбраны таким образом, что вероятность получения идентичных маскированных затравкой k-меров при применении по меньшей мере одного из одного или более затравочных паттернов к любому k-меру из множества мутированных прочтений Р последовательности (или содержащих мутации последовательностей) и соответствующему k-меру из множества немутированных прочтений R последовательности (или не содержащих мутаций последовательностей) составляет более 90%, предпочтительно более 95%, дополнительно предпочтительно более 98%, наиболее предпочтительно более 99%.In one embodiment, one or more seed patterns are selected such that the probability of obtaining identical seed masked k-mers when at least one of the one or more seed patterns is applied to any k-mer of a plurality of mutated P sequence reads (or sequences containing mutations) is ) and the corresponding k-mer of the plurality of unmutated R sequence reads (or mutated sequences) is greater than 90%, preferably greater than 95%, further preferably greater than 98%, most preferably greater than 99%.
Один или более затравочных паттернов могут составлять семейство затравочных паттернов ψ. Семейство затравочных паттернов ψ представляет собой набор из двух или более затравочных паттернов, которые при совместном использовании способны идентифицировать совпадения среди k-меров при конкретной процентной идентичности нуклеотидов с высокой вероятностью, например с вероятностью более 90%, предпочтительно более 95%, дополнительно предпочтительно более 98%, наиболее предпочтительно более 99%. Семейство затравочных паттернов ψ обозначается как набор из n различных функций для применения затравочных паттернов ψ1…ψn ∈ ψ. Вес затравочного паттерна w(ψ) определяется как количество позиций затравки, которое должно быть идентичным для того, чтобы два k-мера считались совпадающими, где w(ψ)≤k.One or more seed patterns may constitute a family of seed patterns ψ. A seed pattern family ψ is a set of two or more seed patterns that, when used together, are capable of identifying matches among k-mers at a particular percentage of nucleotide identity with a high probability, e.g., greater than 90% probability, preferably greater than 95%, further preferably greater than 98 %, most preferably more than 99%. A family of seed patterns ψ is denoted as a set of n different functions for applying seed patterns ψ 1 …ψ n ∈ ψ. The seed pattern weight w(ψ) is defined as the number of seed positions that must be identical for two k-measures to be considered the same, where w(ψ)≤k.
Для каждого мутированного прочтения последовательности стадия S230 определения положений α одной или более мутаций в каждом мутированном прочтении ρi последовательности может включать применение каждого из одного или более затравочных паттернов ψi к k-мерам (необязательно к каждому k-меру) в соответствующем мутированном прочтении ρi последовательности с получением множества маскированных затравкой мутированных k-меров. Положения одной или более мутаций могут быть определены путем идентификации одного или более положений в мутированном прочтении ρi последовательности, маскированном всеми затравочными паттернами, которые соответствуют маскированным затравкой мутированным k-мерам из множества маскированных затравкой мутированных к-меров, которые встречаются в наборе маскированных затравкой немутированных k-меров VR. Это означает, что положения, которые не являются мутациями в мутированном прочтении ρi последовательности могут быть идентифицированы как одно или более положений в мутированном прочтении ρi последовательности, которые не маскированы каким-либо из затравочных паттернов, которые соответствуют маскированным затравкой мутированным k-мерам из множества маскированных затравкой мутированных k-меров, которые существуют в наборе маскированных затравкой немутированных k-меров VR.For each mutated sequence read, step S230 of determining the positions α of one or more mutations in each mutated sequence read ρ i may include applying each of the one or more seed patterns ψ i to k-mers (optionally to each k-mer) in the corresponding mutated read ρ i sequences to obtain a set of seeded mutated k-mers. The positions of one or more mutations can be determined by identifying one or more positions in the mutated read ρ i of the sequence masked by all seed patterns that correspond to seeded mutated k-mers from the set of seeded mutated k-mers that occur in the set of primed masked unmutated k-mers. k-mers V R . This means that positions that are not mutations in the mutated read ρ i of the sequence can be identified as one or more positions in the mutated read ρ i of the sequence that are not masked by any of the seed patterns that correspond to the seed masked mutated k-mers from sets of seeded mutated k-mers that exist in the set of seeded unmutated k-mers V R .
Например, положения а одной или более мутаций каждого мутированного прочтения ρi последовательности можно определять следующим образом:For example, the positions a of one or more mutations of each mutated read ρ i of the sequence can be determined as follows:
• создание битового вектора а длиной 2L и установка начальных значений битового вектора α на 0;• creating a bit vector a of length 2L and setting the initial values of the bit vector α to 0;
• создание битового вектора b длиной 2k и установка всех начальных значений битового вектора b на 1;• creating a bit vector b of length 2k and setting all initial values of the bit vector b to 1;
• для каждого ψ ∈ Ψ и для каждого положения j в прочтении между 1 и - вычисление ψ(k(ρj i)). Если ψ(k(pj i)) ∈ VR, то присвоение α←α | (ψ(b)>>2j), где оператор | обозначает побитовый логический оператор ИЛИ, а оператор >> обозначает оператор сдвига вправо. Запрос принадлежности набора к VR может быть реализован либо точно, с использованием чего-либо подобного хеш-таблице, либо приблизительно, с использованием высокоэффективной вероятностной структуры данных, такой как фильтр Блума, фильтр коэффициентов, или аналогичного подхода.• for every ψ ∈ Ψ and for every position j in reading between 1 and - calculation of ψ(k(ρ j i )). If ψ(k(p j i )) ∈ V R , then the assignment α←α | (ψ(b)>>2j), where the operator | stands for the bitwise logical OR operator, and the >> operator stands for the right shift operator. Querying whether a set belongs to a V R can be implemented either exactly, using something like a hash table, or approximately, using a high-performance probabilistic data structure such as a Bloom filter, a coefficient filter, or a similar approach.
• Необязательно для простоты дальнейшей обработки преобразование битового вектора а из длины двоичного двухбитного кодирования мутированного прочтения последовательности в длину самого мутированного прочтения последовательности, путем удаления нечетных позиций, например α←{α2,α4,α6,…α2L}.• Optionally, for ease of further processing, converting the bit vector a from the length of the binary two-bit encoding of the mutated sequence read to the length of the mutated sequence read itself, by removing odd positions, eg α←{α2,α4,α6,…α2L}.
• Необязательно для простоты дальнейшей обработки применение операции логического НЕ к битам, так что значение 1 представляет собой положения, для которых не было обнаружено совпадений с затравкой.• Optionally, for ease of further processing, apply a logical NOT operation to the bits, so that a value of 1 represents positions for which no match was found with the seed.
Результатом вышеописанной процедуры будет битовый вектор α, где каждое положение, содержащее 1, с высокой вероятностью соответствует положению мутации. Для условного обозначения функция, которая вычисляет битовый вектор α для мутированного прочтения ρi последовательности, обозначена как α=morphomuts(ρi,YR).The result of the above procedure will be a bit vector α, where each position containing 1, with a high probability corresponds to the position of the mutation. For convention, the function that calculates the bit vector α for the mutated read ρ i of the sequence is denoted as α=morphomuts(ρ i ,Y R ).
На Фиг. 3 показан пример, иллюстрирующий, как битовый вектор α может быть получен для примера мутированного прочтения ρ=ACGCAAAGCGCTACGAGCGACTGATATT последовательности с использованием одного затравочного паттерна ψ=1110110011. 4-е, 8-е, 11-е, 12-е и 16-е положения мутированного прочтения ρ последовательности соответствуют мутациям в мутированном прочтении ρ последовательности, т.е. нуклеотиды в этих положениях в не содержащей мутаций последовательности будут отличаться. На практике мутированное прочтение ρ последовательности может быть закодировано в двухбитном двоичном формате, и каждое положение затравочного паттерна ψ может покрывать два бита (т.е. каждая 1 в затравочном паттерне ψ будет реализована в виде двух двоичных 1, а каждый 0 в затравочном паттерне будет реализован в виде двоичного 00 или двоичного 10). Набор маскированных затравкой немутированных k-меров VR был получен ранее в этом примере.On FIG. 3 shows an example illustrating how a bit vector α can be obtained for an example of a mutated read ρ=ACGCAAAGCGCTACGAGCGACTGATATT sequence using a single seed pattern ψ=1110110011. The 4th, 8th, 11th, 12th, and 16th positions of the mutated reading of the ρ sequence correspond to mutations in the mutated reading of the ρ sequence, i.e. the nucleotides at these positions in a mutation-free sequence will be different. In practice, a mutated reading ρ of a sequence can be encoded in a two-bit binary format, and each position of the seed pattern ψ can cover two bits (i.e., each 1 in the seed pattern ψ will be realized as two binary 1s, and each 0 in the seed pattern will be implemented as binary 00 or binary 10). A set of seeded, unmutated V R k-mers was generated earlier in this example.
Как показано в примере, показанном на Фиг. 3, затравочные паттерны применяют к каждому k-меру в мутированном прочтении ρ последовательности, таким образом формируя один маскированный затравкой k-мер для каждого k-мера в мутированном прочтении ρ последовательности. Затем проверяют, существует ли маскированный затравкой k-мер в наборе маскированных затравкой не мутированных k-меров VR. В показанном примере все из 1-го, 5-го, 13-го, 17-го, 18-го и 19-го маскированных затравкой k-меров встречаются в наборе маскированных затравкой не мутированных k-меров VR. Эти маскированные затравкой k-меры не содержат позиций мутации, не маскированных затравочным паттерном.As shown in the example shown in FIG. 3, seeding patterns are applied to each k-mer in the mutated reading of the ρ sequence, thus generating one seeded k-mer for each k-mer in the mutated reading of the ρ sequence. It is then checked whether the seeded k-mers exist in the set of seeded non-mutated k-mers V R . In the example shown, all of the 1st, 5th, 13th, 17th, 18th, and 19th seeded k-mers occur in the set of seeded non-mutated k-mers V R . These seeded k-mers do not contain mutation positions not masked by the seeding pattern.
Затем 1-й, 5-й, 13-й, 17-й, 18-й и 19-й маскированные затравкой k-меры используют для идентификации позиций, которые маскированы всеми затравочными паттернами, соответствующими этим маскированным затравкой k-мерам. 4-е положение мутированного прочтения ρ последовательности маскировано всеми этими затравочными паттернами, указывая на то, что 4-е положение мутированного прочтения ρ последовательности игнорируется при обработке 13-го, 17-го, 18-го и 19-го маскированных затравками k-меров, т.е. 4-е положение мутированного прочтения ρ последовательности маскируется затравочным паттерном для 13-го, 17-го, 18-го и 19-го маскированных затравкой k-меров. Ни один из этих затравочных паттернов не маскирует 4-е положение мутированного прочтения ρ последовательности. Таким образом, 4-е положение мутированного прочтения ρ последовательности идентифицируется как положение мутации. Напротив, хотя 7-е положение мутированного прочтения ρ последовательности маскируется всеми затравочными паттернами, соответствующими 1-му, 13-му, 17-му, 18-му и 19-му маскированными затравкой k-мерам, это 7-е положение мутированного прочтения ρ последовательности не маскируется затравочным паттерном, соответствующим 5-му маскированному затравкой k-меру. Таким образом, 7-е положение мутированного прочтения ρ последовательности не идентифицируется как положение мутации. Вместо этого 7-е положение мутированного прочтения ρ последовательности идентифицируется как положение, которое не является мутацией.The 1st, 5th, 13th, 17th, 18th, and 19th seeded k-measures are then used to identify positions that are masked by all seed patterns corresponding to those seeded k-measures. The 4th position of the mutated read of the ρ sequence is masked by all these seed patterns, indicating that the 4th position of the mutated read of the ρ sequence is ignored when processing the 13th, 17th, 18th, and 19th seeded k-mers , i.e. The 4th position of the mutated reading of the ρ sequence is masked by a seed pattern for the 13th, 17th, 18th, and 19th seeded k-mers. None of these seed patterns mask the 4th position of the mutated reading of the ρ sequence. Thus, the 4th position of the mutated reading of the ρ sequence is identified as the mutation position. On the contrary, although the 7th position of the mutated reading of the ρ sequence is masked by all seed patterns corresponding to the 1st, 13th, 17th, 18th, and 19th seeded k-mers, this is the 7th position of the mutated reading of ρ sequence is not masked by a seed pattern corresponding to the 5th primed k-mer. Thus, the 7th position of the mutated reading of the ρ sequence is not identified as a mutation position. Instead, the 7th position of the mutated reading of the ρ sequence is identified as a position that is not a mutation.
По существу все затравочные паттерны, соответствующие 1-му, 5-му, 13-му, 17-му, 18-му и 19-му маскированным затравкой k-мерам комбинируют с использованием логического ИЛИ. Биты полученного битового вектора могут быть зеркально отражены (например, с использованием операции логического НЕ) для получения положений мутаций в мутированном прочтении ρ последовательности в качестве битового вектора α.Essentially all seed patterns corresponding to the 1st, 5th, 13th, 17th, 18th and 19th seeded k-mers are combined using a logical OR. The bits of the resulting bit vector may be mirrored (eg, using a logical NOT operation) to obtain the positions of the mutations in the mutated read ρ of the sequence as the bit vector α.
Альтернативный вариант осуществления стадии 230 с использованием эталонной сборкиAlternative implementation of step 230 using a reference assembly
В описанном выше варианте осуществления стадию 230 определения положений α одной или более мутаций в каждом мутированном прочтении ρi последовательности выполняют с использованием множества мутированных прочтений Р последовательности и множества немутированных прочтений R последовательности на основании применения затравочных паттернов к каждому мутированному прочтению ρi последовательности.In the embodiment described above, step 230 of determining the positions α of one or more mutations in each mutated sequence read ρ i is performed using a plurality of mutated sequence reads P and a plurality of unmutated R sequence reads based on the application of seed patterns to each mutated sequence read ρ i .
В больших и сложных геномах, таких как геном человека, значительная часть генома состоит из повторяющихся последовательностей. Например, считается, что более половины генома человека является частью повторяющихся последовательностей. Эти повторяющиеся последовательности классифицируются в «семейства» сходных повторяющихся последовательностей. Наиболее распространенным в геноме человека является семейство Alu коротких диспергированных ядерных элементов (SINE), которое имеет длину около 300 нт и присутствует в приблизительно 1 миллионе копий. Другим распространенным семейством является семейство L1 длинных диспергированных ядерных элементов (LINE) с размером элементов в диапазоне от 1 до 6,5 т.п.н. и с числом копий около 10000.In large and complex genomes, such as the human genome, a significant portion of the genome is made up of repetitive sequences. For example, more than half of the human genome is thought to be part of repetitive sequences. These repeat sequences are classified into "families" of similar repeat sequences. The most abundant in the human genome is the Alu family of short dispersed nuclear elements (SINEs), which are about 300 nt long and present in approximately 1 million copies. Another common family is the L1 family of long dispersed nuclear elements (LINEs) with element sizes ranging from 1 to 6.5 kb. and with a number of copies of about 10,000.
Различные копии повторяющихся последовательностей в геноме могут быть неидентичными, например, они содержат различия в одиночных основаниях. Из-за биологии мутации эти различия часто являются различиями типа транзиции. В некоторых ситуациях эти различия могут выглядеть аналогично различиям, обусловленным введением мутаций между множеством мутированных прочтений Р последовательности и множеством немутированных прочтений R последовательности. Это особенно актуально для некоторых полимеразных подходов к мутагенезу, применяемых для введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени в рамках получения множества мутированных прочтений Р последовательности, поскольку при этом часто вводят мутации типа транзиции.Different copies of repeating sequences in the genome may not be identical, for example, they contain differences in single bases. Because of the biology of the mutation, these differences are often transition type differences. In some situations, these differences may look similar to differences due to the introduction of mutations between a set of mutated P sequence reads and a set of unmutated R sequence reads. This is especially true for some polymerase mutagenesis approaches used to introduce mutations in at least one template target nucleic acid molecule in the context of generating multiple mutated P sequence reads, as transitional type mutations are often introduced.
В результате множество немутированных прочтений R последовательности может содержать большое количество k-меров, которые отличаются друг от друга только некоторым числом различий типа транзиции. Следовательно, множество мутированных прочтений Р последовательности может включать один или более k-меров, которые идентичны k-мерам множества немутированных прочтений R последовательности, несмотря на наличие мутаций по сравнению с немутированными R прочтениями последовательности. В некоторых ситуациях возможно, что естественные различия между различными копиями повторяющейся последовательности в различных немутированных прочтениях ri последовательности будут частично «маскировать» мутации, введенные в множество мутированных прочтений Р последовательности. Это особенно выражено в отношении SINE из семейств Alu.As a result, the set of unmutated reads of the R sequence may contain a large number of k-mers that differ from each other only by a certain number of differences in the type of transition. Therefore, the set of mutated P sequence reads may include one or more k-mers that are identical to the k-mers of the set of unmutated R sequence reads, despite the presence of mutations compared to the unmutated R sequence reads. In some situations, it is possible that natural differences between different copies of the repeat sequence in different unmutated reads of the r i sequence will partially "mask" mutations introduced into multiple mutated reads of the P sequence. This is especially pronounced for SINEs from the Alu families.
Таким образом, было бы предпочтительно, если бы в подобных ситуациях был предложен вариант осуществления способа, позволяющий лучше отличать намеренно введенные мутации от природных различий между копиями повторяющихся последовательностей.Thus, it would be preferable if, in such situations, an embodiment of the method were provided to better distinguish intentionally introduced mutations from natural differences between copies of repeating sequences.
Первый подход к улучшению способности способа отличать намеренно введенные мутации от природных различий между копиями повторяющихся последовательностей заключается в использовании затравочных паттернов с гораздо более высокой массой, так чтобы мутированные маскированные затравкой k-меры с большей вероятностью включали одну или более позиций, содержащих различие, отличающее копии повторяющейся последовательности. В одном варианте осуществления, который задействует первый подход, масса w(ψ) каждого затравочного паттерна ψ находится в диапазоне от 50 до 100, предпочтительно в диапазоне от 70 до 90. Для генома человека для первого подхода будет достаточной масса приблизительно 80.A first approach to improving the ability of the method to distinguish intentionally introduced mutations from natural differences between copies of repeat sequences is to use seed patterns with a much higher mass, so that mutated primed-masked k-mers are more likely to include one or more positions containing a difference that distinguishes copies repeating sequence. In one embodiment that employs the first approach, the mass w(ψ) of each seed pattern ψ is in the range of 50 to 100, preferably in the range of 70 to 90. For the human genome, a mass of approximately 80 will suffice for the first approach.
Однако первый подход не может быть идеальным во всех случаях. Затравочный паттерн с массой 80 будет очень длинным, вероятно, более длинным, чем типичная длина мутированного прочтения ρi последовательности. Кроме того, размер семейства Ψ затравочных паттернов, необходимый для обеспечения высокой чувствительности, может стать очень большим, что требует значительных дополнительных вычислительных ресурсов для обработки всех затравочных паттернов. Наконец, будет расти вероятность покрытия затравочным паттерном ошибки вставки-делеции, и для адаптации к возможности ошибок вставки-делеции потребуется дополнительная алгоритмическая сложность. Таким образом, в некоторых обстоятельствах этот первый подход может не быть предпочтительным.However, the first approach may not be ideal in all cases. A seed pattern with a mass of 80 will be very long, probably longer than the typical length of a mutated read ρ i of the sequence. In addition, the family size Ψ of seed patterns required to provide high sensitivity can become very large, which requires significant additional computing resources to process all seed patterns. Finally, the probability of insertion-deletion error coverage by the seeding pattern will increase, and additional algorithmic complexity will be required to adapt to the possibility of insertion-deletion errors. Thus, in some circumstances this first approach may not be preferred.
Второй подход к улучшению способности способа отличать намеренно введенные мутации от природных различий между копиями повторяющихся последовательностей заключается в использовании подхода на основе выравнивания (или сопоставления) множества мутированных прочтений Р последовательности с эталонной сборкой (или эталонным геномом). Эталонная сборка может быть либо сгенерирована независимо, как, например, геном человека hg38, полученный Консорциумом референсного генома (GRC), или может представлять собой сборку de-novo на основании множества немутированных прочтений R последовательности. Для одного или более мутированных прочтении последовательности во втором подходе стадия определения положений одной или более мутаций в каждом мутированном прочтении последовательности включает выравнивание соответствующих мутированных прочтений последовательности с эталонной сборкой.A second approach to improving the ability of a method to distinguish intentionally introduced mutations from natural differences between copies of repeat sequences is to use an approach based on aligning (or matching) multiple mutated P sequence reads with a reference assembly (or reference genome). The reference assembly can either be independently generated, such as the human hg38 genome generated by the Reference Genome Consortium (GRC), or can be a de-novo assembly based on multiple unmutated R sequence reads. For one or more mutated sequence reads in the second approach, the step of determining the positions of one or more mutations in each mutated sequence read comprises aligning the corresponding mutated sequence reads with a reference assembly.
Этот подход может быть особенно подходящим, когда мутированные прочтения ρi последовательности представляют собой прочтения последовательности со спаренными концами. Преимущество выравнивания мутированных прочтений последовательности со спаренными концами с эталонной сборкой, в частности, применительно к повторам SINE, состоит в том, что размер фрагмента в библиотеке коротких прочтений метода дробовика, как правило, больше длины повторяющихся последовательностей. Типичный размер фрагмента при секвенировании спаренных концов составляет 400 600 п.н., при этом около 150 п.н. секвенированы с каждого конца фрагмента. Таким образом, если одно прочтение последовательности со спаренными концами из пары прочтений последовательности со спаренными концами приходится на повторяющуюся последовательность, то другое из прочтений последовательности со спаренными концами в паре прочтений последовательности со спаренными концами, вероятно, придется на уникальную последовательность за пределами повторяющейся последовательности. Таким образом, стандартная программа выравнивания спаренных концов (например, выравниватель Барроуза-Уилера, такой как BWA-MEM) способна надежно совместить пару прочтений последовательности со спаренными концами с правильным местом в эталонной сборке, включая правильную копию повторяющейся последовательности. Затем можно регистрировать положения любых различий между выравненными мутированными прочтениями ρi последовательности и эталонной сборкой и сохранять их в битовой матрице α, аналогичной той, которая получена с использованием подхода, основанного на применении затравочных паттернов к каждому мутированному прочтению ρi последовательности. Таким образом, определение положений одной или более мутаций в соответствующем мутированном прочтении последовательности обеспечивают путем идентификации в соответствующем мутированном прочтении последовательности положений различий между соответствующим мутированным прочтением последовательности и эталонной сборкой.This approach may be particularly suitable when the mutated ρ i sequence reads are paired-terminal sequence reads. An advantage of aligning mutated paired-ended sequence reads with a reference assembly, particularly as applied to SINE repeats, is that the fragment size in the shotgun short-read library is generally larger than the length of repeated sequences. The typical fragment size for paired-end sequencing is 400,600 bp, with about 150 bp. sequenced from each end of the fragment. Thus, if one matched-end sequence read of a pair of matched-end sequence reads falls on a repeat sequence, then another of the matched-end sequence reads of a pair of matched-end sequence reads is likely to fall on a unique sequence outside of the repeat sequence. Thus, a standard paired-end alignment program (eg, a Burrows-Wheeler alignment tool such as BWA-MEM) is able to reliably match a pair of paired-ended sequence reads to the correct location in the reference assembly, including the correct copy of the repeating sequence. The positions of any differences between the aligned mutated sequence reads ρ i and the reference assembly can then be recorded and stored in a bitmap α similar to that obtained using the seed pattern approach for each mutated sequence read ρ i . Thus, determining the positions of one or more mutations in the corresponding mutated sequence reading is accomplished by identifying, in the corresponding mutated sequence reading, position differences between the corresponding mutated sequence reading and the reference assembly.
Однако выравнивание множества мутированных прочтений Р последовательности с эталонной сборкой в некоторых ситуациях может быть не идеальным, поскольку любая указанная молекула темплатной нуклеиновой кислоты-мишени, как правило, будет иметь области, которые не представлены в эталонной сборке. Следовательно, невозможно выравнять мутированные прочтения ρi последовательности с теми областями, которые не представлены в эталонной сборке и получить битовый вектор α по различиям между выравненными мутированными прочтениям ρi последовательности и эталонной сборкой. Кроме того, области, которые не представлены в эталонной сборке, часто представляют клинический интерес, поскольку они представляют собой структурные варианты-вставки относительно эталонной сборки. В дополнение к крупным вставочным областям, любые возникающие в небольших вставках мутации относительно эталонной сборки, также будут пропущены при подходе, основанном на выравнивании множества мутированных прочтений Р последовательности с эталонной сборкой.However, aligning multiple mutated P sequence reads with a reference assembly may not be ideal in some situations, as any given template target nucleic acid molecule will typically have regions that are not represented in the reference assembly. Therefore, it is not possible to align the mutated sequence reads ρ i with those regions that are not present in the reference assembly and obtain a bit vector α from the differences between the aligned mutated sequence reads ρ i and the reference assembly. In addition, regions that are not represented in the reference assembly are often of clinical interest because they represent structural insertion variants relative to the reference assembly. In addition to the large insert regions, any mutations occurring in small inserts relative to the reference assembly will also be missed by an approach based on aligning multiple mutated P sequence reads with the reference assembly.
Таким образом, третий гибридный подход к улучшению способности способа отличать намеренно введенные мутации от природных различий между копиями повторяющихся последовательностей заключается в объединении подхода на основе выравнивания множества мутированных прочтений Р последовательности с эталонной сборкой и подхода, основанного на применении затравочных паттернов к каждому мутированному прочтению ρi последовательности. Этот третий подход может быть использован в качестве альтернативного варианта осуществления стадии 230 настоящего способа.Thus, a third hybrid approach to improving the ability of the method to distinguish intentionally introduced mutations from natural differences between copies of repeat sequences is to combine the approach based on aligning multiple mutated reads of the P sequence with a reference assembly and the approach based on applying seed patterns to each mutated read ρ i sequences. This third approach can be used as an alternative implementation of step 230 of the present method.
В третьем подходе положение одной или более мутаций в каждом мутированном прочтении последовательности определяют с использованием обоих подходов: на основе выравнивания множества мутированных прочтений Р последовательности с эталонной сборкой и на основе применения затравочных паттернов к каждому мутированному прочтению ρi последовательности. Если положение в соответствующем мутированном прочтении последовательности выравнено с эталонной сборкой, то положение в соответствующем мутированном прочтении последовательности определяется как положение мутации в соответствующем мутированном прочтении последовательности, если положение в соответствующем мутированном прочтении последовательности представляет собой положение, в котором соответствующее мутированное прочтение последовательности отличается от эталонной сборки. Если положение в соответствующем мутированном прочтении последовательности не выравнено с эталонной сборкой, то положение в соответствующем мутированном прочтении последовательности определяется как положение мутации в соответствующем мутированном прочтении последовательности, если положение в соответствующем мутированном прочтении последовательности представляет собой положение, которое маскируется всеми затравочными паттернами, которые соответствуют маскированным затравками мутированным k-мерам из множества маскированных затравками мутированных k-меров, которые встречаются в наборе маскированных затравками немутированных k-меров.In a third approach, the position of one or more mutations in each mutated sequence read is determined using both approaches: by aligning a set of mutated sequence reads P with a reference assembly, and by applying seed patterns to each mutated sequence read ρ i . If the position in the corresponding mutated sequence reading is aligned with the reference assembly, then the position in the corresponding mutated sequence reading is defined as the position of the mutation in the corresponding mutated sequence reading if the position in the corresponding mutated sequence reading is the position at which the corresponding mutated sequence reading differs from the reference assembly . If the position in the corresponding mutated sequence reading is not aligned with the reference assembly, then the position in the corresponding mutated sequence reading is defined as the position of the mutation in the corresponding mutated sequence reading if the position in the corresponding mutated sequence reading is a position that is masked by all seed patterns that match the masked seeded mutated k-mers from the set of seeded mutated k-mers that occur in the set of seeded unmutated k-mers.
Для достижения этого битовый вектор а описанного выше типа независимо получают посредством обоих подходов: основанного на выравнивании и основанного на применении затравочных паттернов. Битовый вектор из подхода, основанного на применении затравочных паттернов к каждому мутированному прочтению ρi последовательности обозначен αmmd, а битовый вектор, основанный из подхода, основанного на применении выравнивания множества мутированных прочтений Р последовательности с эталонной сборкой обозначен αmap.Также сконструирован дополнительный битовый вектор выравнивающей маски, обозначенный αamask, который регистрирует те положения каждого мутированного прочтения последовательности, которые успешно выравниваются с эталонной сборкой. Битовый вектор выравнивающей маски αamask будет иметь 1 в каждом положении, которое выравнено успешно, и 0 - в положениях, которые не были успешно выравнены с эталонной сборкой.To achieve this, a bit vector a of the type described above is independently obtained by both equalization-based and seeding-based approaches. The bit vector from the seed pattern approach to each mutated read ρ i of the sequence is denoted α mmd , and the bit vector based from the approach based on applying alignment of the set of mutated reads P of the sequence with the reference assembly is denoted α map. An additional alignment mask bit vector, denoted α amask , is also constructed, which records those positions of each mutated sequence read that successfully align with the reference assembly. The equalization mask bit vector α amask will have 1 at each position that is successfully aligned and 0 at positions that were not successfully aligned with the reference assembly.
Затем конструируют итоговый гибридный битовый вектор αhybrid, который объединяет битовый вектор из подхода на основе применения затравочных паттернов к каждому мутированному прочтению ρi последовательности, αmmd и битовый вектор из подхода, основанного на выравнивании множества мутированных прочтений Р последовательности с эталонной сборкой, αmap, следующим образом:The resulting hybrid bit vector α hybrid is then constructed, which combines the bit vector from the seeding approach to each mutated sequence read ρ i , α mmd , and the bit vector from the approach based on aligning the set of mutated reads P of the sequence with the reference assembly, α map , in the following way:
αhybrid=αmap | (α.mmd & ~ αamask)α hybrid= α map | ( α.mmd & ~ αamask )
Где | обозначает побитовый логический оператор ИЛИ, & обозначает побитовый логический оператор И, и ~ обозначает побитовый оператор НЕ.Where | denotes the bitwise logical OR operator, & denotes the bitwise logical AND operator, and ~ denotes the bitwise NOT operator.
Таким образом, в третьем подходе используют положения мутаций, определенные по выравниванию с эталонной сборкой, в тех положениях мутированного прочтения последовательности, где выравнивание было успешным, и положения мутаций, определенные путем применения затравочных паттернов, во всех других положениях. Это обеспечивает преимущество, заключающееся в возможности включения в анализ высококачественной эталонной сборки при одновременной обработке всех типов вставок относительно эталонной сборки. Выравнивание по независимой высококачественной эталонной сборке, такой как эталонный геном человека, может быть гораздо более точным, чем выравнивание по сборке из коротких чтений de novo. Использование положений мутаций, определенных по выравниванию с эталонной сборкой, может обеспечивать более точные оценки положений мутаций, особенно в областях повторяющихся последовательностей, тогда как способ без выравнивания, основанный на затравочных паттернах, может идентифицировать положения мутаций в областях, которые не представлены в эталонной сборке. Последнее может происходить без необходимости вычислять сборку, что представляет собой требовательную к вычислительным ресурсам задачу. Таким образом, гибридный подход обеспечивает улучшение точности идентификации положений мутаций и вычислительной эффективности относительно применения любого из подходов по отдельности.Thus, a third approach uses mutation positions determined by alignment with a reference assembly at positions in the mutated sequence read where the alignment was successful, and mutation positions determined by seeding patterns at all other positions. This provides the advantage of being able to include a high quality reference assembly in the analysis while processing all types of inserts relative to the reference assembly. Alignment to an independent, high quality reference assembly, such as the human genome reference, can be much more accurate than alignment to an assembly of de novo short reads. Using mutation positions determined by alignment with a master assembly can provide more accurate estimates of mutation positions, especially in regions of repetitive sequences, while a seed pattern-based method without alignment can identify mutation positions in regions that are not present in the master assembly. The latter can occur without the need to compute the assembly, which is a computationally demanding task. Thus, the hybrid approach provides improved accuracy in identifying mutation positions and computational efficiency relative to using either approach alone.
Также возможно «увеличивать» эталонную сборку вариантами и локально собранными областями из конкретной молекулы темплатной нуклеиновой кислоты-мишени с получением графа сборки, специфичного для данной молекулы темплатной нуклеиновой кислоты-мишени. Битовый вектор из подхода, основанного на выравнивании множества мутированных прочтений Р последовательности с эталонной сборкой (обозначенный αmap) может быть получен по выравниванию мутированных прочтений последовательности с увеличенным графом сборки, а затем комбинирования с подходом, основанным на применении затравочных паттернов к каждому мутированному прочтению ρi последовательности для любых областей молекулы темплатной нуклеиновой кислоты-мишени, которая остается сложной для выравнивания по техническим или другим причинам.It is also possible to "augment" the reference assembly with variants and locally assembled regions from a particular template target nucleic acid molecule to obtain an assembly graph specific to that template target nucleic acid molecule. A bit vector from the approach based on aligning a set of mutated reads P of a sequence with a reference assembly (denoted α map ) can be obtained by aligning the mutated reads of a sequence with an enlarged assembly graph, and then combining with the approach based on applying seed patterns to each mutated read ρ i sequences for any regions of the template target nucleic acid molecule that remain difficult to align for technical or other reasons.
Стадии S240 и S240: определение показателя, коррелированного с вероятностью того, что два мутированных прочтения последовательности происходят от одной и той же содержащей мутации последовательностиSteps S240 and S240: determining a score correlated with the probability that two mutated sequence reads are from the same mutated sequence
Способ 200 включает стадию S240, на которой для по меньшей мере двух мутированных прочтений последовательности с общим минимизатором выполняют подсчет количества мутаций с совпадающим положением и/или с несовпадающим положением, когда соответствующие минимизаторы выравнены.The method 200 includes step S240, in which at least two mutated reads of a sequence with a common minimizer are counted by the number of matched and/or mismatched mutations when the respective minimizers are aligned.
Это может быть достигнуто путем первоначального определения разницы в положении j минимизатора, определенного на стадии S222 для каждого из двух мутированных прочтений последовательности. Например, разница в положении j минимизатора для каждого из двух мутированных прочтений ρа и ρс последовательности сохраненных в группе минимизатора в виде а=bz,y.i и с=bz,x.i может быть определена как d=bz,y.j-bz,x.j.This can be achieved by first determining the difference in position j of the minimizer determined in step S222 for each of the two mutated sequence reads. For example, the difference in position j of the minimizer for each of two mutated reads ρ a and ρ c of the sequence stored in the minimizer group as a=b z,y .i and c=b z,x .i can be defined as d=b z ,y .jb z , x .j.
Подсчет количества мутаций с совпадающими положениями может включать определение размера пересечения множеств для положений мутаций, определенных на стадии S230, когда положения мутаций, определенные для одного из двух мутированных прочтений ρх и ρу последовательности, сохраненные как bz,y и bz,x, имеют правый сдвиг d. Например, для двух мутированных прочтений ρх и ρу последовательности, сохраненных как bzy и bz,x, число мутаций с совпадающими положениями может быть определено следующим образом:Counting the number of mutations with matching positions may include determining the intersection size of the sets for the mutation positions determined in step S230 when the mutation positions determined for one of the two mutated readings ρX and ρat sequences stored as bz,y and bz,x, have a right shift d. For example, for two mutated readings ρX and ρat sequences stored as bzy and bz,x, the number of mutations with matching positions can be determined as follows:
λх,у=|Ω(bz,x.α) ∩ (Ω(bz,y.α) - d)|, где Ω(α) определяется как набор указателей положения в α, которые являются ненулевыми (т.е. набор положений мутаций в соответствующем мутированном прочтении ρi последовательности) и где Ω(bz,y.α) - d понимается как поэлементное вычитание d из Ω(bz,y.α). Пересечение множеств может быть эффективно реализовано на компьютере с использованием таких команд ЦП, как побитовый сдвиг и popcount.λ x,y =|Ω(b z,x .α) ∩ (Ω(b z,y .α) - d)|, where Ω(α) is defined as the set of position indicators in α that are non-zero (i.e., i.e., the set of mutation positions in the corresponding mutated reading ρ i of the sequence) and where Ω(b z,y .α) - d is understood as element-wise subtraction of d from Ω(b z,y .α). Set intersection can be efficiently implemented on a computer using CPU instructions such as bitwise shift and popcount.
Подсчет количества мутаций с несовпадающими положениями может включать определение размера симметричной разницы множеств для положений мутаций, определенных на стадии S230, когда положения мутаций, определенные для одного из двух мутированных прочтений ρх и ρу последовательности, сохраненные как bz,y и bz,x, имеют правый сдвиг d. Например, для двух мутированных прочтений ρх и ρу последовательности, сохраненных как bz,y и bz,x, число мутаций с несовпадающими положениями может быть определено следующим образом:Counting the number of mutations with mismatched positions may include determining the size of the symmetrical set difference for the mutation positions determined in step S230, when the mutation positions determined for one of the two mutated sequence reads ρ x and ρ y , stored as b z, y and b z, x , have a right shift d. For example, for two mutated reads ρ x and ρ y of the sequence, stored as b z, y and b z, x , the number of mutations with mismatches can be determined as follows:
δх,у=|(Ω(bz,х.α) \ (Ω(bz,y.α) - d))∪ ((Ω(bz,y.α) - d) \ Ω(bz,x.α))|.δ x,y =|(Ω(b z,x .α) \ (Ω(b z,y .α) - d))∪ ((Ω(b z,y .α) - d) \ Ω(b z,x .α))|.
Стадия S242 определения показателя, коррелированного с вероятностью того, что по меньшей мере два мутированных прочтения последовательности происходят от одной и той же содержащей мутации последовательности, может быть основана на количестве мутаций с совпадающим положением λх,у и/или с несовпадающим положением δx,У. В одном варианте осуществления показатель, коррелированный с вероятностью того, что по меньшей мере два мутированных прочтения последовательности происходят от одной и той же содержащей мутации последовательности, соответствует количеству мутаций с совпадающим положением λx,y. Чем выше количество мутаций с совпадающими положениями λx,y, тем выше вероятность того, что по меньшей мере два мутированных прочтения последовательности происходят от одной и той же содержащей мутации последовательности. В альтернативном варианте осуществления показатель, коррелированный с вероятностью того, что по меньшей мере два мутированных прочтения последовательности происходят от одной и той же содержащей мутации последовательности, соответствует количеству мутаций с несовпадающим положением δx,y. Чем ниже количество мутаций с несовпадающими положениями δx,y, тем выше вероятность того, что по меньшей мере два мутированных прочтения последовательности происходят от одной и той же содержащей мутации последовательности.Step S242 of determining an indicator correlated with the probability that at least two mutated sequence reads are from the same mutated sequence may be based on the number of mutations with a matching λ x,y position and/or a mismatching δ x position, U . In one embodiment, a score correlated with the probability that at least two mutated sequence reads are from the same mutated sequence corresponds to the number of mutations with the same position λ x,y . The higher the number of mutations with matching positions λ x,y , the higher the probability that at least two mutated sequence reads come from the same sequence containing the mutation. In an alternative embodiment, the score correlated with the probability that at least two mutated sequence reads are from the same mutated sequence corresponds to the number of mismatched mutations δx ,y . The lower the number of mutations with mismatched positions δ x,y , the higher the probability that at least two mutated sequence reads come from the same sequence containing the mutation.
В предпочтительном варианте осуществления указанный показатель, коррелированный с вероятностью того, что по меньшей мере два мутированных прочтения последовательности происходят от одной и той же содержащей мутации последовательности, представляет собой один из: i) плотности вероятности, что по меньшей мере два мутированных прочтения последовательности происходят от одной и той же содержащей мутации последовательности, и ii) оценочной функции, которая коррелирована с плотностью вероятности, что по меньшей мере два мутированных прочтения последовательности происходят от одной и той же содержащей мутации последовательности.In a preferred embodiment, said metric, correlated with the probability that at least two mutated sequence reads are from the same mutated sequence, is one of: i) a probability density that at least two mutated sequence reads are from the same mutated sequence, and ii) a scoring function that is correlated with a probability density that at least two mutated sequence reads are from the same mutated sequence.
Например, количество мутаций с совпадающими положениями λx,y и количество мутаций с несовпадающими положениями δx,y можно использовать для вычисления в модели плотности вероятности, что два прочтения получены от одной и той же содержащей мутации последовательности М, или оценочной функции, которая коррелирована с такой плотностью вероятности. Одна такая оценочная функция оценки представляет собой ωа,с=Δ(λx,y) - Δ(δx,y), где Δ(n)=(0,5n)(n+1) для а=bz,x.i и с=bz,y.i. Таким образом, ωа,c представляет собой балльную оценку или вес линии связи между двумя мутированными прочтениями последовательности ρа и ρс. Коллекция таких линий связи может быть получена для всех пар мутированных прочтений ρi последовательности в соответствующей группе минимизатора bz, или, если в группе минимизатора bz имеется большое количество записей, вычисление или создание отчета по линиям связи может быть ограничено случайно выбранными парами записей в группе минимизатора bz.For example, the number of mutations with matching positions λ x,y and the number of mutations with mismatches δ x,y can be used to calculate in the probability density model that two reads are from the same mutation-containing sequence M, or an estimator that is correlated with this probability density. One such evaluation function is ω a,c =Δ(λ x,y ) - Δ(δ x,y ), where Δ(n)=(0.5n)(n+1) for a=b z, x .i and c=b z,y .i. Thus, ω a, c is the score or weight of the link between two mutated sequence reads ρ a and ρ c . A collection of such links may be obtained for all pairs of mutated reads ρ i of the sequence in the corresponding minimizer group b z , or if there are a large number of entries in the b z minimizer group, calculation or reporting of the links may be limited to randomly selected pairs of records in the minimizer group b z .
Стадия S300: сборка последовательности или реконструкция последовательностиStep S300: Sequence Assembly or Sequence Reconstruction
Способ 10 может дополнительно включать стадию S300 сборки или реконструкции последовательности или по меньшей мере части последовательности, например содержащей мутации последовательности или не содержащей мутаций последовательности. Собранная или реконструированная последовательность может представлять собой содержащую мутации последовательность или не содержащую мутаций последовательность.The method 10 may further include the step S300 of assembling or reconstructing a sequence, or at least a portion of a sequence, such as a mutated sequence or a non-mutated sequence. The assembled or reconstructed sequence may be a mutated or non-mutated sequence.
Способ 200, например стадия S300 реконструкции или сборки последовательности, может включать создание ненаправленного взвешенного графа из множества мутированных прочтений последовательности. Ненаправленный взвешенный граф содержит узлы, соответствующие множеству мутированных прочтений последовательности. Например, каждый узел может соответствовать соответствующему мутированному прочтению последовательности в том смысле, что он представлен указателем i прочтения соответствующего мутированного прочтения последовательности или последовательностью соответствующего мутированного прочтения последовательности. Ребра между узлами ассоциированы с соответствующими весовыми значениями ребер, причем вес каждого ребра может быть определен на основании количества мутаций с совпадающим положением и/или с несовпадающим положением, определенным для двух мутированных прочтений последовательности, соответствующих двум узлам, связанным с соответствующим ребром. Вес каждого ребра может соответствовать показателю, коррелированному с вероятностью того, что по меньшей мере два мутированных прочтения последовательности (т.е. два мутированных прочтения последовательности, соответствующие узлам, связанным с ребром, ассоциированным с весом ребра) происходят от одной и той же содержащей мутации последовательности. Таким образом, вес ребра, соединяющего два мутированных прочтения последовательности (узлы), представляет вероятность того, что эти два мутированных прочтения последовательности были получены от одной и той же содержащей мутации последовательности, или какую-либо другую произвольную функцию, которая коррелирована с этой вероятностью.Method 200, such as sequence reconstruction or assembly step S300, may include generating an undirected weighted graph from a plurality of mutated sequence reads. An undirected weighted graph contains nodes corresponding to a set of mutated sequence reads. For example, each node may correspond to a corresponding mutated sequence read in the sense that it is represented by the read pointer i of the corresponding mutated sequence read or by the sequence of the corresponding mutated sequence read. Edges between nodes are associated with respective edge weights, where the weight of each edge can be determined based on the number of match and/or mismatch mutations determined for the two mutated sequence reads corresponding to the two nodes associated with the respective edge. The weight of each edge may correspond to a score correlated with the probability that at least two mutated sequence reads (i.e., two mutated sequence reads corresponding to nodes associated with the edge associated with the edge weight) are from the same containing mutation. sequences. Thus, the weight of an edge connecting two mutated sequence reads (nodes) represents the probability that the two mutated sequence reads were derived from the same mutated sequence, or some other arbitrary function that is correlated with that probability.
Ненаправленный взвешенный граф может быть построен путем обработки каждой из групп минимизаторов последовательно или параллельно с вычислением таким образом ребер между мутированными прочтениями последовательности в каждой группе минимизатора. Вес ребра может представлять собой оценочную функцию ωа,с.An undirected weighted graph can be constructed by processing each of the minimizer groups sequentially or in parallel, thus computing the edges between the mutated sequence reads in each minimizer group. The edge weight may be an estimate function ω a,c .
Ненаправленный взвешенный граф, включающий в себя веса ребер ωа,с, затем можно использовать для обработки SAM-данных (например, мутированных прочтений последовательности), например, с использованием любых известных или неизвестных методик применения такого ненаправленного взвешенного графа для сборки последовательности. Сборка последовательности из ненаправленного взвешенного графа может включать, например, создание кластеров мутированных прочтений последовательности и сборку мутированных прочтений последовательности в каждом кластере для реконструкции темплата, соответствующего по меньшей мере части содержащей мутации последовательности.An undirected weighted graph including the edge weights ω a, c can then be used to process SAM data (e.g., mutated sequence reads), for example using any known or unknown techniques for applying such an undirected weighted graph to assemble a sequence. Assembling a sequence from an undirected weighted graph may include, for example, generating clusters of mutated sequence reads and assembling the mutated sequence reads in each cluster to reconstruct a template corresponding to at least a portion of the mutated sequence.
Например, способ 200 или стадия S300 реконструкции или сборки по меньшей мере части последовательности могут включать в себя выполнение операции кластеризации графа на ненаправленном взвешенном графе, с получением таким образом кластеров мутированных прочтений последовательности, которые, как ожидается, происходят от одной и той же содержащей мутации последовательности. Кластеризация графа может быть выполнена с использованием любого стандартного поточного алгоритма кластеризации графов, такого как кластеризация Маркова (MCL) или Infomap.В альтернативном варианте осуществления ребра ненаправленного взвешенного графа могут быть отфильтрованы по некоторому минимальному пороговому весу, а затем для представления мутированных прочтений последовательности могут быть взяты соединенные компоненты графа, которые происходят от одной и той же содержащей мутации последовательности.For example, method 200 or step S300 of reconstructing or assembling at least a portion of a sequence may include performing a graph clustering operation on an undirected weighted graph, thereby obtaining clusters of mutated sequence reads that are expected to come from the same containing mutation. sequences. Graph clustering can be done using any standard streaming graph clustering algorithm, such as Markov Clustering (MCL) or Infomap. In an alternative embodiment, the edges of an undirected weighted graph can be filtered by some minimum threshold weight, and then to represent mutated sequence reads can be the connected components of the graph are taken, which come from the same sequence containing mutations.
Стадия S300 реконструкции или сборки по меньшей мере части последовательности может дополнительно включать реконструкцию по меньшей мере части содержащей мутации последовательности путем сборки мутированных прочтений последовательности в кластеры. Например, мутированные прочтения последовательности в кластерах могут быть подвергнуты обработке методами стандартной сборки de novo для реконструкции содержащей мутации последовательности. Такие методы сборки de novo включают, например, алгоритм IDBA-UD из публикации «IDBA-UD: a de novo assembler for single-cell and metagenomic sequencing data with highly uneven depth», Peng Y et al., Bioinformatics. 2012 Jun l;28(11):1420-8. doi: 10.1093/bioinformatics/bts174. Epub 2012 Apr 11, или метод SPAdes из публикации SPAdes: A New Genome Assembly Algorithm and Its Applications to Single-Cell Sequencing", Benkevich A et al., J Comput Biol. 2012 May; 19(5): 455-477, или метод A5-miseq из публикации «A5-miseq: an updated pipeline to assemble microbial genomes from Illumina MiSeq data», Coil D et al., Bioinformatics. 2015 Feb 15;31(4):587-9. doi: 10.1093/bioinformatics/btu661. Epub 2014 Oct 22.Step S300 of reconstructing or assembling at least a portion of the sequence may further comprise reconstructing at least a portion of the mutated sequence by assembling the mutated sequence reads into clusters. For example, mutated sequence reads in clusters can be processed by de novo standard assembly techniques to reconstruct the mutated sequence. Such de novo assembly methods include, for example, the IDBA-UD algorithm from "IDBA-UD: a de novo assembler for single-cell and metagenomic sequencing data with highly uneven depth", Peng Y et al., Bioinformatics. 2012 Junl;28(11):1420-8. doi: 10.1093/bioinformatics/bts174. Epub 2012 Apr 11, or the SPAdes method from SPAdes: A New Genome Assembly Algorithm and Its Applications to Single-Cell Sequencing", Benkevich A et al., J Comput Biol. 2012 May; 19(5): 455-477, or A5-miseq method from "A5-miseq: an updated pipeline to assemble microbial genomes from Illumina MiSeq data", Coil D et al., Bioinformatics 2015 Feb 15;31(4):587-9 doi: 10.1093/bioinformatics /btu661.Epub 2014 Oct 22.
Стадия S300 реконструкции или сборки последовательности может дополнительно включать реконструкцию по меньшей мере части не содержащей мутаций последовательности с использованием коррекции ошибок на реконструированной части содержащей мутации последовательности, т.е. путем выведения наиболее вероятной не содержащей мутаций последовательности из реконструированной части содержащей мутации последовательности, с использованием множества немутированных прочтений последовательности. Способы такой коррекции ошибок включают, например, метод FMLRC из публикации «FMLRC: Hybrid long read error correction using an FM-index», Jeremy R. Wang et al., BMC Bioinformatics volume 19, Article number: 50 (2018). Например, содержащая мутации последовательность может быть подвергнута коррекции ошибок с использованием немутированных прочтений последовательности для удаления внедренных мутаций с реконструкцией таким образом участков не содержащей мутаций последовательности. Коррекция ошибок может включать, например, определение возможных наборов редактирований содержащей мутации последовательности, которые потребуются для преобразования содержащей мутации последовательности, в не содержащую мутаций последовательность, совместимую с немутированными прочтениями последовательности, определение набора редактирований, имеющих наименьший размер (т.е. содержащего наименьшие редактирования) из возможных наборов редактирований, и применение определенного набора редактирований, имеющих наименьший размер, к содержащей мутации последовательности, с получением вероятной оценки не содержащей мутаций последовательности. Части не содержащей мутаций последовательности затем могут быть собраны с использованием стандартных инструментов для сборки из длинных чтений de novo, таких как Canu, Flye или PEREGRINE, или в комбинации с короткими чтениями в R с использованием такого инструмента, как Unicycler или MaSuRCA, со сборкой таким образом не содержащей мутаций последовательности.Step S300 of reconstructing or assembling the sequence may further comprise reconstructing at least a portion of the mutated sequence using error correction on the reconstructed portion of the mutated sequence, i.e. by deriving the most likely mutant-free sequence from the reconstructed portion of the mutated sequence using a plurality of unmutated sequence reads. Techniques for such error correction include, for example, the FMLRC method from "FMLRC: Hybrid long read error correction using an FM-index", Jeremy R. Wang et al., BMC Bioinformatics volume 19, Article number: 50 (2018). For example, a mutated sequence can be subjected to error correction using unmutated sequence reads to remove introduced mutations, thereby reconstructing portions of the mutated sequence. Error correction may include, for example, determining the possible sets of edits containing mutations of the sequence that would be required to convert the containing mutations to a sequence that does not contain mutations, compatible with unmutated reads of the sequence, determining the set of edits that have the smallest size (i.e., containing the smallest edits ) of the possible edit sets, and applying the determined set of edits having the smallest size to the mutated sequence to obtain a probable estimate of the mutation-free sequence. Mutation-free sequence parts can then be assembled using standard de novo long read assembly tools such as Canu, Flye, or PEREGRINE, or in combination with short reads in R using a tool such as Unicycler or MaSuRCA, with assembly such sequence that does not contain mutations.
Обработка пулов образцовSample Pool Processing
При обработке партий образцов, содержащих множество образцов, можно вводить штрихкоды образцов в виде заданных маркерных последовательностей для каждого образца. Если пользователь способа 200 желает использовать способ на множестве образцов, при этом каждый образец содержит одну или более мутированных молекул темплатных нуклеиновых кислот-мишеней, один из возможных вариантов заключается в обработке каждого образца (например, мутанта и/или фрагмента) в лаборатории по отдельности, а затем введении штрихкодов образцов только на конечной стадии перед секвенированием. Другой альтернативный вариант заключается во введении штрихкодов образцов только на концах молекул темплатных нуклеиновых кислот-мишеней, в этом случае появляется возможность объединить все меченные штрихкодом молекулы темплатных нуклеиновых кислот-мишеней в начале процесса подготовки образца, таким образом значительно уменьшая затраты на реагенты и трудозатраты (так называемый подход с объединением образцов в пулы на ранней стадии). Таким образом, подготовка образцов может включать введение соответствующих штрихкодов образцов в концы молекул темплатных нуклеиновых кислот-мишеней в каждом образце таким образом, чтобы каждый образец содержал молекулы темплатных нуклеиновых кислот-мишеней, имеющие отличающийся штрихкод образца относительно молекул темплатных нуклеиновых кислот-мишеней в других образцах. Подготовка образцов может дополнительно включать объединение образцов в пулы с получением пула образцов, введение мутаций и необязательно фрагментацию молекул темплатных нуклеиновых кислот-мишеней в пуле образцов, а также секвенирование частей мутированных молекул темплатных нуклеиновых кислот-мишеней в пуле образцов.When processing batches of samples containing multiple samples, you can enter sample barcodes as predefined marker sequences for each sample. If a user of method 200 wishes to use the method on multiple samples, where each sample contains one or more mutated template target nucleic acid molecules, one option is to process each sample (e.g., mutant and/or fragment) separately in the laboratory, and then inserting sample barcodes only at the final stage before sequencing. Another alternative is to insert sample barcodes only at the ends of the template target nucleic acid molecules, in which case it is possible to combine all barcoded template target nucleic acid molecules at the beginning of the sample preparation process, thus significantly reducing reagent costs and labor costs (thus called the early-stage pooling approach). Thus, sample preparation may include inserting appropriate sample barcodes into the ends of template target nucleic acid molecules in each sample such that each sample contains template target nucleic acid molecules having a different sample barcode relative to template target nucleic acid molecules in other samples. . Sample preparation may further include pooling samples to form a sample pool, introducing mutations and optionally fragmenting template target nucleic acid molecules in the sample pool, and sequencing portions of the mutated template target nucleic acid molecules in the sample pool.
Однако подход с ранним объединением образцов в пулы создает дополнительную проблему при обработке данных, поскольку полученное множество мутированных прочтений Р последовательности содержит немеченную смесь мутированных Р прочтений последовательности из множества различных образцов. Образцы могут быть обработаны по отдельности для конструирования немутированных прочтений R последовательности, в этом случае немутированные прочтения R последовательности содержат множество наборов немутированных прочтений R1…Rζ последовательности, где ζ представляет собой количество образцов, обработанных в партии. Каждый набор немутированных прочтений последовательности может быть ассоциирован с соответствующим образцом. Способ 200 может включать прием немутированного прочтения R последовательности во множестве наборов немутированных прочтений R1…Rζ последовательности, причем каждый набор немутированных прочтений R1…Rζ последовательности ассоциирован с соответствующим одним или несколькими образцами.However, the early sample pooling approach creates an additional processing problem because the resulting set of mutated P sequence reads contains an unlabeled mixture of mutated P sequence reads from many different samples. Samples can be processed individually to construct unmutated R sequence reads, in which case the unmutated R sequence reads contain multiple sets of unmutated R reads1…Rζ sequence, where ζ is the number of samples processed in the batch. Each set of unmutated sequence reads may be associated with a corresponding pattern. Method 200 may include receiving an unmutated read R of a sequence in a plurality of sets of unmutated reads R1…Rζ sequences, with each set of unmutated reads R1…Rζ sequence is associated with the corresponding one or more samples.
Таким образом, каждое из множества мутированных прочтений последовательности может представлять собой подпоследовательность содержащей мутации последовательности, ассоциированной с одним из множества образцов. Каждое из множества немутированных прочтений последовательности может соответствовать подпоследовательности не содержащей мутации последовательности, ассоциированной с одним из множества образцов. Каждая содержащая мутации последовательность может содержать мутации по сравнению с соответствующей не содержащей мутаций последовательностью. Получение набора немутированных маскированных затравкой к-меров может включать получение соответствующего набора немутированных маскированных затравкой k-меров для каждого образца.Thus, each of the plurality of mutated sequence reads may be a subsequence of the mutated sequence associated with one of the plurality of patterns. Each of the plurality of unmutated sequence reads may correspond to a subsequence of the non-mutated sequence associated with one of the plurality of patterns. Each mutated sequence may contain mutations compared to the corresponding non-mutated sequence. Obtaining a set of unmutated primed masked k-mers may include obtaining a corresponding set of unmutated primed masked k-mers for each sample.
Простой подход к обработке данных из образцов ζ будет заключаться в применении способа 200 по одному разу для каждого из образцов ζ. Альтернативным подходом является расширение способа 200 таким образом, чтобы все образцы ζ можно было обрабатывать одновременно. Этого можно достигнуть в соответствии с представленным ниже описанием.A simple approach to processing data from ζ samples would be to apply method 200 once for each of the ζ samples. An alternative approach is to extend the method 200 such that all ζ samples can be processed at the same time. This can be achieved as described below.
Способ 200 (например, стадия S230) может включать создание набора битовых векторов немутированных образцов, причем для соответствующего k-мера в наборе немутированных маскированных затравкой k-меров VR каждый битовый вектор немутированного образца определяет, в каком из множества образцов соответствующий k-мер встречается (или встречается по меньшей мере х раз, где х представляет собой целое число, большее или равное 1) и в каком из множества образцов соответствующий k-мер не встречается (или встречается менее чем х раз). Набор немутированных маркированных затравкой k-меров VR может быть создан из множества немутированных k-меров способом, уже описанным выше. Множество немутированных k-меров может быть определено как объединение всех k-меров в каждом из множества образцов R1…Rζ, т.е. множество немутированных k-меров R может быть определено как R=∪R1…Rζ⋅Method 200 (e.g., step S230) may include generating a set of unmutated sample bitvectors, where for a corresponding k-mer in the set of unmutated primed masked k-mers V R , each wild-pattern bitvector determines in which of the set of samples the corresponding k-mer occurs. (or occurs at least x times, where x is an integer greater than or equal to 1) and in which of the set of samples the corresponding k-mer does not occur (or occurs less than x times). The set of unmutated primed k-mers V R can be generated from the set of unmutated k-mers in the manner already described above. The set of unmutated k-mers can be defined as the union of all k-mers in each of the set of samples R 1 …R ζ , i.e. the set of unmutated k-mers R can be defined as R=∪R 1 …R ζ ⋅
Например, способ 200 может включать определение сюръекции VR на коллекцию битовых векторов, содержащих двоичные индикаторы присутствия маскированных затравкой k-меров в каждом образце. Каждый битовый вектор может иметь 1 в положении i, если i-й образец во множестве образцов содержит k-мер (или содержит его по меньшей мере X раз), в противном случае он имеет 0 в положении i. В программном варианте реализации сюръекцию можно хранить с использованием неупорядоченной структуры данных карты, такой как хеш-карта, или структуры приблизительного запроса членства, такой как счетный фильтр с коэффициентами. Сюръекция может быть обозначена как Z: VR→ν где ν - это пространство битовых векторов длиной ζ⋅For example, method 200 may include defining a surjection V R on a collection of bit vectors containing binary indicators of the presence of seeded k-mers in each sample. Each bitvector can have a 1 at position i if the i-th sample in the sample set contains k-mers (or contains them at least X times), otherwise it has 0 at position i. In a software implementation, the surjection can be stored using an unordered map data structure, such as a hash map, or an approximate membership query structure, such as a counting filter with coefficients. The surjection can be denoted as Z: V R →ν where ν is the space of bit vectors of length ζ⋅
Стадия S230 определения положений одной или более мутаций в каждом мутированном прочтении последовательности может быть расширена для конструирования битового вектора а одновременно для множества образцов. Для каждого мутированного прочтения последовательности и для каждого набора и/или каждой комбинации наборов немутированных маскированных затравкой k-меров определение положений одной или более мутаций может включать идентификацию одного или более положений в мутированном прочтении последовательности, которые маскированы всеми затравочными паттернами, соответствующими мутированным маскированным затравкой k-мерам из множества мутированных маскированных затравкой k-меров, которые встречаются в соответствующем наборе или комбинации наборов немутированных маскированных затравкой k-меров, и связывание идентифицированного одного или более положений с одним или более образцами, ассоциированными с соответствующим набором или комбинацией наборов немутированных маскированных затравкой k-меров. Это может быть достигнуто, например, с помощью ориентированного на множество образцов варианта morphomutsMS(ρi,VR) функции morphomuts(ρi,VR), что включает следующие стадии:Step S230 of determining the positions of one or more mutations in each mutated sequence read can be extended to construct a bit vector a simultaneously for multiple samples. For each mutated sequence read, and for each set and/or each combination of sets of unmutated primed masked k-mers, determining the positions of one or more mutations may include identifying one or more positions in the mutated sequence read that are masked by all seed patterns corresponding to the mutated primed masked k -mers from a set of mutated primed masked k-mers that occur in the corresponding set or combination of sets of unmutated primed masked k-mers, and associating the identified one or more positions with one or more patterns associated with the corresponding set or combination of sets of unmutated primed k-mers -mers. This can be achieved, for example, with the multi-sample oriented variant morphomutsMS(ρ i ,V R ) of the function morphomuts(ρ i ,V R ), which includes the following steps:
1. Инициализация набора А битовых векторов а одним исходным битовым вектором а0 длиной 2, содержащим только биты 0; инициализация битового вектора b длиной 2k, содержащего только биты 1; инициализация набора С битовых векторов одним исходным элементом с0 длиной ζ, содержащим только биты 1; инициализация сопоставления Г: 1. Initialization of the set A of bit vectors a with one initial bit vector a 0 of length 2, containing only bits 0; initialization of bit vector b of length 2k containing only bits 1; initialization of the set C of bit vectors with one initial element with 0 of length ζ, containing only bits 1; mapping initialization G:
2. Для каждого положения j в прочтении между 2. For each position j in reading between
a. Для каждого затравочного паттерна определить ψ(k(ρj i))a. For each seed pattern determine ψ(k(ρ j i ))
b. Если , выполнить следующие стадии:b. If , perform the following steps:
i. Для каждого элемента с (т.е. для каждого ) вычислить d←c∧Z(ψ(k(ρj i));i. For each element with (i.e. for each ) calculate d←c∧Z(ψ(k(ρ j i ));
ii. Если d содержит только биты 0, то вернуться к 2b.i для обработки следующего элемента С (или, если их более нет, для обработки следующего затравочного паттерна, или следующего положения j), в противном случае продолжать с 2b.iii;ii. If d contains only 0 bits, then return to 2b.i to process the next C element (or, if there are no more, to process the next seed pattern, or the next position j), otherwise continue with 2b.iii;
iii. присвоить α←Г(с) | (ψ(b)>>2j), где | означает побитовое логическое ИЛИ и >> означает оператор битового сдвига вправо, и удалить с из С;iii. assign α←Г(с) | (ψ(b)>>2j), where | means bitwise logical OR and >> means bitwise right shift operator, and remove c from C;
iv. Прибавить d к С и α к А и определить сопоставление d→а в Г;iv. Add d to C and α to A and determine the juxtaposition d→a in D;
v. Если не равно нулю, то прибавить к С и Г(с) к А и определить сопоставление v. If not equal to zero, then add to C and G(c) to A and define the mapping
vi. вернуться к 2b.i для обработки следующего элемента с из С. Если в С больше нет с, возврат к 2а для обработки следующего затравочного паттерна ψ⋅ Если в Ψ больше нет ψ, возврат к 2 для обработки следующего положения j. В противном случае продолжить с 3, иначе:vi. return to 2b.i to process the next element c from C. If there is no more c in C, return to 2a to process the next seed pattern ψ⋅ If there is no more ψ in Ψ, return to 2 to process the next position j. Otherwise, continue with 3, otherwise:
3. Преобразовать битовые векторы в А с использованием трансформации, применяемой для создания α в функции morphomuts(⋅); и3. Convert the bit vectors to A using the transformation applied to create α in the morphomuts(⋅) function; And
4. Вернуть С, А и сопоставление Г как результат функции.4. Return C, A, and match D as the result of the function.
Необязательно, если в битовом векторе А слишком мало совпадающих положений (например, меньше заданного числа у, где у представляет собой целое число, большее или равное 1, предпочтительно большее или равное 2, 3, 4 или 5), соответствующие записи в С и А могут быть отброшены. Это является преимуществом, поскольку такие записи могут появляться из-за случайного сходства между входными образцами, и, таким образом, полученные битовые векторы являются результатом ошибочных совпадений с неверным образцом. Путем отбрасывания этих положений перед дальнейшей обработкой можно избежать ненужных вычислений. Способ 200 может включать сравнение количества идентифицированных положений с предварительно заданным числом у, где у представляет собой целое число, которое больше или равно 1, предпочтительно, больше или равно 2, и если количество идентифицированных положений меньше предварительно заданного числа у, отбрасывание (или игнорирование при дальнейшей обработке) идентифицированного одного или более положений и ассоциации идентифицированного одного или более положений с одним или более образцами.Optionally, if there are too few matching positions in bitvector A (e.g., less than a given number y, where y is an integer greater than or equal to 1, preferably greater than or equal to 2, 3, 4, or 5), corresponding entries in C and A may be discarded. This is advantageous because such entries may appear due to random similarities between input patterns, and thus the resulting bit vectors are the result of false matches with a bad pattern. By discarding these positions before further processing, unnecessary calculations can be avoided. The method 200 may include comparing the number of identified positions to a predetermined number y, where y is an integer greater than or equal to 1, preferably greater than or equal to 2, and if the number of identified positions is less than the predetermined number y, discarding (or ignoring if further processing) of the identified one or more positions and the association of the identified one or more positions with one or more samples.
Кортежи, которые хранятся в группах минимизаторов, могут быть расширены путем включения информации о битовом векторе образца в С. В частности, хранящийся кортеж может представлять собой показатель i чтения, положение j минимизатора в мутированном прочтении последовательности, а также с и α, где с представляет собой битовый вектор образцов, а α представляет собой битовый вектор мутаций, вычисленный функцией morphomutsMS(pi,VR).Tuples that are stored in minimizer groups can be extended to include information about the bit vector of the pattern in C. In particular, the stored tuple can be the read score i, the position j of the minimizer in the mutated sequence read, and c and α, where c represents is a bit vector of samples, and α is a bit vector of mutations calculated by the function morphomutsMS(p i ,V R ).
Впоследствии при обработке групп минимизаторов для вычисления весов ребер к каждому значению веса ребра может быть добавлена аннотация с соответствующим набором образцов. Если побитовое логическое И для битовых векторов образцов, связанных с парой мутированных прочтений последовательности, дает нуль, то соответствующее ребро может быть отброшено. Если балльная оценка ребра меньше предварительно заданного порогового значения балльной оценки, ребро может быть отброшено. Когда между парой мутированных прочтений последовательности имеется несколько возможных ребер, становится возможным сохранить только самый высокий вес ребра, и ассоциированный набор битовых векторов для этого ребра можно вычислять побитовым логическим И для битовых векторов образцов. Этот подход имеет преимущество, заключающееся в том, что естественную вариацию последовательностей в различных образцах можно отличить от мутаций, введенных во время обработки образца. Стадию S240 подсчета числа мутаций с совпадающим положением и/или несовпадающим положением при выравнивании минимизаторов двух мутированных прочтений последовательности можно выполнять для любой пары из одного или более положений мутаций, идентифицированных для двух мутированных прочтений последовательности, только если существует перекрытие в образцах, ассоциированных с соответствующей парой из одного или более положений мутаций, идентифицированных для двух мутированных прочтений последовательности, т.е. только если пара из одного или более положений мутаций, идентифицированных для двух мутированных прочтений последовательности, ассоциирована с по меньшей мере одним общим образцом.Subsequently, when processing groups of minimizers to calculate edge weights, each edge weight can be annotated with the corresponding set of samples. If the bitwise AND of the pattern bitvectors associated with a pair of mutated sequence reads is zero, then the corresponding edge may be discarded. If the edge score is less than a predefined threshold score value, the edge may be discarded. When there are multiple possible edges between a pair of mutated sequence reads, it becomes possible to store only the highest edge weight, and the associated set of bitvectors for that edge can be computed by bitwise ANDing the sample bitvectors. This approach has the advantage that natural sequence variation in different samples can be distinguished from mutations introduced during sample processing. The step S240 of counting the number of matched and/or mismatched mutations in aligning the minimizers of the two mutated sequence reads may be performed on any pair of one or more mutation positions identified for the two mutated sequence reads only if there is overlap in the patterns associated with the respective pair. from one or more mutation positions identified for two mutated sequence reads, i.e. only if a pair of one or more mutation positions identified for two mutated sequence reads is associated with at least one common pattern.
Если метку образца содержат только концы мутированных молекул темплатных нуклеиновых кислот-мишеней, то некоторые из множества мутированных прочтений Р последовательности будут нести эту метку образца. В частности, мутированные прочтения последовательности, полученные в результате секвенирования концов мутированных молекул темплатной нуклеиновой кислоты-мишени, будут нести метку образца. После кластеризации мутированных прочтений последовательности становится возможным связать образцы с кластерами прочтений просто путем оценки наличия прочтений с метками образца в каждом кластере. Когда в кластере встречается только одна метка образца, связывание с образцом является простым и однозначным. Выполнение кластеризации графа ненаправленного взвешенного графа может включать ассоциирование с каждым кластером из мутированных прочтений последовательности метки образца, содержащейся в по меньшей мере одном из мутированных прочтений последовательности в соответствующем кластере.If only the ends of the mutated template target nucleic acid molecules contain the pattern tag, then some of the many mutated P sequence reads will carry the pattern tag. In particular, mutated sequence reads resulting from sequencing the ends of mutated target nucleic acid template molecules will carry the pattern label. After clustering the mutated sequence reads, it becomes possible to associate patterns with read clusters simply by evaluating the presence of pattern-tagged reads in each cluster. When only one pattern label occurs in a cluster, the association with the pattern is simple and unambiguous. Performing graph clustering of an undirected weighted graph may include associating with each cluster of mutated sequence reads a pattern label contained in at least one of the mutated sequence reads in the corresponding cluster.
Иногда в одном кластере может встретиться несколько меток образца либо из-за шума, либо из-за ошибки в процедурах секвенирования или анализа данных. В этом случае может сохраняться возможность достоверного связывания с образцом, если существует большой избыток одной метки образца по сравнению с другими метками. В тех случаях, когда однозначное связывание невозможно, может сохраняться возможность устранения неопределенности для образца путем применения процедуры полуконтролируемого разложения графа, которая разлагает кластер из нескольких образцов на ряд меньших кластеров, по одному кластеру на метку образца. Даже если кластер не содержит прочтений, несущих метку образца, все еще может быть возможно связать кластер с образцом, если большинство масок образцов, ассоциированных с соединениями между прочтениями, указывают на один образец. Выполнение кластеризации графа ненаправленного взвешенного графа может включать идентификацию в каждом кластере из мутированных прочтений последовательности одной или более меток образцов, содержащихся в мутированных прочтениях последовательности в соответствующем кластере мутированных прочтений последовательности. Каждый кластер мутированных прочтений последовательности можно ассоциировать с меткой образца, которая встречается чаще всего в мутированных прочтениях последовательности в соответствующем кластере. Необязательно, если в кластере мутированных прочтений последовательности идентифицированы две или более разных меток образцов, кластер мутированных прочтений последовательности может быть разделен на два или более кластеров, причем каждый из двух или более кластеров ассоциируется с соответствующей одной из двух или более разных меток образцов и содержит различные последовательности мутированных прочтений последовательности.Occasionally, multiple sample marks may occur in the same cluster, either due to noise or an error in the sequencing or data analysis procedures. In this case, it may still be possible to reliably bind to a sample if there is a large excess of one sample label over other labels. In cases where a one-to-one association is not possible, it may still be possible to remove the ambiguity for a sample by applying a semi-supervised graph decomposition procedure that decomposes a cluster of multiple samples into a number of smaller clusters, one cluster per sample label. Even if a cluster contains no reads bearing a pattern label, it may still be possible to associate a cluster with a pattern if most of the pattern masks associated with inter-read joins point to the same pattern. Performing graph clustering of an undirected weighted graph may include identifying, in each cluster of mutated sequence reads, one or more pattern labels contained in the mutated sequence reads in the corresponding cluster of mutated sequence reads. Each cluster of mutated sequence reads can be associated with a pattern label that occurs most frequently in the mutated sequence reads in the corresponding cluster. Optionally, if two or more different pattern marks are identified in a cluster of mutated sequence reads, the cluster of mutated sequence reads may be divided into two or more clusters, with each of the two or more clusters associated with a corresponding one of two or more different pattern marks and containing different sequences of mutated sequence reads.
Подготовка образцов и секвенированиеSample preparation and sequencing
Способ 10 определения по меньшей мере части последовательности по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени может включать секвенирование 100 областей по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени, содержащей мутации, с получением множества мутированных прочтений последовательности. Способ 10 определения по меньшей мере части последовательности по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени может дополнительно включать выполнение способа 200 определения показателя, коррелированного с вероятностью того, что два мутированных прочтения последовательности происходят от одной и той же содержащей мутации последовательности, на основе множества мутированных прочтений последовательности, полученных посредством секвенирования 100.Method 10 for determining at least a portion of the sequence of at least one template target nucleic acid molecule may include sequencing 100 regions of at least one template target nucleic acid molecule containing mutations to obtain multiple mutated sequence reads. The method 10 for determining at least a portion of the sequence of at least one template target nucleic acid molecule may further comprise performing a method 200 for determining a score correlated with the probability that two mutated sequence reads are from the same mutated sequence, based on the set mutated sequence reads obtained by sequencing 100.
Стадия секвенирования может включать:The sequencing step may include:
а) обеспечение пары образцов, причем каждый образец содержит по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени;a) providing a pair of samples, each sample containing at least one template target nucleic acid molecule;
(b) секвенирование областей по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени в первом образце из пары образцов с получением множества немутированных прочтений последовательности;(b) sequencing regions of at least one template target nucleic acid molecule in a first sample of a pair of samples to obtain multiple unmutated sequence reads;
(c) введение мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени во втором образце из пары образцов с получением по меньшей мере одной мутированной молекулы темплатной нуклеиновой кислоты-мишени;(c) introducing mutations into at least one template target nucleic acid molecule in a second sample from a pair of samples to obtain at least one mutated template target nucleic acid molecule;
(d) секвенирование областей по меньшей мере одной мутированной молекулы темплатной нуклеиновой кислоты-мишени с получением множества мутированных прочтений последовательности.(d) sequencing regions of at least one mutated template target nucleic acid molecule to obtain multiple mutated sequence reads.
В предпочтительном варианте осуществления стадия введения мутаций включает введение мутаций типа транзиции в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени во втором из пары образцов.In a preferred embodiment, the step of introducing mutations comprises introducing transition-type mutations into at least one template target nucleic acid molecule in the second of a pair of samples.
Стадия секвенирования может включать:The sequencing step may include:
(a) обеспечение множества пар образцов, причем каждая пара образцов содержит первый образец и второй образец, при этом каждый образец содержит по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени;(a) providing a plurality of sample pairs, each sample pair comprising a first sample and a second sample, each sample containing at least one template target nucleic acid molecule;
(b) введение штрихкода образца в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени из каждой пары образцов таким образом, что каждая пара образцов ассоциируется с соответствующим штрихкодом;(b) inserting a sample barcode into at least one template target nucleic acid molecule from each sample pair such that each sample pair is associated with a corresponding barcode;
(c) секвенирование областей по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени в каждом первом образце с получением множества немутированных прочтений последовательности, причем секвенирование выполняют отдельно для каждого первого образца, таким образом обеспечивая соответствующий набор немутированных прочтений последовательности для каждого первого образца;(c) sequencing regions of at least one template target nucleic acid molecule in each first sample to obtain a plurality of unmutated sequence reads, the sequencing being performed separately for each first sample, thereby providing a corresponding set of unmutated sequence reads for each first sample;
(d) объединение вторых образцов в пулы с получением пула вторых образцов;(d) pooling the second samples to form a pool of second samples;
(e) введение мутаций в молекулы темплатных нуклеиновых кислот-мишеней в пуле образцов с получением мутированных молекул темплатной нуклеиновой кислоты-мишени;(e) introducing mutations into template target nucleic acid molecules in the sample pool to produce mutated template target nucleic acid molecules;
(d) секвенирование областей мутированных молекул темплатной нуклеиновой кислоты-мишени с получением множества мутированных прочтений последовательности.(d) sequencing regions of the mutated template target nucleic acid molecules to obtain multiple mutated sequence reads.
Стадия секвенирования необязательно может дополнительно включать фрагментирование по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени в каждом первом образце после введения штрихкода образца и перед секвенированием областей по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени. Стадия секвенирования необязательно может дополнительно включать фрагментирование по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени или мутированных молекул темплатной нуклеиновой кислоты-мишени в пуле образцов перед секвенированием областей мутированных молекул темплатной нуклеиновой кислоты-мишени.The sequencing step may optionally further comprise fragmenting at least one template target nucleic acid molecule in each first sample after insertion of the sample barcode and before sequencing regions of the at least one template target nucleic acid molecule. The sequencing step may optionally further comprise fragmenting at least one template target nucleic acid molecule or mutated template target nucleic acid molecules in the sample pool prior to sequencing regions of the mutated template target nucleic acid molecules.
В способах изобретения одновременно можно секвенировать любое количество по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени. Таким образом, в одном варианте осуществления изобретения по меньшей мере одна молекула темплатной нуклеиновой кислоты-мишени содержит множество молекул темплатной нуклеиновой кислоты-мишени. По меньшей мере одна молекула темплатной нуклеиновой кислоты-мишени необязательно содержит по меньшей мере 10, по меньшей мере 20, по меньшей мере 50, по меньшей мере 100 или по меньшей мере 250 молекул темплатной нуклеиновой кислоты-мишени. По меньшей мере одна молекула темплатной нуклеиновой кислоты-мишени необязательно содержит от 10 до 1000, от 20 до 500 или от 50 до 100 молекул темплатной нуклеиновой кислоты-мишени.In the methods of the invention, any number of at least one template target nucleic acid molecule can be sequenced simultaneously. Thus, in one embodiment of the invention, at least one template target nucleic acid molecule comprises a plurality of template target nucleic acid molecules. At least one template target nucleic acid molecule optionally contains at least 10, at least 20, at least 50, at least 100, or at least 250 template target nucleic acid molecules. At least one template target nucleic acid molecule optionally contains 10 to 1000, 20 to 500, or 50 to 100 template target nucleic acid molecules.
Стадия S110: подготовка образцаStep S110: sample preparation
Поскольку первый образец из пары образцов и второй образец из пары образцов оба содержат по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени, пара образцов может быть получена из одного и того же целевого организма или взята из одного и того же исходного образца.Since the first sample of the sample pair and the second sample of the sample pair both contain at least one template target nucleic acid molecule, the sample pair can be obtained from the same target organism or taken from the same source sample.
Например, если пользователь планирует секвенировать по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени в образце, пользователь может взять пару образцов из одного и того же исходного образца. Пользователь необязательно может реплицировать эту по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени в исходном образце перед извлечением из нее пары образцов. Пользователь может планировать секвенировать различные молекулы нуклеиновых кислот конкретного организма, например E.coli. В этом случае первый образец из пары образцов может представлять собой образец E.coli из одного источника, а второй образец из пары образцов может представлять собой образец E.coli из второго источника.For example, if the user plans to sequence at least one template target nucleic acid molecule in a sample, the user may take a pair of samples from the same source sample. The user may optionally replicate the at least one template target nucleic acid molecule in the original sample before extracting a sample pair therefrom. The user may plan to sequence different nucleic acid molecules of a particular organism, such as E. coli. In this case, the first sample of the sample pair may be an E. coli sample from one source, and the second sample of the sample pair may be an E. coli sample from a second source.
Пара образцов может происходить из любого источника, который содержит или предположительно содержит по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени. Пара образцов может содержать образец молекул нуклеиновой кислоты, полученный от человека, например образец, взятый мазком с кожи пациента-человека. В альтернативном варианте осуществления пара образцов может быть получена из других источников, таких как источник воды. Такие образцы могут содержать миллиарды молекул темплатной нуклеиновых кислот. Может быть возможно секвенировать каждую из этих миллиардов молекул нуклеиновых кислот одновременно с использованием способов изобретения, и поэтому верхнего предела по количеству молекул темплатной нуклеиновой кислоты-мишени, которые можно использовать в способах изобретения, не существует.The sample pair may be from any source that contains, or is suspected to contain, at least one template target nucleic acid molecule. The sample pair may comprise a sample of nucleic acid molecules obtained from a human, such as a sample swabbed from the skin of a human patient. In an alternative embodiment, a pair of samples may be obtained from other sources, such as a water source. Such samples can contain billions of template nucleic acid molecules. It may be possible to sequence each of these billions of nucleic acid molecules simultaneously using the methods of the invention, and therefore there is no upper limit on the number of template target nucleic acid molecules that can be used in the methods of the invention.
В одном варианте осуществления может быть предусмотрено множество пар образцов. Например, может быть предусмотрено по меньшей мере 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 15, 20, 25, 50, 75, 100, 500, 1000 или 5000 пар образцов. Необязательно обеспечивают менее 10000, менее 5000, менее 1000, менее 100, менее 75, менее 50, менее 25, менее 20, менее 15, менее 11, менее 10, менее 9, менее 8, менее 7, менее 6, менее 5 или менее 4 образцов. Необязательно обеспечивают от 2 до 100, от 2 до 75, от 2 до 50, от 2 до 25, от 5 до 15 или от 7 до 15 пар образцов.In one embodiment, multiple pairs of samples may be provided. For example, at least 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 15, 20, 25, 50, 75, 100, 500, 1000, or 5000 sample pairs may be provided. Optionally provide less than 10000, less than 5000, less than 1000, less than 100, less than 75, less than 50, less than 25, less than 20, less than 15, less than 11, less than 10, less than 9, less than 8, less than 7, less than 6, less than 5 or less than 4 samples. Optionally, 2 to 100, 2 to 75, 2 to 50, 2 to 25, 5 to 15, or 7 to 15 sample pairs are provided.
При обеспечении множества пар образцов, по меньшей мере одна молекула темплатной нуклеиновой кислоты-мишени в разных парах образцов может быть помечена различными метками образца (также называемыми в настоящем документе штрихкодами). Например, если пользователь планирует обеспечить 2 пары образцов, то все или по существу все из по меньшей мере одной молекулы темплатных нуклеиновых кислот-мишеней в первой паре образцов могут быть помечены меткой А образца, а все или по существу все из по меньшей мере одной молекулы темплатных нуклеиновых кислот-мишеней во второй паре образцов могут быть помечены меткой В образца.By providing multiple sample pairs, at least one template target nucleic acid molecule in different sample pairs can be labeled with different sample marks (also referred to herein as barcodes). For example, if the user plans to provide 2 sample pairs, then all or substantially all of at least one template target nucleic acid molecule in the first sample pair may be labeled with sample label A, and all or substantially all of at least one molecule template target nucleic acids in the second pair of samples can be labeled with the label B of the sample.
В данной области известны подходящие способы амплификации по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени. Например, обычно используют ПЦР. ПЦР более подробно описана ниже под заголовком «введение мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени».Suitable methods for amplifying at least one template target nucleic acid molecule are known in the art. For example, PCR is commonly used. PCR is described in more detail below under the heading "introduction of mutations in at least one molecule of the template target nucleic acid".
Введение мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишениIntroduction of mutations into at least one molecule of the template target nucleic acid
Способ может включать стадию введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени во втором образце из пары образцов с получением по меньшей мере одной мутированной молекулы темплатной нуклеиновой кислоты-мишени.The method may include the step of introducing mutations into at least one template target nucleic acid molecule in a second sample from a pair of samples to obtain at least one mutated template target nucleic acid molecule.
Мутации могут представлять собой мутации по типу замены, мутации по типу вставки или мутации по типу делеции. Для целей настоящего изобретения термин «мутация по типу замены» следует интерпретировать как то, что нуклеотид заменен на другой нуклеотид. Например, превращение последовательности АТСС в последовательность AGCC вводит одну мутацию по типу замены. Для целей настоящего изобретения термин «мутация по типу вставки» следует интерпретировать как то, что в последовательность добавляют по меньшей мере один нуклеотид. Например, превращение последовательности АТСС в последовательность АТТСС представляет собой пример мутации по типу вставки (с вставкой дополнительного нуклеотида Т). Для целей настоящего изобретения термин «мутация по типу делеции» следует интерпретировать как то, что по меньшей мере один нуклеотид удаляют из последовательности. Например, превращение последовательности АТТСС в АТСС является примером мутации по типу делеции (с удалением нуклеотида Т). Предпочтительно мутации представляют собой мутации по типу замены.Mutations can be substitution type mutations, insertion type mutations or deletion type mutations. For the purposes of the present invention, the term "mutation by type of substitution" should be interpreted as that the nucleotide is replaced by another nucleotide. For example, converting an ATCC sequence to an AGCC sequence introduces one substitution type mutation. For the purposes of the present invention, the term "insert mutation" should be interpreted as meaning that at least one nucleotide is added to the sequence. For example, the conversion of an ATCC sequence to an ATTCC sequence is an example of an insertion-type mutation (with the insertion of an additional T nucleotide). For the purposes of the present invention, the term "deletion type mutation" should be interpreted as that at least one nucleotide is removed from the sequence. For example, the conversion of the ATTCC sequence to ATCC is an example of a deletion-type mutation (with the removal of the T nucleotide). Preferably the mutations are substitution type mutations.
Фраза «введение мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени» обозначает воздействие на по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени во втором из пары образцов условий, в которых по меньшей мере одна молекула темплатной нуклеиновой кислоты-мишени мутирует. Этого можно добиться, используя любой подходящий способ. Например, мутации могут быть введены путем химического мутагенеза и/или ферментативного мутагенеза.The phrase "introducing mutations into at least one template target nucleic acid molecule" means subjecting at least one template target nucleic acid molecule to the second of a pair of samples of conditions in which at least one template target nucleic acid molecule mutates. This can be achieved using any suitable method. For example, mutations can be introduced by chemical mutagenesis and/or enzymatic mutagenesis.
Стадия введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени необязательно приводит к мутации от 1% до 50%, от 3% до 25%, от 5% до 20% или около 8% нуклеотидов по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени. По меньшей мере одна мутированная молекула темплатной нуклеиновой кислоты-мишени необязательно содержит от 1% до 50%, от 3% до 25%, от 5% до 20% или около 8% мутаций.The step of introducing mutations into at least one template target nucleic acid molecule optionally results in a mutation of 1% to 50%, 3% to 25%, 5% to 20%, or about 8% of the nucleotides of at least one template nucleic acid molecule. target acids. At least one mutated template target nucleic acid molecule optionally contains 1% to 50%, 3% to 25%, 5% to 20%, or about 8% mutations.
Пользователь может определить, сколько мутаций введено в по меньшей мере одну мутированную молекулу темплатной нуклеиновой кислоты-мишени и/или уровень, до которого на стадии введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени вводят мутации в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени путем выполнения стадии введения мутаций в молекулу нуклеиновой кислоты с известной последовательностью, секвенируя полученную молекулу нуклеиновой кислоты и определяя процент от общего количества нуклеотидов, подвергшихся изменению по сравнению с исходной последовательностью.The user can determine how many mutations are introduced into at least one mutated template target nucleic acid molecule and/or the level to which, at the stage of introducing mutations into at least one template target nucleic acid molecule, mutations are introduced into at least one template target nucleic acid molecule. target nucleic acid by performing the step of introducing mutations into a nucleic acid molecule with a known sequence, sequencing the resulting nucleic acid molecule and determining the percentage of the total number of nucleotides that have undergone a change compared to the original sequence.
Стадия введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени необязательно приводит к мутированию по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени по существу случайным образом. По меньшей мере одна мутированная молекула темплатной нуклеиновой кислоты-мишени необязательно содержит по существу случайный рисунок мутаций.The step of introducing mutations into at least one template target nucleic acid molecule optionally results in the mutation of at least one template target nucleic acid molecule in a substantially random manner. At least one mutated template target nucleic acid molecule optionally contains a substantially random pattern of mutations.
По меньшей мере одна мутированная молекула темплатной нуклеиновой кислоты-мишени содержит по существу случайный рисунок мутаций, если она содержит мутации по всей своей длине в по существу аналогичных количествах. Например, пользователь может определить, содержит ли по меньшей мере одна мутированная молекула темплатной нуклеиновой кислоты-мишени по существу случайный рисунок мутаций, путем введения мутаций в тестовую молекулу нуклеиновой кислоты с известной последовательностью с получением мутированной тестовой молекулы нуклеиновой кислоты. Последовательность мутированной тестовой молекулы нуклеиновой кислоты можно сравнивать с молекулой тестовой нуклеиновой кислоты и определять положения каждой из мутаций. Затем пользователь может определить, встречаются ли мутации по всей длине мутированной тестовой нуклеиновой кислоты в по существу аналогичных количествах следующим образом:At least one mutated template target nucleic acid molecule contains a substantially random pattern of mutations if it contains mutations along its entire length in substantially similar amounts. For example, a user can determine whether at least one mutated template target nucleic acid molecule contains a substantially random pattern of mutations by introducing mutations into a test nucleic acid molecule with a known sequence to produce a mutated test nucleic acid molecule. The sequence of the mutated test nucleic acid molecule can be compared to the test nucleic acid molecule and the positions of each of the mutations determined. The user can then determine if mutations occur throughout the length of the mutated test nucleic acid in substantially similar numbers as follows:
(i) вычислить расстояния между каждой из мутаций;(i) calculate the distances between each of the mutations;
(ii) вычислить среднее значение для расстояний;(ii) calculate the average for the distances;
(iii) сформировать подвыборку расстояний без замены на меньшее число, например из 500 или 1000 расстояний;(iii) form a subsample of distances without substitution for a smaller number, for example from 500 or 1000 distances;
(iv) построить модельный набор из 500 или 1000 расстояний по геометрическому распределению, с получением среднего методом моментов, чтобы сопоставить с ранее полученным на наблюдаемых расстояниях; и(iv) construct a model set of 500 or 1000 geometrically distributed distances, with a moment mean to compare with that previously obtained at the observed distances; And
(v) провести тест Колмогорова-Смирнова на этих двух распределениях.(v) run the Kolmogorov-Smirnov test on these two distributions.
По меньшей мере одну мутированную молекулу темплатной нуклеиновой кислоты-мишени можно считать содержащей по существу случайный рисунок мутаций при D<0,15, D<0,2, D<0,25 или D<0,3 в зависимости от длины немутированных прочтений.At least one mutated template target nucleic acid molecule can be considered to contain a substantially random pattern of mutations at D<0.15, D<0.2, D<0.25 or D<0.3 depending on the length of unmutated reads.
Аналогичным образом на стадии введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени вводят мутацию в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени по существу случайным образом, если полученная по меньшей мере одна мутированная темплатная нуклеиновая кислота-мишень содержит по существу случайный рисунок мутаций. Определить, действительно ли на стадии введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени мутации вводят в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени по существу случайным образом, можно путем выполнения стадии введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени на тестовой нуклеиновой кислоте с известной последовательностью с получением мутированной тестовой молекулы нуклеиновой кислоты. Затем пользователь может секвенировать мутированную тестовую молекулу нуклеиновой кислоты, чтобы идентифицировать, какие мутации были введены, и определить, содержит ли мутированная молекула нуклеиновой кислоты по существу случайный рисунок мутаций.Similarly, in the step of introducing mutations into at least one template target nucleic acid molecule, a mutation is introduced into at least one template target nucleic acid molecule in a substantially random manner, if the resulting at least one mutated template target nucleic acid contains essentially random pattern of mutations. It can be determined whether, in the step of introducing mutations into at least one template target nucleic acid molecule, mutations are introduced into at least one template target nucleic acid molecule in a substantially random manner, it is possible by performing the step of introducing mutations into at least one template target nucleic acid molecule. target nucleic acid on a test nucleic acid with a known sequence to obtain a mutated test nucleic acid molecule. The user can then sequence the mutated test nucleic acid molecule to identify which mutations have been introduced and determine if the mutated nucleic acid molecule contains a substantially random pattern of mutations.
По меньшей мере одна мутированная молекула темплатной нуклеиновой кислоты-мишени необязательно содержит несмещенный рисунок мутаций. На стадии введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени необязательно вводят мутации несмещенным образом. По меньшей мере одна мутированная молекула темплатной нуклеиновой кислоты-мишени содержит несмещенный рисунок мутаций, если типы вводимых мутаций являются случайными. Если вводимые мутации представляют собой мутации по типу замены, то указанные мутации являются случайными, если вводят сходные доли А (аденозина), Т (тимина), С (цитозина) и G (гуанина). Фраза «вводят сходные доли А (аденозина), Т (тимина), С (цитозина) и G (гуанина)» означает, что количества введенных аденозиновых, тиминовых, цитозиновых и гуаниновых нуклеотидов находятся в пределах 20% друг от друга (например, 20 А-нуклеотидов, 18 Т-нуклеотидов, 24 С-нуклеотида и 22 G-нуклеотида).At least one mutated template target nucleic acid molecule optionally contains an unbiased mutation pattern. In the step of introducing mutations, at least one molecule of the template target nucleic acid is optionally mutated in an unbiased manner. At least one mutated template target nucleic acid molecule contains an unbiased mutation pattern if the types of mutations introduced are random. If the introduced mutations are substitution type mutations, then said mutations are random if similar proportions of A (adenosine), T (thymine), C (cytosine) and G (guanine) are introduced. The phrase "similar proportions of A (adenosine), T (thymine), C (cytosine), and G (guanine) are administered" means that the amounts of adenosine, thymine, cytosine, and guanine nucleotides administered are within 20% of each other (e.g., 20 A-nucleotides, 18 T-nucleotides, 24 C-nucleotides and 22 G-nucleotides).
Определить, действительно ли на стадии введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени мутации вводят в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени несмещенным образом, можно путем выполнения стадии введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени на тестовой нуклеиновой кислоте с известной последовательностью с получением мутированной тестовой молекулы нуклеиновой кислоты. Затем пользователь может секвенировать мутированную тестовую молекулу нуклеиновой кислоты, идентифицировать, какие мутации были введены, и определить, содержит ли мутированная молекула нуклеиновой кислоты несмещенный рисунок мутаций.It can be determined whether, in the step of introducing mutations into at least one template target nucleic acid molecule, mutations are introduced into at least one template target nucleic acid molecule in an unbiased manner, by performing the step of introducing mutations into at least one template target nucleic acid molecule targeting a test nucleic acid with a known sequence to produce a mutated test nucleic acid molecule. The user can then sequence the mutated test nucleic acid molecule, identify which mutations were introduced, and determine if the mutated nucleic acid molecule contains an unbiased mutation pattern.
В целом способы получения последовательности по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени могут быть использованы даже при условии, что стадия введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени вводит неравномерно распределенные мутации. Таким образом, в одном варианте осуществления по меньшей мере одна мутированная молекула темплатной нуклеиновой кислоты-мишени содержит неравномерно распределенные мутации. На стадии введения мутаций в по меньшей мере одну мутированную молекулу темплатной нуклеиновой кислоты-мишени необязательно вводят мутации, которые распределены неравномерно. Мутации считаются «неравномерно распределенными» если мутации вводятся смещенным образом, т.е. количества введенных аденозиновых, тиминовых, цитозиновых и гуаниновых нуклеотидов не находятся в пределах 20% друг от друга. Определить, действительно ли по меньшей мере одна мутированная темплатная молекула нуклеиновой кислоты-мишени содержит неравномерно распределенные мутации или на стадии введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени вводят мутации, которые распределены неравномерно, можно аналогично тому, как описано выше в отношении определения того, вводят ли мутации на стадии введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени несмещенным образом.In general, methods for obtaining the sequence of at least one template target nucleic acid molecule can be used even if the step of introducing mutations into at least one template target nucleic acid molecule introduces non-uniformly distributed mutations. Thus, in one embodiment, at least one mutated template target nucleic acid molecule contains non-uniformly distributed mutations. In the step of introducing mutations, at least one mutated template target nucleic acid molecule is optionally introduced with mutations that are unevenly distributed. Mutations are considered "unequally distributed" if the mutations are introduced in a biased manner, i.e. the amounts of adenosine, thymine, cytosine and guanine nucleotides introduced are not within 20% of each other. It can be determined whether at least one mutated template target nucleic acid molecule actually contains non-uniformly distributed mutations or whether mutations are introduced into at least one template target nucleic acid molecule at the stage of introducing mutations that are not uniformly distributed, in the same way as described above in with respect to determining whether mutations are introduced in the step of introducing mutations into at least one template target nucleic acid molecule in an unbiased manner.
Аналогичным образом способы получения последовательности по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени могут быть использованы, даже если мутированные прочтения последовательности и/или немутированные прочтения последовательности содержат неравномерно распределенные ошибки секвенирования. Таким образом, в одном варианте осуществления мутированные прочтения последовательности и/или немутированные прочтения последовательности содержат ошибки секвенирования, которые распределены неравномерно. Аналогичным образом в одном варианте осуществления стадия секвенирования областей по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени и/или секвенирования областей по меньшей мере одной мутированной молекулы темплатной нуклеиновой кислоты-мишени вводит ошибки секвенирования, которые распределены неравномерно.Similarly, methods for obtaining the sequence of at least one template target nucleic acid molecule can be used even if mutated sequence reads and/or non-mutated sequence reads contain unevenly distributed sequencing errors. Thus, in one embodiment, mutated sequence reads and/or non-mutated sequence reads contain sequencing errors that are unevenly distributed. Similarly, in one embodiment, the step of sequencing regions of at least one template target nucleic acid molecule and/or sequencing regions of at least one mutated template target nucleic acid molecule introduces sequencing errors that are unevenly distributed.
Действительно ли конкретная стадия секвенирования областей по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени и/или секвенирования областей по меньшей мере одной мутированной молекулы темплатной нуклеиновой кислоты-мишени вводит ошибки секвенирования, которые распределены неравномерно, вероятно, будет зависеть от точности секвенирующего инструмента и, вероятно, будет известно пользователю. Однако пользователь может выяснить, действительно ли стадия секвенирования областей по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени и/или секвенирования областей по меньшей мере одной мутированной молекулы темплатной нуклеиновой кислоты-мишени вводит ошибки секвенирования, которые распределены неравномерно, путем выполнения способа секвенирования на молекуле нуклеиновой кислоты с известной последовательностью и сравнения полученных прочтений последовательности с прочтениями последовательности, полученными с использованием исходной молекулы нуклеиновой кислоты с известной последовательностью. Затем пользователь может применить вероятностную функцию, описанную в примере 6, и определить значения для М и Е. Если значения Е и матричной модели неравны или по существу неравны (в пределах 10% друг от друга), то стадия секвенирования по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени вводит ошибки секвенирования, которые распределены неравномерно.Whether a particular step of sequencing regions of at least one template target nucleic acid molecule and/or sequencing regions of at least one mutated target nucleic acid molecule introduces sequencing errors that are unevenly distributed is likely to depend on the accuracy of the sequencing tool and, likely to be known to the user. However, the user can ascertain whether the step of sequencing regions of at least one template target nucleic acid molecule and/or sequencing regions of at least one mutated template target nucleic acid molecule introduces sequencing errors that are unevenly distributed by performing the sequencing method on the molecule nucleic acid with a known sequence and comparing the obtained sequence reads with sequence reads obtained using the original nucleic acid molecule with a known sequence. The user can then apply the probability function described in Example 6 and determine values for M and E. target nucleic acid introduces sequencing errors that are unevenly distributed.
Введение мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени посредством химического мутагенеза может быть достигнуто путем воздействия на по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени химическим мутагеном. Подходящие химические мутагены включают в себя митомицин С (ММС), н-метил-N-нитрозомочевину (MNU), азотистую кислоту (NA), диэпоксибутан (DEB), 1,2,7,8,-диэпоксиоктан (DEO), этилметансульфонат (EMS), метилметансульфонат (MMS), N-метил-N'-нитро-N-нитрозогуанидин (MNNG), 4-нитрохинолин-1-оксид (4-NQO), 2-метилокси-6-хлор-9(3-[этил-2-хлорэтил]-аминопропиламино)-акридиндигидрохлорид (ICR-170), 2-аминопурин (2А), бисульфит и гидроксиламин (НА). Например, когда молекулы нуклеиновых кислот подвергаются воздействию бисульфита, бисульфит дезаминирует цитозин с образованием урацила, эффективно вводя мутацию замены С-Т.The introduction of mutations into at least one template target nucleic acid molecule by chemical mutagenesis can be achieved by exposing at least one template target nucleic acid molecule to a chemical mutagen. Suitable chemical mutagens include mitomycin C (MMC), n-methyl-N-nitrosourea (MNU), nitrous acid (NA), diepoxybutane (DEB), 1,2,7,8,-diepoxyoctane (DEO), ethyl methanesulfonate ( EMS), methyl methanesulfonate (MMS), N-methyl-N'-nitro-N-nitrosoguanidine (MNNG), 4-nitroquinoline-1-oxide (4-NQO), 2-methyloxy-6-chloro-9(3-[ ethyl-2-chloroethyl]-aminopropylamino)-acridine dihydrochloride (ICR-170), 2-aminopurine (2A), bisulfite and hydroxylamine (HA). For example, when nucleic acid molecules are exposed to bisulfite, bisulfite deaminates cytosine to form uracil, effectively introducing a C-T substitution mutation.
Как отмечено выше, стадия введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени может быть осуществлена ферментативным мутагенезом. Ферментативный мутагенез необязательно осуществляют с использованием ДНК-полимеразы. Например, некоторые ДНК-полимеразы являются подверженными ошибкам (представляют собой низкоточные полимеразы), и репликация по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени с использованием подверженной ошибкам ДНК-полимеразы будет вводить мутации. Taq-полимераза является примером низкоточной полимеразы, а стадия введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени может быть осуществлена путем репликации по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени с использованием Taq-полимер азы, например, с помощью ПЦР.As noted above, the step of introducing mutations into at least one molecule of the template target nucleic acid can be carried out by enzymatic mutagenesis. Enzymatic mutagenesis is optionally carried out using DNA polymerase. For example, some DNA polymerases are error prone (low fidelity polymerases) and replication of at least one template target nucleic acid molecule using the error prone DNA polymerase will introduce mutations. Taq polymerase is an example of a low fidelity polymerase, and the step of introducing mutations into at least one molecule of the template target nucleic acid can be carried out by replicating at least one molecule of the template target nucleic acid using Taq polymerase, for example, by PCR .
ДНК-полимераза может представлять собой ДНК-полимер азу с низким смещением.The DNA polymerase may be a low bias DNA polymerase.
Если стадию введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени осуществляют с использованием ДНК-полимеразы, по меньшей мере одна молекула темплатной нуклеиновой кислоты-мишени может быть инкубирована с ДНК-полимеразой и подходящими праймерами в условиях, подходящих для того, чтобы ДНК-полимераза катализировала образование по меньшей мере одной мутированной молекулы темплатной нуклеиновой кислоты-мишени.If the step of introducing mutations into at least one template target nucleic acid molecule is carried out using a DNA polymerase, the at least one template target nucleic acid molecule can be incubated with DNA polymerase and suitable primers under conditions suitable to The DNA polymerase has catalyzed the formation of at least one mutated template target nucleic acid molecule.
Подходящие праймеры содержат короткие молекулы нуклеиновой кислоты, комплементарные областям, фланкирующим по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени или областям, фланкирующим молекулы нуклеиновой кислоты, которые комплементарны по меньшей мере одной молекуле темплатной нуклеиновой кислоты-мишени. Например, если по меньшей мере одна молекула темплатной нуклеиновой кислоты-мишени является частью хромосомы, праймеры будут комплементарны областям хромосомы непосредственно от 3' и до 3'-конца по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени и непосредственно от 5' и до 5'-конца по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени, или праймеры будут комплементарны областям хромосомы непосредственно от 3' и до 3'-конца молекулы нуклеиновой кислоты, комплементарной по меньшей мере одной молекуле темплатной нуклеиновой кислоты-мишени, и непосредственно от 5' и до 5'-конца молекулы нуклеиновой кислоты, комплементарной по меньшей мере одной молекуле темплатной нуклеиновой кислоты-мишени.Suitable primers comprise short nucleic acid molecules that are complementary to regions flanking at least one template target nucleic acid molecule or flanking regions of nucleic acid molecules that are complementary to at least one template target nucleic acid molecule. For example, if at least one template target nucleic acid molecule is part of a chromosome, the primers will be complementary to regions of the chromosome immediately 3' to 3' of at least one template target nucleic acid molecule and immediately 5' to 5 the '-terminus of at least one template target nucleic acid molecule, or the primers will be complementary to regions of the chromosome directly from the 3' to the 3'-terminus of the nucleic acid molecule complementary to at least one molecule of the template target nucleic acid, and immediately from 5 ' to the 5' end of the nucleic acid molecule complementary to at least one template target nucleic acid molecule.
Подходящие условия включают в себя температуру, при которой ДНК-полимераза может реплицировать по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени. Например, температуру от 40°С до 90°С, от 50°С до 80°С, от 60°С до 70°С или около 68°С.Suitable conditions include a temperature at which the DNA polymerase can replicate at least one molecule of the template target nucleic acid. For example, a temperature of 40°C to 90°C, 50°C to 80°C, 60°C to 70°C, or about 68°C.
Стадия введения мутаций в по меньшей мере одну молекулу нуклеиновой кислоты может включать множество циклов репликации. Например, стадия введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени предпочтительно включает:The step of introducing mutations into at least one nucleic acid molecule may include multiple cycles of replication. For example, the step of introducing mutations into at least one molecule of the template target nucleic acid preferably comprises:
i) цикл репликации по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени с получением по меньшей мере одной молекулы нуклеиновой кислоты, которая комплементарна по меньшей мере одной молекуле темплатной нуклеиновой кислоты-мишени; иi) replicating at least one template target nucleic acid molecule to produce at least one nucleic acid molecule that is complementary to at least one template target nucleic acid molecule; And
ii) цикл репликации по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени с получением реплик по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени.ii) a cycle of replication of at least one template target nucleic acid molecule to produce replicas of at least one template target nucleic acid molecule.
Стадия введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени необязательно включает по меньшей мере 2, по меньшей мере 4, по меньшей мере 6, по меньшей мере 8, по меньшей мере 10, менее 10, менее 8, около 6, от 2 до 8 или от 1 до 7 циклов репликации по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени. Пользователь может выбрать использование небольшого количества циклов репликации для снижения вероятности введения систематической ошибки амплификации.The step of introducing mutations into at least one molecule of the template target nucleic acid optionally comprises at least 2, at least 4, at least 6, at least 8, at least 10, less than 10, less than 8, about 6, 2 to 8 or 1 to 7 cycles of replication of at least one template target nucleic acid molecule. The user may choose to use a low number of replication cycles to reduce the possibility of introducing amplification bias.
Стадия введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени необязательно включает по меньшей мере 2, по меньшей мере 4, по меньшей мере 6, по меньшей мере 8, по меньшей мере 10, менее 10, менее 8, около 6, от 2 до 8 или от 1 до 7 циклов репликации при температуре от 60°С до 80°С.The step of introducing mutations into at least one molecule of the template target nucleic acid optionally comprises at least 2, at least 4, at least 6, at least 8, at least 10, less than 10, less than 8, about 6, 2 to 8 or 1 to 7 replication cycles at 60°C to 80°C.
Стадию введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени необязательно осуществляют с использованием полимеразной цепной реакции (ПЦР). ПЦР представляет собой процесс, который включает множество циклов из следующих стадий репликации молекулы нуклеиновой кислоты:The step of introducing mutations into at least one molecule of the template target nucleic acid is optionally carried out using polymerase chain reaction (PCR). PCR is a process that includes many cycles of the following steps in the replication of a nucleic acid molecule:
a) плавление;a) melting;
b) отжиг; иb) annealing; And
c) достройка и удлинение.c) completion and extension.
Молекулу нуклеиновой кислоты (например, по меньшей мере одна молекула темплатной нуклеиновой кислоты-мишени) смешивают с подходящими праймерами и полимеразой. На стадии плавления молекулу нуклеиновой кислоты нагревают до температуры выше 90°С, так чтобы молекула двухцепочечной нуклеиновой кислоты денатурировалась (разделилась на две цепи). На стадии отжига молекулу нуклеиновой кислоты охлаждают до температуры ниже 75°С, например от 55°С до 70°С, около 55°С или около 68°С, чтобы праймеры прикрепились к молекуле нуклеиновой кислоты. На стадиях достройки и удлинения молекулу нуклеиновой кислоты нагревают до температуры более 60°С, чтобы ДНК-полимераза катализировала достройку праймера - добавление нуклеотидов, комплементарных матричной цепи.The nucleic acid molecule (eg, at least one template target nucleic acid molecule) is mixed with suitable primers and a polymerase. In the melting step, the nucleic acid molecule is heated to a temperature above 90° C. so that the double-stranded nucleic acid molecule is denatured (split into two strands). In the annealing step, the nucleic acid molecule is cooled to a temperature below 75°C, for example from 55°C to 70°C, about 55°C or about 68°C, so that the primers are attached to the nucleic acid molecule. At the stages of completion and elongation, the nucleic acid molecule is heated to a temperature of more than 60°C, so that the DNA polymerase catalyzes the completion of the primer - the addition of nucleotides complementary to the template chain.
Стадия введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени необязательно включает репликацию по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени с использованием Taq-полимеразы в условиях реакции, делающих ее подверженной ошибкам. Например, стадия введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени может включать в себя ПЦР с использованием Taq-полимеразы в присутствии Mn2+, Mg2+ или неравных концентраций дНТФ (например, избытка цитозина, гуанина, аденина или тимина).The step of introducing mutations into at least one template target nucleic acid molecule optionally includes replication of at least one template target nucleic acid molecule using Taq polymerase under reaction conditions that make it error prone. For example, the step of introducing mutations into at least one molecule of the template target nucleic acid may include PCR using Taq polymerase in the presence of Mn 2+ , Mg 2+ , or unequal concentrations of dNTPs (for example, excess cytosine, guanine, adenine, or thymine ).
Стадия S120: секвенированиеStep S120: sequencing
Получение данных, содержащих немутированные прочтения последовательности и мутированные прочтения последовательностиObtaining Data Containing Unmutated Sequence Reads and Mutated Sequence Reads
Способы изобретения могут включать стадию приема мутированных прочтений последовательности и необязательно приема немутированных прочтений последовательности. Немутированные прочтения последовательности и мутированные прочтения последовательности могут быть получены из любого источника.The methods of the invention may include the step of receiving mutated sequence reads and optionally receiving unmutated sequence reads. Unmutated sequence reads and mutated sequence reads can be obtained from any source.
Немутированные прочтения последовательности необязательно получают путем секвенирования областей по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени в первом образце из пары образцов. Мутированные прочтения последовательности необязательно получают путем введения мутаций в по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени во втором образце из пары образцов с получением по меньшей мере одной мутированной молекулы темплатной нуклеиновой кислоты-мишени и секвенирования областей по меньшей мере одной мутированной молекулы темплатной нуклеиновой кислоты-мишени.Unmutated sequence reads are optionally obtained by sequencing regions of at least one template target nucleic acid molecule in the first sample of a pair of samples. Mutated sequence reads are optionally obtained by introducing mutations into at least one template target nucleic acid molecule in the second sample of a pair of samples to obtain at least one mutated template target nucleic acid molecule and sequencing regions of at least one mutated template nucleic acid molecule -targets.
Немутированные прочтения последовательности необязательно содержат последовательности областей по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени в первом образце из пары образцов, а мутированные прочтения последовательности содержат последовательности областей по меньшей мере одной мутированной темплатной нуклеиновой кислоты-мишени второго образца из пары образцов, и пара образцов была взята из одного и того же исходного образца или была получена из одного и того же организма.Unmutated sequence reads optionally comprise the region sequences of at least one template target nucleic acid molecule in the first sample of a sample pair, and the mutated sequence reads comprise the region sequences of at least one mutated template target nucleic acid of the second sample of the sample pair, and the sample pair was taken from the same original sample or was obtained from the same organism.
Секвенирование областей по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени или по меньшей мере одной мутированной молекулы темплатной нуклеиновой кислоты-мишениSequencing regions of at least one template target nucleic acid molecule or at least one mutated template target nucleic acid molecule
Способ определения последовательности по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени может включать стадию секвенирования областей по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени в первом образце из пары образцов с получением немутированных прочтений последовательности и/или стадию секвенирования по меньшей мере одной мутированной молекулы темплатной нуклеиновой кислоты-мишени с получением мутированных прочтений последовательности.The method for determining the sequence of at least one template target nucleic acid molecule may include the step of sequencing regions of at least one template target nucleic acid molecule in a first sample from a pair of samples to obtain unmutated sequence reads and/or the step of sequencing at least one mutated molecule template target nucleic acid to obtain mutated sequence reads.
Стадии секвенирования могут быть осуществлены с использованием любого способа секвенирования. Примеры возможных способов секвенирования включают в себя секвенирование по Максаму - Гилберту, секвенирование по Сэнгеру, секвенирование, включающее мостиковую амплификацию (например, мостиковую ПЦР) или любой метод высокопроизводительного секвенирования (HTS), как описано в публикациях Maxam AM, Gilbert W (February 1977), «A new method for sequencing DNA», Proc. Natl. Acad. Sci. U.S.A. 74 (2): 560-4, Sanger F, Coulson AR (May 1975), «A rapid method for determining sequences in DNA by primed synthesis with DNA polymerase)}, J. Mol. Biol. 94 (3): 441-8; и Bentley DR, Balasubramanian S, et al. (2008), ((Accurate whole human genome sequencing using reversible terminator chemistry», Nature, 456 (7218): 53-59.The sequencing steps can be performed using any sequencing method. Examples of possible sequencing methods include Maxam-Gilbert sequencing, Sanger sequencing, sequencing involving bridged amplification (e.g. bridged PCR) or any high throughput sequencing (HTS) technique as described in Maxam AM, Gilbert W (February 1977) , "A new method for sequencing DNA", Proc. Natl. Acad. sci. U.S.A. 74 (2): 560-4, Sanger F, Coulson AR (May 1975), "A rapid method for determining sequences in DNA by primed synthesis with DNA polymerase)}, J. Mol. Biol. 94(3):441-8; and Bentley DR, Balasubramanian S, et al. (2008), ((Accurate whole human genome sequencing using reversible terminator chemistry", Nature, 456 (7218): 53-59.
В типичном варианте осуществления по меньшей мере один или предпочтительно обе стадии секвенирования включают мостиковую амплификацию. Стадию мостиковой амплификации необязательно осуществляют с использованием времени достройки более 5, более 10, более 15 или более 20 секунд. Примером использования мостиковой амплификации являются секвенаторы для анализа генома Illumina. Предпочтительно применяют секвенирование спаренных концов.In a typical embodiment, at least one or preferably both sequencing steps include bridged amplification. The bridge amplification step is optionally performed using a build-in time of greater than 5, greater than 10, greater than 15, or greater than 20 seconds. An example of the use of bridging amplification are sequencers for analyzing the Illumina genome. Preferably, paired-end sequencing is used.
Стадии (i) секвенирования областей по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени в первом образце из пары образцов с получением немутированных прочтений последовательности и (ii) секвенирования по меньшей мере одной мутированной молекулы темплатной нуклеиновой кислоты-мишени с получением мутированных прочтений последовательности необязательно осуществляют с использованием одного и того же способа секвенирования.The steps of (i) sequencing regions of at least one template target nucleic acid molecule in a first sample of a pair of samples to obtain unmutated sequence reads and (ii) sequencing at least one mutated template target nucleic acid molecule to obtain mutated sequence reads are optionally performed using the same sequencing method.
Стадии (i) секвенирования областей по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени в первом образце из пары образцов с получением немутированных прочтений последовательности и (ii) секвенирования по меньшей мере одной мутированной молекулы темплатной нуклеиновой кислоты-мишени с получением мутированных прочтений последовательности необязательно осуществляют с использованием разных способов секвенирования.The steps of (i) sequencing regions of at least one template target nucleic acid molecule in a first sample of a pair of samples to obtain unmutated sequence reads and (ii) sequencing at least one mutated template target nucleic acid molecule to obtain mutated sequence reads are optionally performed using different sequencing methods.
Стадии (ii) секвенирования областей по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени в первом образце из пары образцов с получением немутированных прочтений последовательности и (ii) секвенирования по меньшей мере одной мутированной молекулы темплатной нуклеиновой кислоты-мишени с получением мутированных прочтений последовательности необязательно могут быть осуществлены с использованием более одного способа секвенирования. Например, фракция по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени в первом образце из пары образцов может быть секвенирована с использованием первого способа секвенирования, и фракция по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени в первом образце из пары образцов может быть секвенирована с использованием второго способа секвенирования. Аналогичным образом фракция по меньшей мере одной мутированной молекулы темплатной нуклеиновой кислоты-мишени может быть секвенирована с использованием первого способа секвенирования, и фракция по меньшей мере одной мутированной молекулы темплатной нуклеиновой кислоты мишени может быть секвенирована с использованием второго способа секвенирования.The steps of (ii) sequencing regions of at least one template target nucleic acid molecule in a first sample of a pair of samples to obtain unmutated sequence reads and (ii) sequencing at least one mutated template target nucleic acid molecule to obtain mutated sequence reads may optionally be be performed using more than one sequencing method. For example, a fraction of at least one template target nucleic acid molecule in a first sample of a sample pair can be sequenced using a first sequencing method, and a fraction of at least one template target nucleic acid molecule in a first sample of a sample pair can be sequenced with using the second sequencing method. Similarly, a fraction of at least one mutated template target nucleic acid molecule can be sequenced using a first sequencing method, and a fraction of at least one mutated template target nucleic acid molecule can be sequenced using a second sequencing method.
Стадии (i) секвенирования областей по меньшей мере одной молекулы темплатной нуклеиновой кислоты-мишени в первом образце из пары образцов с получением немутированных прочтений последовательности и (ii) секвенирования по меньшей мере одной мутированной молекулы темплатной нуклеиновой кислоты-мишени с получением мутированных прочтений последовательности необязательно осуществляют в разное время. В альтернативном варианте осуществления стадии (i) и (ii) можно проводить относительно одновременно, например в течение 1 года друг от друга. Первый образец из пары образцов и второй образец из пары образцов не обязательно должны быть взяты одновременно друг с другом. Если два образца получают из одного и того же организма, они могут быть обеспечены в по существу разные моменты времени, даже с многолетним интервалом, и поэтому две стадии секвенирования также могут разделяться периодом в несколько лет. Кроме того, даже если первый образец из пары образцов и второй образец из пары образцов были получены из одного и того же исходного образца, биологические образцы можно хранить в течение некоторого времени, и поэтому нет необходимости выполнять стадии секвенирования в одно и то же время.The steps of (i) sequencing regions of at least one template target nucleic acid molecule in a first sample of a pair of samples to obtain unmutated sequence reads and (ii) sequencing at least one mutated template target nucleic acid molecule to obtain mutated sequence reads are optionally performed at different times. In an alternative embodiment, steps (i) and (ii) can be carried out relatively simultaneously, for example within 1 year of each other. The first sample of the sample pair and the second sample of the sample pair need not be taken simultaneously with each other. If two samples are obtained from the same organism, they can be provided at essentially different times, even with a multi-year interval, and therefore the two sequencing steps can also be separated by a period of several years. In addition, even if the first sample of a sample pair and the second sample of a sample pair were obtained from the same original sample, biological samples can be stored for some time, and therefore it is not necessary to perform the sequencing steps at the same time.
Мутированные прочтения последовательности и/или немутированные прочтения последовательности могут представлять собой прочтения последовательности с одним концом или со спаренными концами.Mutated sequence reads and/or non-mutated sequence reads can be single-ended or double-ended sequence reads.
Мутированные прочтения последовательности и/или немутированные прочтения последовательности необязательно имеют длину более 50 нт, более 100 нт, более 500 нт, менее 200000 нт, менее 15000 нт, менее 1000 нт, от 50 до 200000 нт, от 50 до 15000 нт или от 50 до 1000 нт.Mutated sequence reads and/or unmutated sequence reads are optionally greater than 50 nt, greater than 100 nt, greater than 500 nt, less than 200,000 nt, less than 15,000 nt, less than 1000 nt, 50 to 200,000 nt, 50 to 15,000 nt, or 50 up to 1000 nt.
Стадии секвенирования необязательно осуществляют с использованием глубины секвенирования от 0,1 до 500 прочтений, от 0,2 до 300 прочтений или от 0,5 до 150 прочтений на нуклеотид на по меньшей мере одну молекулу темплатной нуклеиновой кислоты-мишени. Чем больше глубина секвенирования, тем выше будет точность определенной/сгенерированной последовательности, но сборка может быть более сложной.The sequencing steps are optionally performed using a sequencing depth of 0.1 to 500 reads, 0.2 to 300 reads, or 0.5 to 150 reads per nucleotide per at least one template target nucleic acid molecule. The deeper the sequencing, the higher the accuracy of the determined/generated sequence will be, but the assembly may be more difficult.
Выбор параметровChoice of options
Предпочтительно параметры, используемые в способе 200, выбраны так, как указано ниже.Preferably, the parameters used in the method 200 are selected as follows.
В предпочтительном варианте осуществления вес w(ψ) каждого затравочного паттерна находится в диапазоне от 5 до 50, предпочтительно от 10 до 30, дополнительно предпочтительно от 13 до 23. Это обеспечивает, что каждый затравочный паттерн будет достаточно большим, чтобы гарантировать, что каждый k-мер, маскированный каждым затравочным паттерном ψ, с высокой вероятностью является уникальным. Например, для бактериальных геномов с типичной длиной 5 миллионов нуклеотидов вес w(ψ) каждого затравочного паттерна ψ предпочтительно находится в диапазоне 13-19, с учетом того, что 413>5 миллионов. Для геномов, по размеру сходных с человеческим, с типичной длиной около 3 миллиардов нуклеотидов вес w(ψ) каждого затравочного паттерна предпочтительно находится в диапазоне 19-23, с учетом того, что 419>3×109.In a preferred embodiment, the weight w(ψ) of each seed pattern is in the range of 5 to 50, preferably 10 to 30, further preferably 13 to 23. This ensures that each seed pattern is large enough to ensure that each k -measure masked by each seed pattern ψ is unique with a high probability. For example, for bacterial genomes with a typical length of 5 million nucleotides, the weight w(ψ) of each seed pattern ψ is preferably in the range of 13-19, given that 4 13 >5 million. For genomes similar in size to humans, with a typical length of about 3 billion nucleotides, the weight w(ψ) of each seed pattern is preferably in the range of 19-23, given that 4 19 >3×10 9 .
В предпочтительном варианте осуществления размер k каждого k-мера, используемого на стадии S230 определения положений одной или более мутаций в каждом мутированном прочтении последовательности, превышает вес w(ψ) каждого затравочного паттерна. Размер к каждого k-мера может быть менее чем в 5 раз, менее чем в 4 раза, менее чем в 3 раза или менее чем 2 раза меньше веса w(ψ) каждого затравочного паттерна ψ. Размер k каждого k-мера, используемого на стадии S230 определения положений одной или более мутаций в каждом мутированном прочтении последовательности, может находиться в диапазоне от 10 до 250, предпочтительно от 13 до 100, дополнительно предпочтительно от 15 до 50, наиболее предпочтительно от 20 до 40. Это гарантирует, что размер k будет достаточно малым, чтобы обеспечивать низкую вероятность того, что любой k-мер будет включать инсерционную или делеционную ошибку секвенирования, что является недостатком в контексте способа 200.In a preferred embodiment, the size k of each k-mer used in step S230 to determine the positions of one or more mutations in each mutated sequence read is greater than the weight w(ψ) of each seed pattern. The size k of each k-measure can be less than 5 times, less than 4 times, less than 3 times, or less than 2 times the weight w(ψ) of each seed pattern ψ. The size k of each k-mer used in step S230 to determine the positions of one or more mutations in each mutated sequence read may range from 10 to 250, preferably from 13 to 100, further preferably from 15 to 50, most preferably from 20 to 40. This ensures that the size k is small enough to provide a low probability that any k-mer will include an insertion or deletion sequencing error, which is a disadvantage in the context of method 200.
Ниже показан пример семейства затравочных паттернов содержащих затравочные паттерны с весом w(ψ)=16 и k=27:Below is an example of a family of seed patterns containing seed patterns with weight w(ψ)=16 and k=27:
ψ1={0, 1, 2, 3, 5, 6, 9, 12, 13, 14, 16, 18, 20, 21, 22, 23},ψ 1 ={0, 1, 2, 3, 5, 6, 9, 12, 13, 14, 16, 18, 20, 21, 22, 23},
ψ2={0, 1, 2, 4, 5, 9, 10, 11, 13, 18, 19, 21, 23, 24, 25, 26},ψ 2 \u003d {0, 1, 2, 4, 5, 9, 10, 11, 13, 18, 19, 21, 23, 24, 25, 26},
ψ3={0, 1, 2, 3, 4, 5, 7, 8, 9, 10, 13, 15, 16, 18, 19, 20},ψ 3 ={0, 1, 2, 3, 4, 5, 7, 8, 9, 10, 13, 15, 16, 18, 19, 20},
ψ4={0, 1, 2, 4, 6, 7, 12, 14, 16, 17, 20, 21, 23, 24, 25, 26},ψ 4 ={0, 1, 2, 4, 6, 7, 12, 14, 16, 17, 20, 21, 23, 24, 25, 26},
В одном варианте осуществления k-меры, используемые на стадии S220 применения общей минимизирующей функции, т.е. одного или более минимизаторов, определенных для каждого мутированного прочтения последовательности, имеют размер k, отличный от k-меров, используемых на стадии S230 определения положений одной или более мутаций в каждом мутированном прочтении последовательности. Размер k каждого минимизатора может находиться в диапазоне от 5 до 50, предпочтительно от 10 до 30, дополнительно предпочтительно от 13 до 23. Размер k каждого минимизатора может быть выбран на основе тех же соображений, что и выбор веса w(ψ) затравочных паттернов. Размер k каждого минимизатора может находиться в диапазоне от 13 до 19 для бактерий и от 19 до 23 для геномов, по размеру сходных с человеческим.In one embodiment, the k-measures used in step S220 of applying the overall minimizing function, i.e. the one or more minimizers determined for each mutated sequence read have a size k different from the k-mers used in step S230 to determine the positions of one or more mutations in each mutated sequence read. The size k of each minimizer can range from 5 to 50, preferably from 10 to 30, further preferably from 13 to 23. The size k of each minimizer can be chosen based on the same considerations as choosing the weight w(ψ) of the seed patterns. The k-size of each minimizer can range from 13 to 19 for bacteria and from 19 to 23 for genomes similar in size to humans.
Реализация способа 200Implementation of method 200
Способ 200 может быть иметь разные варианты реализации. Предпочтительный подход заключается в том, чтобы сначала вычислить набор UM в первоначальный проход через некоторые или все мутированные прочтения Р последовательности и немутированные прочтения R последовательности, затем вычислить WМ во второй проход через мутированные прочтения Р последовательности и немутированные прочтения R последовательности. Имея WМ, в третьем проходе через мутированные Р прочтения последовательности можно вычислить положения минимизаторов вместе с положениями одной или более мутаций, и эти положения можно сохранить в группах минимизаторов либо в ОЗУ, либо в устройстве постоянного хранения (например, на диске). Множество групп минимизаторов необязательно могут храниться в одном файле либо отсортированными, либо неотсортированными. Затем каждую группу минимизатора (или каждый файл) можно считывать последовательно или параллельно, обрабатывая группы минимизаторов для вычисления веса ребер. Поскольку каждое мутированное прочтение последовательности может встречаться в нескольких группах минимизаторов, существует возможность, что пара мутированных прочтений последовательности может иметь несколько вычисленных оценок веса. В этом случае необходимо использовать некоторый показатель для выбора предпочтительного веса, как правило, максимум. Наконец, если химия секвенирования выдала прочтения спаренных концов, и каждое прочтение в паре прочтений спаренных концов имеет общие минимизаторы, тогда балльные оценки для двух концов можно суммировать и получить одну балльную оценку для пары прочтений спаренных концов.Method 200 may have different implementations. The preferred approach is to first calculate the set U M in an initial pass through some or all of the mutated P sequence reads and unmutated R sequence reads, then calculate W M in a second pass through the mutated P sequence reads and unmutated R sequence reads. With W M , in a third pass through the mutated P sequence reads, the positions of the minimizers can be computed along with the positions of one or more mutations, and these positions can be stored in minimizer groups either in RAM or in a persistent storage device (e.g., on a disk). Multiple minimizer groups may optionally be stored in the same file, either sorted or unsorted. Each minimizer group (or each file) can then be read sequentially or in parallel, processing the minimizer groups to calculate edge weights. Because each mutated sequence read may occur in multiple minimizer groups, it is possible that a pair of mutated sequence reads may have multiple computed weight estimates. In this case, it is necessary to use some indicator to select the preferred weight, usually the maximum. Finally, if the sequencing chemistry produced paired-end reads, and each read in a pair of paired-end reads has common minimizers, then the scores for the two ends can be summed to give one score for the pair of paired-end reads.
Экспериментальные данныеExperimental data
Способ 200 использовали для обработки нескольких реальных наборов SAM-данных, причем каждый набор SAM-данных содержал немутированные прочтения последовательности и мутированные прочтения последовательности.Method 200 was used to process multiple real SAM datasets, with each SAM dataset containing unmutated sequence reads and mutated sequence reads.
Обрабатывали набор SAM-данных Arobacter butzleri JV22. Этот организм имеет геном размером 2,3 млн.п.н., который существует в виде одной кольцевой хромосомы. Реализацию способа 200 на С++ выполняли на экземпляре службы Amazon AWS. Набор SAM-данных состоит из 956133 пар эталонных (немутированных) прочтений и 2154909 пар мутированных прочтений, полученных из приблизительно 8000 мутированных длинных темплатов. 2087506 мутированных прочтений (96,9%) происходят из внутренних частей мутированных длинных темплатов, в то время как 67403 (3,1%) происходят из концов длинных темплатов и содержат штрихкоды образцов. Каждое отдельное прочтение имеет длину 150 нт или менее. Пары прочтений предварительно прошли адаптерную обрезку и обрезку для повышения качества. Способ 200 потребовал 12 минут времени ЦП и 1,2 ГБ ОЗУ для обработки набора данных с получением 30033939 потенциальных связей между прочтениями. Затем эти связи подвергали кластеризации графа с использованием кластеризации Маркова (mcl), и полученные 6779 групп прочтений были собраны de novo собрано с использованием MEGAHIT (см. Dinghua Li, Chi-Man Liu, Ruibang Luo, Kunihiko Sadakane, and Tak-Wah Lam. MEGAHIT: an ultra-fast single-node solution for large and complex metagenomics assembly via succinct de Bruijn graph. Bioinformatics, Oxford, England, 31(10): 1674{1676, May 2015) с получением реконструкций длинных мутированных темплатов. Наконец, длинные мутированные темплаты использовали вместе с немутированными прочтениями при гибридной сборке генома, вычисленной программным обеспечением Unicycler. Полученная сборка показана на Фиг. 4В в сравнении со сборкой, полученной только по коротким прочтениям (показана на Фиг. 4А). На Фиг. 4А показана сборка по коротким прочтениям генома Arcobacter butzlerii размером 2,3 млн.п.н. с использованием сборочного конвейера Shovill перед выполнением способа 200. Это дало сборку в 78 каркасов, причем наибольший каркас покрывал 342 т.п.н., и каркас N50 в приблизительно 127 т.п.н. На Фиг. 4В показана сборка генома Arcobacter butzlerii размером 2,3 млн.п.н. с использованием способа 200. Кольцевая хромосома в значительной степени разрешена в один контиг, причем неразрешенным осталось количество копий небольшого участка 200 нт.A SAM dataset of Arobacter butzleri JV22 was processed. This organism has a 2.3 million bp genome that exists as a single circular chromosome. The C++ implementation of method 200 was performed on an Amazon AWS service instance. The SAM dataset consists of 956,133 pairs of reference (unmutated) reads and 2,154,909 pairs of mutated reads, derived from approximately 8,000 mutated long templates. 2,087,506 mutated reads (96.9%) originate from the interior of the mutated long templates, while 67,403 (3.1%) originate from the ends of the long templates and contain sample barcodes. Each individual read is 150 nt or less in length. Pairs of reads were pre-adapter cropped and quality-enhanced cropped. Method 200 required 12 minutes of CPU time and 1.2 GB of RAM to process the dataset, yielding 30,033,939 potential read relationships. These links were then subjected to graph clustering using Markov clustering (mcl) and the resulting 6779 read clusters were assembled de novo using MEGAHIT (see Dinghua Li, Chi-Man Liu, Ruibang Luo, Kunihiko Sadakane, and Tak-Wah Lam. MEGAHIT: an ultra-fast single-node solution for large and complex metagenomics assembly via succinct de Bruijn graph Bioinformatics, Oxford, England, 31(10): 1674{1676, May 2015) to obtain reconstructions of long mutated templates. Finally, long mutated templates were used along with unmutated reads in a hybrid genome assembly computed by the Unicycler software. The resulting assembly is shown in Fig. 4B compared to an assembly obtained from short reads only (shown in FIG. 4A). On FIG. 4A shows assembly from short reads of the 2.3 Mb Arcobacter butzlerii genome. using a Shovill assembly line prior to performing method 200. This gave an assembly of 78 scaffolds, with the largest scaffold covering 342 kb and the N50 scaffold at approximately 127 kb. On FIG. 4B shows the assembly of the 2.3 Mbp genome of Arcobacter butzlerii. using method 200. The ring chromosome is largely resolved into a single contig, leaving a copy number of a small 200 nt region unresolved.
Масштабируемость и разрешающую мощность подхода, реализованного в способе 200, измеряли с помощью смоделированных данных. Последовательность 50 т.п.н. из гена CFTR использовали для моделирования повышающихся величин покрытия мутированными длинными темплатами и соответствующими мутированными короткими прочтениями из этих темплатов. Моделирование осуществляли с использованием только что разработанных скриптов, которые сначала генерируют длинные мутированные темплаты, затем активируют хорошо известный имитатор прочтений Illumina под названием artsim, чтобы моделировать секвенирование из мутированных темплатов по коротким прочтениям. В дополнение к мутированным данным в artsim было смоделировано 30-кратное покрытие немутированной последовательности. Мы моделировали покрытие длинными мутированными темплатами в диапазоне от 101 до 106 с инкрементом в порядок величины. Долю мутаций фиксировали на уровне 6%. Для каждого длинного темплата было смоделировано 10-кратное покрытие короткими прочтениями. Результаты для смоделированных данных оценивали путем измерения доли ложноположительных связей в способе 200.The scalability and resolution power of the approach implemented in method 200 was measured using simulated data. Sequence 50 kb. from the CFTR gene was used to model increasing coverage values with mutated long templates and corresponding mutated short reads from these templates. Simulations were performed using newly developed scripts that first generate long mutated templates, then activate the well-known Illumina read simulator called artsim to simulate sequencing from mutated templates over short reads. In addition to the mutated data, a 30-fold coverage of the unmutated sequence was simulated in artsim. We simulated coverage with long mutated templates in the range from 10 1 to 10 6 with increments of an order of magnitude. The proportion of mutations was fixed at 6%. For each long template, 10x coverage by short reads was simulated. The results for the simulated data were evaluated by measuring the proportion of false positive associations in method 200.
На Фиг. 5 показано влияние глубины покрытия короткими прочтениями длинного темплата. Количество данных с короткими прочтениями на длинный темплат показано на оси х, а на оси у показаны различные показатели эффективности для результатов способа 200. Видно, что при низком покрытии темплата короткими прочтениями, например <4х, получены плохие и неполные реконструкции исходных длинных темплатов. Однако, когда покрытие мутированного темплата находится в диапазоне 5-10х, могут быть получены хорошие реконструкции.On FIG. Figure 5 shows the effect of coverage depth with short reads of a long template. The amount of data with short reads per long template is shown on the x-axis, and the y-axis shows various performance measures for the results of method 200. It can be seen that with low template coverage with short reads, e.g. <4x, poor and incomplete reconstructions of the original long templates are obtained. However, when the coverage of the mutated template is in the 5-10x range, good reconstructions can be obtained.
• links num: количество связей между мутированными прочтениями по данным способа 200. links fp: количество отмеченных ложноположительных связей.• links num: number of links between mutated reads according to method 200. links fp: number of flagged false positive links.
• links fp rate: доля ложноположительных связей от всех полученных связей.• links fp rate: proportion of false positive links from all received links.
• mcl num: количество кластеров, созданных кластеризацией Маркова для графа, по данным mmdreaming.• mcl num: number of clusters created by Markov clustering for the graph, as reported by mmdreaming.
• idba scaf num: количество каркасных последовательностей, реконструированных путем сборки кластеров мутированных коротких прочтений.• idba scaf num: number of scaffold sequences reconstructed by clustering mutated short reads.
• idba scaf bp: сумма длин всех собранных каркасов.• idba scaf bp: the sum of the lengths of all scafs assembled.
Claims (54)
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB1914064.9 | 2019-09-30 |
Publications (2)
Publication Number | Publication Date |
---|---|
RU2799778C1 RU2799778C1 (en) | 2023-07-11 |
RU2799778C9 true RU2799778C9 (en) | 2023-08-04 |
Family
ID=
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2015153453A (en) * | 2013-05-15 | 2017-06-20 | БиДжиАй Дженомикс Ко., Лтд. | METHOD AND DEVICE FOR DETECTING CHROMOSOMIC STRUCTURAL ANOMALIES |
US20180365375A1 (en) * | 2015-04-24 | 2018-12-20 | University Of Utah Research Foundation | Methods and systems for multiple taxonomic classification |
US20190164627A1 (en) * | 2017-11-28 | 2019-05-30 | Grail, Inc. | Models for Targeted Sequencing |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2015153453A (en) * | 2013-05-15 | 2017-06-20 | БиДжиАй Дженомикс Ко., Лтд. | METHOD AND DEVICE FOR DETECTING CHROMOSOMIC STRUCTURAL ANOMALIES |
US20180365375A1 (en) * | 2015-04-24 | 2018-12-20 | University Of Utah Research Foundation | Methods and systems for multiple taxonomic classification |
US20190164627A1 (en) * | 2017-11-28 | 2019-05-30 | Grail, Inc. | Models for Targeted Sequencing |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11149308B2 (en) | Sequence assembly | |
CN110313034B (en) | Method, machine-readable medium and computer system for sequencing nucleic acid molecules | |
CN110997937B (en) | Universal short adaptors with variable length non-random unique molecular identifiers | |
Rougemont et al. | Probabilistic base calling of Solexa sequencing data | |
US20060286566A1 (en) | Detecting apparent mutations in nucleic acid sequences | |
EP3935637A1 (en) | Sequence-graph based tool for determining variation in short tandem repeat regions | |
US20230044570A1 (en) | Method for determining a measure correlated to the probability that two mutated sequence reads derive from the same sequence comprising mutations | |
RU2799778C9 (en) | Method for determining indicator correlated with probability that two mutated sequence readings are from the same sequence containing mutation | |
RU2799778C1 (en) | Method for determining indicator correlated with probability that two mutated sequence readings are from the same sequence containing mutation | |
Cellerino et al. | Transcriptome Analysis: Introduction and Examples from the Neurosciences | |
JP2022548504A (en) | DNA library generation methods to facilitate detection and reporting of low-frequency variants | |
Martin | Algorithms and tools for the analysis of high throughput DNA sequencing data | |
Rachappanavar et al. | Analytical Pipelines for the GBS Analysis | |
Oloomi | The impact of multi-mappings in short read mapping | |
RU2799654C2 (en) | Sequence graph-based tool for determining variation in short tandem repeat areas | |
Chen | Inference of Viral Strains Using Metagenomics Data | |
Pfeil | Development of a novel barcode calling algorithm for long error-prone reads | |
Ramírez-Rafael¹ et al. | Check for updates | |
Chotnithi | Efficient Similarity Measures in NGS Genome Data Comparison for Phylogeny Reconstruction. | |
Kale et al. | 11 Navigating Bacterial Taxonomy in World of Unchartered Microbial Organisms | |
Sritharan | Strategies for Optimisation of Variant Prediction in Yeast Genomes | |
Brudno et al. | ISMB 2008 Special Interest Group on Algorithms for Short Read Sequencing | |
Homer | Computational challenges in genomic analysis for the discovery of the genetic basis of human disease | |
Shivanna | A fast implementation for correcting errors in high throughput sequencing data | |
Morón Duran | De novo discovery of microRNA from small RNA sequencing data |