WO2014069769A1 - 리드 전체를 고려한 염기 서열 정렬 시스템 및 방법 - Google Patents

리드 전체를 고려한 염기 서열 정렬 시스템 및 방법 Download PDF

Info

Publication number
WO2014069769A1
WO2014069769A1 PCT/KR2013/007430 KR2013007430W WO2014069769A1 WO 2014069769 A1 WO2014069769 A1 WO 2014069769A1 KR 2013007430 W KR2013007430 W KR 2013007430W WO 2014069769 A1 WO2014069769 A1 WO 2014069769A1
Authority
WO
WIPO (PCT)
Prior art keywords
sequence
fragment
read
fragment sequence
generating
Prior art date
Application number
PCT/KR2013/007430
Other languages
English (en)
French (fr)
Inventor
박민서
Original Assignee
삼성에스디에스 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성에스디에스 주식회사 filed Critical 삼성에스디에스 주식회사
Publication of WO2014069769A1 publication Critical patent/WO2014069769A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6869—Methods for sequencing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
    • G16B30/10—Sequence alignment; Homology search

Definitions

  • Embodiments of the invention relate to techniques for analyzing the base sequence of a genome.
  • NGS Next Generation Sequencing
  • S Next Generation Sequencing
  • various NGS sequence recombination programs have been developed with a focus on accuracy.
  • recent advances in next-generation sequencing technology have resulted in less than half the cost of creating fragment sequences, which has resulted in a large amount of data that can be used to quickly and accurately process large, short sequences. Skills needed.
  • the first step in sequence recombination is to map reads to the correct position of the reference sequence via a nucleotide sequence alignment algorithm.
  • the problem here is that even with individuals of the same species, there may be differences in genomic sequences due to various genetic variations. Errors in sequencing can also lead to differences in nucleotide sequences. Therefore, the sequence alignment algorithm must effectively consider these differences and variations to increase the mapping accuracy.
  • Embodiments of the present invention are to provide a sequence alignment means that can ensure the mapping accuracy and at the same time improve the complexity of the mapping to increase the processing speed.
  • a nucleotide sequence alignment system for solving the above problems, using a fragment sequence generation unit for generating one or more fragment sequences from all sections of the read sequence, and using the generated fragment sequence And an alignment portion that performs global alignment with respect to the read sequence.
  • a method for aligning a read sequence to a reference sequence may include at least one fragment from all sections of the read sequence in a fragment sequence generator. Generating a sequence, and performing an alignment on the read sequence using the generated fragment sequence.
  • the seed is selected in consideration of the entire read sequence instead of only a specific region of the read sequence when the read sequence is aligned, thereby improving accuracy compared to an algorithm considering only a part of the read sequence. Can be.
  • 1 is a view for explaining the sequence alignment method according to an embodiment of the present invention.
  • FIG. 2 is a diagram illustrating an error number estimation process of a read sequence in the nucleotide sequence alignment method according to an embodiment of the present invention.
  • FIG. 3 is a diagram illustrating a fragment sequence generation process according to an embodiment of the present invention.
  • FIG. 4 is a diagram illustrating a fragment sequence generation process according to another embodiment of the present invention.
  • FIG. 5 is a diagram illustrating a fragment sequence generation process according to another embodiment of the present invention.
  • FIG. 6 is a block diagram of a nucleotide sequence alignment system in accordance with an embodiment of the present invention.
  • read sequence (or “lead” for short) is short nucleotide sequence data output from a genome sequencer.
  • the length of the read sequence is generally configured to vary from 35 to 500 bp (base pair) depending on the type of genome sequencer.
  • the DNA base is represented by the letters A, C, G, and T.
  • reference sequence is meant the base sequence to which reference is made to generate the entire base sequence from the read sequences. In sequencing, the entire nucleotide sequence is completed by mapping a large amount of reads output from the genome sequencer with reference to the reference sequence.
  • the reference sequence may be a predetermined sequence (for example, the entire nucleotide sequence of a human) in nucleotide sequence analysis, or may be used as a reference sequence a nucleotide sequence generated in the genome sequencer.
  • Base is the minimum unit that makes up the reference sequence and read.
  • the DNA base may be composed of four types of alphabet letters A, C, G, and T, each of which is referred to as a base.
  • the DNA base is represented by four bases, which is also the read sequence.
  • a "seed” is a sequence which becomes a unit when comparing a read sequence and a reference sequence for mapping a read sequence. Theoretically, in order to map a read to a reference sequence, the mapping position of the read should be calculated by comparing the entire read from the first part of the reference sequence sequentially. However, this method requires too much time and computing power to map one read, so in practice, the seed, which is a fragment consisting of a portion of the read, is first mapped to a reference sequence to find the mapping candidate position of the entire read sequence. The entire read sequence is mapped to the candidate position (Global Alignment).
  • fragment sequence is meant a piece of the read that is a candidate for constructing the seed. That is, in the exemplary embodiment of the present invention, one or more fragment sequences are extracted from the reads, and only the fragment sequences matching the reference sequence among the extracted fragment sequences are collected to form a seed set. At this time, the fragment sequences included in the seed set are seeded.
  • the nucleotide sequence alignment method 100 is a series of sequences that determine the mapping (or alignment) position in the reference sequence of the read sequence by comparing the read sequence output from the genome sequencer to the reference sequence. It means the process.
  • step 106 the number of errors that may appear when the read sequence is aligned with the reference sequence is estimated (108).
  • FIG. 2 is a diagram illustrating an error number estimation process in step 108.
  • the initial estimation error number is set to 0, and coincidence matching is attempted while moving one base from the first base of the read sequence to the end of the read.
  • no match can be made any more from the specific base of the read sequence (shown as the second T in the figure) as shown in (2).
  • This case means that an error occurred somewhere in the section between the start position of registration of the read sequence and the current position. Therefore, in this case, the estimated error number is increased by 1, and a new match is started at the next position (indicated by (3) in the figure).
  • the estimated error number of the read sequence is calculated through the above process, it is determined whether or not the calculated estimated error number exceeds a preset maximum error tolerance (maxError) (110).
  • the sort is determined to have failed and the sort ends.
  • the maximum error tolerance (maxError) was set to 3 and the estimated error number of the remaining reads was calculated.
  • a total of 844,891 reads exceeded the maximum error tolerance. appear. That is, as a result of performing step 108, the alignment requirement by about 42.2% could be reduced.
  • the read sequence is aligned through the following process.
  • one or more fragment sequences are generated from the read sequence (112), and a seed set is formed, which is a fragment sequence set including only the fragment sequences matching the reference sequence among the one or more fragment sequences generated (114). ). Thereafter, global alignment of the read sequence is performed using the seed, which is a fragment sequence included in the seed set, at step 116. In this case, when the number of errors in the reads as a result of the global sorting exceeds a preset maximum error tolerance (maxError), it is determined that the sorting fails, otherwise the sorting is successful (118).
  • maxError maximum error tolerance
  • This step is to generate one or more fragments of fragment sequences from the read sequence in order to perform alignment of the read sequences in earnest.
  • this step not only a part of the read sequence is considered but one or more fragment sequences are generated in consideration of the entire section of the read sequence.
  • 3 to 5 are diagrams for explaining an example of a fragment sequence generation method in consideration of the entire section of the read sequence in this way.
  • the fragment sequence generation methods described in the present invention are merely exemplary, and the present invention is not limited to a specific fragment sequence generation process.
  • all algorithms for generating fragment sequences in consideration of the entire read sequence that are not part of the extracted read sequence are within the scope of the present invention.
  • Figure 3 is a view for illustrating a fragment sequence generation process according to an embodiment of the present invention.
  • the fragment sequence can be generated by dividing the entire read sequence into pieces of a predetermined size. That is, each of the fragments divided into predetermined lengths may be a fragment sequence in the present invention.
  • the read sequence is divided into six pieces is illustrated, but the number of pieces and the length of each piece are not particularly limited, and this is considered in consideration of the type of the reference sequence or the length of the read sequence, the maximum error tolerance of the read, and the like. It can be adjusted appropriately.
  • the fragment sequence may be generated by dividing the entire read sequence into pieces of a predetermined size, and then combining two or more pieces of each of the divided read sequences. For example, if the read sequence is divided into four pieces (pieces 1 to 4) as shown, and then combined two by one, a total of six fragment sequences may be generated.
  • the number of fragments to be divided, the length of each fragment, the number of fragments to be combined, and the like are not particularly limited, which takes into account the type of the reference sequence or the length of the read sequence, the maximum error tolerance of the read, and the like. Can be adjusted accordingly.
  • the fragment sequence is generated by reading the value of the read sequence by the set size while moving by the set interval from the first base of the read sequence.
  • the read sequence has a length of 75bp (base pair)
  • the maximum error tolerance of the read is 3bp
  • the fragment sequence has a fragment size of 15bp
  • the shift size is 4bp It is shown. That is, the fragment sequence is generated while moving to the right by 4bp from the first base of the read sequence.
  • the movement interval, the size of the fragment sequence, and the like may be appropriately determined in consideration of values such as the length of the read sequence, the maximum error tolerance of the read, and the like.
  • the scope of the present invention is not limited to the size and shift interval of a specific fragment sequence.
  • the length of the fragment sequence in the embodiment of the present invention is not particularly limited, but preferably the length of the fragment sequence may be determined to be 20% to 30% of the length of the read sequence.
  • the shorter the length of the fragment sequence increases the number of mapping of the fragment sequence in the reference sequence the longer the length of the fragment sequence is reduced the number of mapping of the fragment sequence in the reference sequence.
  • the number of mappings in the reference sequence of the fragment sequence will be excessively increased, so that the global alignment The problem arises that the number of global sorts in the process increases unnecessarily.
  • the length of the fragment sequence in consideration of the length of the read sequence is composed of 20% to 30% of the length of the read sequence to ensure the quality of the mapping while minimizing the complexity that may occur during mapping.
  • the fragment sequence when the reference sequence is a human nucleotide sequence, the fragment sequence may be generated to have a length of 15bp to 30bp.
  • the shorter the length of the fragment sequence increases the number of mapping of the fragment sequence in the reference sequence the longer the length of the fragment sequence decreases the number of mapping of the fragment sequence in the reference sequence.
  • the length of the fragment sequence when the length of the fragment sequence is 14 or less, the number of mapping positions in the reference sequence increases rapidly. Table 1 below shows the average frequency of appearance of fragment sequences in the human genome according to fragment sequence length.
  • the frequency of each fragment sequence is 10 or more, but in the case of 15, the frequency decreases to 3 or less.
  • the length of the fragment sequence is 15 or more, duplication of the fragment sequence can be greatly reduced as compared with the case of configuring the length of the fragment sequence to 15 or less.
  • the length of the fragment sequence is 30 or more, the number of mappings in the reference sequence of the fragment sequence is excessively reduced, thereby reducing the accuracy of the mapping. Therefore, in the present invention, when the reference sequence is a human nucleotide sequence, the length of the fragment sequence is 15 to 30 to ensure the quality of the mapping while minimizing the complexity that may occur during mapping.
  • the seed set is formed through the filtering process excluding the fragment sequence which does not match the reference sequence among the generated fragment sequences. That is, an attempt is made to match the generated fragment sequence with the reference sequence, and as a result, the seed set is composed of a fragment sequence (seed) having a number of inconsistent bases below a predetermined allowance.
  • the allowance may be determined in consideration of the length of the read sequence and the length of the fragment sequence. For example, when the read length is small (about 50 bp or less), it is desirable to consider only fragment sequences that match the reference sequence, in which case the tolerance may be zero. In addition, as the length of the lead increases, the tolerance can be prevented from being too low by increasing the tolerance to 1, 2, or the like.
  • fragment sequence 1 and fragment sequence 4 fragment sequence 5 including this is excluded from the seed set , Only fragment sequences 2, 3, and 6 are included in the candidate fragment sequences.
  • the seed set includes only the five fragment sequences described above.
  • the base sequence alignment system 600 is an apparatus for performing the above-described nucleotide sequence alignment method, and includes a fragment sequence generation unit 602 and an alignment unit 604, and filtering as necessary.
  • the unit 606 and the error number estimating unit 608 may be further included.
  • the fragment sequence generator 602 generates one or more fragment sequences from all sections of the read sequence obtained from the genome sequencer.
  • the fragment sequence generation unit 602 generates the fragment sequence by reading the value of the read sequence by a set size while moving at a predetermined interval from the first base of the read sequence, or setting the read sequence.
  • the fragment sequence may be generated by dividing by size, or by combining two or more pieces of each of the fragmented read sequences.
  • the present invention is not limited to a specific fragment sequence generation method, and a method of considering the entire read sequence is not limited to a specific fragment sequence generation method.
  • the fragment sequence generation unit 602 may generate the fragment sequence so that the length of the fragment sequence is 20% to 30% of the length of the read sequence. Particularly, when the human nucleotide sequence is used as a reference sequence, The fragment sequence can be generated such that the fragment sequence has a length of 15 to 30 bp.
  • the alignment unit 604 performs a global alignment on the read sequence using the generated fragment sequence.
  • the filtering unit 606 configures a seed set including only a fragment sequence matching the reference sequence among the one or more fragment sequences generated by the fragment sequence generation unit 602.
  • the alignment unit 604 may perform global alignment with respect to the read sequence using the fragment sequence included in the seed set generated by the filtering unit 606.
  • the fragment sequence matched with the reference sequence means a fragment sequence having a number of bases that are inconsistent as a result of an exact matching with the reference sequence.
  • the error number estimation unit 608 calculates an estimated error number when the read sequence is aligned with the reference sequence.
  • the error number estimator 608 matches the read sequence with the reference sequence while moving one base from the first base of the read sequence, and if the match is impossible at a specific position of the read sequence, the corresponding position is located. A new match is performed by moving one base from the next base, and when the last base of the read sequence is reached, the number of positions determined to be impossible to match may be set as the estimated error number of the read sequence. Since the detailed error number estimation process has been described in detail with reference to FIG. 2, the detailed description thereof will be omitted.
  • the fragment sequence generation unit 602 may be configured to generate one or more fragment sequences from all sections of the read sequence only when the estimated error number is less than or equal to a set maximum error tolerance. If the estimated error number exceeds the maximum error tolerance, the alignment of the corresponding read sequence is determined to have failed.
  • an embodiment of the present invention may include a computer readable recording medium including a program for performing the methods described herein on a computer.
  • the computer-readable recording medium may include program instructions, local data files, local data structures, etc. alone or in combination.
  • the media may be those specially designed and constructed for the purposes of the present invention, or they may be of the kind well-known and available to those skilled in the computer software arts.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tape, optical recording media such as CD-ROMs, DVDs, magnetic-optical media such as floppy disks, and ROM, RAM, flash memory, and the like.
  • Hardware devices specifically configured to store and execute program instructions are included.
  • Examples of program instructions may include high-level language code that can be executed by a computer using an interpreter as well as machine code such as produced by a compiler.

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biotechnology (AREA)
  • Analytical Chemistry (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Organic Chemistry (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Microbiology (AREA)
  • Molecular Biology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

리드 전체를 고려한 염기 서열 정렬 시스템 및 방법이 개시된다. 본 발명의 일 실시예에 따른 염기 서열 정렬 시스템은, 리드 서열의 전 구간으로부터 하나 이상의 단편(fragment) 서열을 생성하는 단편 서열 생성부, 및 생성된 상기 단편 서열을 이용하여 상기 리드 서열에 대한 전역 정렬(global alignment)을 수행하는 정렬부를 포함한다.

Description

리드 전체를 고려한 염기 서열 정렬 시스템 및 방법
본 발명의 실시예들은 유전체의 염기 서열을 분석하기 위한 기술과 관련된다.
저렴한 비용과 빠른 데이터 생산으로 인해 대용량의 짧은 서열을 생산하는 차세대 시퀀싱(NGS; Next Generation Sequencing)이 전통적인 생거(Sanger) 시퀀싱 방식을 빠르게 대체하고 있다. 또한 다양한 NGS 서열재조합 프로그램들이 정확도에 초점을 맞추어 개발되었다. 그러나, 최근 차세대 시퀸싱 기술이 발전함에 따라 단편 서열을 만들어 내는 비용이 예전의 절반 이하가 되었고, 이에 따라 사용할 수 있는 데이터의 양이 많아지게 되어서, 대용량의 짧은 서열들을 빠른 시간에 정확하게 처리하기 위한 기술이 필요하게 되었다.
서열 재조합의 첫 번째 단계는 염기 서열 정렬(alignment) 알고리즘을 통해 리드를 참조 서열의 정확한 위치에 맵핑(mapping)하는 것이다. 여기서의 문제점은 같은 종의 개체라 할지라도 다양한 유전적 변이로 인해 유전체 서열에 차이가 있을 수 있다는 점이다. 또한 시퀀싱 과정에서의 오류로 인해서도 염기 서열에 차이가 생길 수 있다. 따라서 염기 서열 정렬 알고리즘은 이러한 차이와 변이를 효과적으로 고려해서 맵핑 정확도를 높이지 않으면 안 된다.
결론적으로, 유전체 정보의 분석을 진행하기 위해서는, 될 수 있는 한 많은 수의 정확한 전체 유전체 정보 데이터가 필요하다. 또 이를 위해서는 무엇보다도 뛰어난 정확도와 큰 처리량을 갖는 염기 서열 정렬 알고리즘을 개발하는 것이 선행되어야 한다. 그러나 종래의 방법들은 이러한 요구 조건들을 만족시키는 데 한계가 있었다.
본 발명의 실시예들은 맵핑 정확도를 보장하는 동시에 맵핑시의 복잡도를 개선하여 처리 속도를 높일 수 있는 염기 서열 정렬 수단을 제공하는 데 그 목적이 있다.
상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 염기 서열 정렬 시스템은, 리드 서열의 전 구간으로부터 하나 이상의 단편(fragment) 서열을 생성하는 단편 서열 생성부, 및 생성된 상기 단편 서열을 이용하여 상기 리드 서열에 대한 전역 정렬(global alignment)을 수행하는 정렬부를 포함한다.
한편, 상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 리드(read) 서열을 참조 서열에 정렬하기 위한 방법은, 단편 서열 생성부에서, 상기 리드 서열의 전 구간으로부터 하나 이상의 단편(fragment) 서열을 생성하는 단계, 및 정렬부에서, 생성된 상기 단편 서열을 이용하여 상기 리드 서열에 대한 전역 정렬(global alignment)을 수행하는 단계를 포함한다.
본 발명의 실시예들에 따를 경우 리드 서열의 정렬 시 리드 서열의 특정 영역만을 고려하는 것이 아니라 리드 전체를 고려하여 시드(단편 서열)를 선택하므로 리드의 일부분만을 고려하는 알고리즘에 비해 정확도를 향상할 수 있다.
도 1은 본 발명의 일 실시예에 따른 염기 서열 정렬 방법을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 염기 서열 정렬 방법에서 리드 서열의 에러 개수 추정 과정을 예시하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 단편 서열 생성 과정을 예시하기 위한 도면이다.
도 4는 본 발명의 다른 실시예에 따른 단편 서열 생성 과정을 예시하기 위한 도면이다.
도 5는 본 발명의 또 다른 실시예에 따른 단편 서열 생성 과정을 예시하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 염기 서열 정렬 시스템의 블록도이다.
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 발명의 기술적 사상은 청구범위에 의해 결정되며, 이하의 실시예는 본 발명의 기술적 사상을 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 효율적으로 설명하기 위한 일 수단일 뿐이다.
본 발명의 실시예들을 상세히 설명하기 앞서, 먼저 본 발명에서 사용되는 용어들에 대하여 설명하면 다음과 같다.
먼저, "리드(read) 서열"(또는 줄여서 "리드"로 지칭)이란 게놈 시퀀서(genome sequencer)에서 출력되는 짧은 길이의 염기서열 데이터이다. 리드 서열의 길이는 게놈 시퀀서의 종류에 따라 일반적으로 35~500bp(base pair) 정도로 다양하게 구성되며, 일반적으로 DNA 염기의 경우 A, C, G, T의 알파벳 문자로 표현된다.
"참조 서열(reference sequence)"이란 상기 리드 서열들로부터 전체 염기 서열을 생성하는 데 참조가 되는 염기 서열을 의미한다. 염기 서열 분석에서는 게놈 시퀀서에서 출력되는 다량의 리드들을 참조 서열을 참조하여 맵핑함으로써 전체 염기 서열을 완성하게 된다. 본 발명에서 상기 참조 서열은 염기 서열 분석 시 미리 설정된 서열(예를 들어 인간의 전체 염기 서열 등)일 수도 있으며, 또는 게놈 시퀀서에서 만들어진 염기 서열을 참조 서열로 사용할 수도 있다.
"베이스(base)"는 참조 서열 및 리드를 구성하는 최소 단위이다. 전술한 바와 같이 DNA 염기의 경우 A, C, G 및 T의 네 종류의 알파벳 문자로 구성될 수 있으며, 이들 각각을 베이스라 표현한다. 즉, DNA 염기의 경우 4개의 베이스로 표현되며, 이는 리드 서열 또한 마찬가지이다.
"시드(seed)"란 리드 서열의 맵핑을 위하여 리드 서열과 참조 서열을 비교할 때의 단위가 되는 시퀀스이다. 이론적으로 리드를 참조 서열에 맵핑하기 위해서는 리드 전체를 참조 서열의 가장 첫 부분부터 순차적으로 비교해 나가면서 리드의 맵핑 위치를 계산하여야 한다. 그러나 이와 같은 방법의 경우 하나의 리드를 맵핑하는 데 너무 많은 시간 및 컴퓨팅 파워가 요구되므로, 실제로는 리드의 일부분으로 구성된 조각인 시드를 먼저 참조 서열에 맵핑함으로써 전체 리드 서열의 맵핑 후보 위치를 찾아 내고 해당 후보 위치에 전체 리드 서열을 맵핑(Global Alignment)하게 된다.
"단편 서열"이란 상기 시드를 구성하기 위한 후보가 되는 상기 리드의 조각을 의미한다. 즉, 본 발명의 실시예에서는 리드로부터 하나 이상의 단편 서열을 추출하고, 추출된 각 단편 서열들 중 참조 서열과 매칭되는 단편 서열들만을 모아 시드 집합을 구성하게 된다. 이때 상기 시드 집합에 포함되는 단편 서열들을 시드라 한다.
도 1은 본 발명의 일 실시예에 따른 염기 서열 정렬 방법(100)을 설명하기 위한 도면이다. 본 발명의 실시예에서, 염기 서열 정렬 방법(100)이란 게놈 시퀀서(genome)에서 출력되는 리드 서열을 참조 서열과 비교하여 리드 서열의 상기 참조 서열에서의 맵핑(또는 정렬) 위치를 결정하는 일련의 과정을 의미한다.
먼저, 게놈 시퀀서(genome sequencer)로부터 리드 서열이 입력되면(102), 리드 서열 전체와 상기 참조 서열과의 일치 정합(exact matching)을 시도한다(104). 만약 상기 104 단계의 수행 결과 리드 전체에 대한 일치 정합이 성공한 경우에는 이후의 정렬 단계를 수행하지 않고 정렬에 성공한 것으로 판단한다(106). 인간의 염기 서열을 대상으로 한 실험 결과, 게놈 시퀀서에서 출력되는 100만 개의 리드 서열을 인간의 염기 서열에 일치 정합할 경우 총 200만회의 정렬 중(정방향 시퀀스 100만회, 역상보(reverse complement) 방향 시퀀스 100만회) 231,564회의 일치 정합이 발생되는 것으로 나타났다. 따라서 상기 104 단계의 수행 결과 약 11.6%만큼의 정렬 소요량을 감소시킬 수 있었다.
그러나, 이와 달리 상기 106 단계에서 해당 리드 서열이 일치 정합되지 않는 것으로 판단되는 경우에는 해당 리드 서열을 상기 참조 서열에 정렬했을 때 나타날 수 있는 에러의 개수를 추정한다(108).
도 2는 상기 108 단계에서의 에러 개수 추정 과정을 예시하기 위한 도면이다. 먼저, 도 2의 (1)에 도시된 바와 같이 최초 추정 에러 개수를 0으로 설정하고 리드 서열의 가장 첫 베이스부터 리드의 끝 방향으로 한 베이스씩 이동하면서 일치 정합을 시도한다. 이때 (2)에 도시된 바와 같이 리드 서열의 특정 베이스(도면에서 두번째 T로 표기된 부분)에서부터 더 이상 일치 정합이 불가능하다고 가정하자. 이 경우는 리드 서열의 정합 시작 위치부터 현재 위치 사이의 구간 어딘가에서 에러가 발생한 것을 의미한다. 따라서 이 경우에는 추정 에러 개수를 1만큼 증가시키고, 다음 위치에서 새로 일치 정합을 시작한다(도면에서 (3)으로 표기). 이후 특정 위치에서 재차 일치 정합이 불가능하다고 판단되는 경우에는, 일치 정합을 새로 시작한 위치부터 현재 위치 사이의 구간 어디에서 다시 에러가 발생한 것이므로, 추정 에러 개수를 다시 1만큼 증가시키고, 다음 위치에서 새로 일치 정합을 시작한다(도면에서 (4)로 표기). 이와 같은 과정을 거쳐 리드의 끝까지 도달한 경우의 추정 에러 개수가 해당 리드에 존재할 수 있는 에러의 개수가 된다.
상기와 같은 과정을 거쳐 리드 서열의 추정 에러 개수가 계산되면, 계산된 추정 에러 개수가 기 설정된 최대 에러 허용치(maxError)를 초과하는지의 여부를 판단하고(110), 초과하는 경우 해당 리드 서열에 대한 정렬이 실패한 것으로 판단하여 정렬을 종료한다. 전술한 인간의 염기 서열을 대상으로 한 실험에서, 최대 에러 허용치(maxError)를 3으로 하고 나머지 리드들의 추정 에러 개수를 계산한 결과, 총 844,891회에 해당하는 리드들이 상기 최대 에러 허용치를 초과하는 것으로 나타났다. 즉, 상기 108 단계의 수행 결과 약 42.2%만큼의 정렬 소요량을 감소시킬 수 있었다.
그러나 이와 달리 상기 110 단계에서의 판단 결과, 추정 에러 개수가 상기 최대 에러 허용치 이하인 경우에는 다음과 같은 과정을 거쳐 해당 리드 서열에 대한 정렬을 수행한다.
먼저, 상기 리드 서열로부터 하나 이상의 단편(fragment) 서열을 생성하고(112), 생성된 상기 하나 이상의 단편 서열 중 상기 참조 서열과 매칭되는 단편 서열만을 포함하는 단편 서열 집합인 시드 집합을 구성한다(114). 이후 상기 시드 집합에 포함되는 단편 서열인 시드를 이용하여 상기 리드 서열에 대한 전역 정렬(global alignment)을 수행한다(116). 이때 상기 전역 정렬의 결과 리드의 에러 개수가 기 설정된 최대 에러 허용치(maxError)를 초과하는 경우에는 정렬 실패로, 그렇지 않은 경우에는 정렬에 성공한 것으로 판단된다(118).
이하에서는 상기 112 단계 및 114 단계의 구체적인 과정을 상세히 설명한다.
리드 서열로부터 단편 서열 생성(112)
본 단계는 본격적으로 리드 서열의 정렬을 수행하기 위하여 리드 서열로부터 하나 이상의 작은 조각인 단편 서열을 생성하는 단계이다. 본 단계에서는 상기 리드 서열의 일부만을 고려하는 것이 아니라 리드 서열의 전 구간을 고려하여 하나 이상의 단편 서열을 생성하게 된다.
도 3 내지 5는 이와 같이 리드 서열의 전 구간을 고려한 단편 서열 생성 방법의 예로 들어 설명하기 위한 도면이다. 다만, 본 발명에서 설명한 단편 서열 생성 방법들은 단지 예시적인 것으로서, 본 발명은 특정 단편 서열 생성 과정에 한정되는 것은 아니다. 다시 말해, 추출된 리드 서열의 일부가 아닌 전체 리드 서열을 고려하여 단편 서열을 생성하는 알고리즘은 모두 본 발명의 권리범위에 속하는 것임을 유의한다.
먼저, 도 3은 본 발명의 일 실시예에 따른 단편 서열 생성 과정을 예시하기 위한 도면이다. 도시된 바와 같이, 본 실시예에서는 리드 서열 전체를 설정된 크기만큼의 조각으로 분할함으로써 단편 서열을 생성할 수 있다. 즉, 일정 길이로 분할된 상기 조각들 각각이 본 발명에서의 단편 서열이 될 수 있다. 도면에서는 리드 서열을 6개의 조각으로 나눈 실시예를 도시하였으나, 조각의 개수 및 각 조각들의 길이는 별도로 한정되지 않으며, 이는 참조 서열의 종류 또는 리드 서열의 길이, 리드의 최대 에러 허용치 등을 고려하여 적절하게 조절할 수 있다. 또한, 도면에서는 리드 서열들을 각각 겹치는 부분(overlap)이 없이 분할하는 예만을 도시하였으나, 분할된 각 조각들에 일부 겹치는 부분이 존재하도록 리드 서열들을 분할하는 것 또한 가능하다.
도 4는 본 발명의 다른 실시예에 따른 단편 서열 생성 과정을 예시하기 위한 도면이다. 도시된 바와 같이, 본 실시예에서는 리드 서열 전체를 설정된 크기만큼의 조각으로 분할한 뒤, 분할된 상기 리드 서열의 각 조각들 중 둘 이상의 조각을 조합함으로써 상기 단편 서열을 생성할 수 있다. 예를 들어, 도시된 바와 같이 리드 서열을 4개의 조각(조각 1 내지 4)로 분할한 뒤, 이를 2개씩 조합할 경우 총 6개의 단편 서열이 생성될 수 있다. 전술한 실시예에서와 마찬가지로, 분할되는 조각의 개수, 각 조각의 길이 및 조합되는 조각의 수 등은 별도로 한정되지 않으며, 이는 참조 서열의 종류 또는 리드 서열의 길이, 리드의 최대 에러 허용치 등을 고려하여 적절하게 조절할 수 있다.
도 5는 본 발명의 또 다른 실시예에 따른 단편 서열 생성 과정을 예시하기 위한 도면이다. 본 실시예의 경우 상기 리드 서열의 첫 번째 베이스(base)부터 설정된 간격만큼 이동하면서 설정된 크기만큼 상기 리드 서열의 값을 읽음으로써 상기 단편 서열을 생성하게 된다. 도시된 실시예에서는 리드 서열의 길이가 75bp(base pair), 리드의 최대 에러 허용 허용치가 3bp, 단편 서열의 크기(fragment size)가 15bp, 이동 간격(shift size)가 4bp인 경우의 실시예를 나타낸 것이다. 즉, 리드 서열의 첫 번째 베이스부터 4bp씩 오른쪽으로 이동하면서 단편 서열을 생성하게 된다. 다만, 도시된 실시예의 경우 단지 예시적인 것으로서, 예컨대 상기 이동 간격, 단편 서열의 크기 등은 리드 서열의 길이, 리드의 최대 에러 허용치 등의 값을 고려하여 적절하게 정해질 수 있다. 다시 말해 본 발명의 권리범위는 특정한 단편 서열의 크기 및 이동 간격에 한정된 것은 아님에 유의한다.
한편, 전술한 바와 같이 본 발명의 실시예에서 단편 서열의 길이는 특별히 한정되지 않으나, 바람직하게는 상기 단편 서열의 길이는 상기 리드 서열 길이의 20% 내지 30%이 되도록 정해질 수 있다. 일반적으로 단편 서열의 길이가 짧을수록 참조 서열에서 해당 단편 서열의 맵핑수가 증가하며, 단편 서열의 길이가 길어질수록 참조 서열에서의 해당 단편 서열의 맵핑수는 감소하게 된다. 일반적으로 게놈 시퀀서에서 생산되는 리드 서열의 길이를 고려할 때, 만약 단편 서열의 길이가 리드 서열 길이의 20% 이하로 구성될 경우에는 단편 서열의 참조 서열에서의 맵핑수가 지나치게 증가하게 되므로, 이후 전역 정렬 과정에서의 전역 정렬 횟수가 불필요하게 증가하게 되는 문제가 발생한다. 반대로, 상기 단편 서열의 길이가 리드 서열 길이의 30% 이상일 경우에는 단편 서열의 참조 서열에서의 맵핑수가 지나치게 감소하게 되는 바, 맵핑의 정확도가 떨어지게 된다. 따라서 본 발명에서는 리드 서열의 길이를 고려하여 단편 서열의 길이를 길이는 상기 리드 서열 길이의 20% 내지 30%로 구성함으로써 맵핑의 퀄리티를 보장하면서 맵핑 시 발생할 수 있는 복잡도를 최소화할 수 있도록 하였다.
또한, 상기 참조 서열이 인간의 염기 서열일 경우, 상기 단편 서열은 15bp 내지 30bp의 길이를 가지도록 생성될 수 있다. 전술한 바와 같이, 일반적으로 단편 서열의 길이가 짧을수록 참조 서열에서 해당 단편 서열의 맵핑수가 증가하며, 단편 서열의 길이가 길어질수록 참조 서열에서의 해당 단편 서열의 맵핑수는 감소하게 된다. 특히 인간의 염기 서열의 경우 단편 서열의 길이가 14 이하일 경우 참조 서열 내에서의 맵핑 위치의 개수가 급격히 증가하게 된다. 아래의 표 1은 단편 서열 길이에 따른 인간 유전체 내에서의 단편 서열의 평균 등장 빈도를 나타낸 것이다.
표 1
Figure PCTKR2013007430-appb-T000001
상기 표에서 알 수 있는 바와 같이, 단편 서열의 길이가 14 이하일 경우에는 단편 서열 별 빈도가 10 이상이나, 15일 경우에는 3 이하로 감소하는 것을 알 수 있다. 즉, 단편 서열의 길이를 15 이상으로 구성할 경우 14 이하로 구성할 경우에 비해 단편 서열의 중복을 대폭 감소시킬 수 있다. 또한, 상기 단편 서열의 길이가 30 이상일 경우에는 단편 서열의 참조 서열에서의 맵핑수가 지나치게 감소하게 되는 바, 맵핑의 정확도가 감소하게 된다. 따라서 본 발명에서는 참조 서열이 인간의 염기 서열일 경우 단편 서열의 길이를 15 내지 30으로 구성함으로써 맵핑의 퀄리티를 보장하면서 맵핑 시 발생할 수 있는 복잡도를 최소화할 수 있도록 하였다.
생성된 단편 서열의 필터링(114)
상기와 같은 과정을 거쳐 단편 서열이 생성되면, 다음으로 생성된 단편 서열 중 참조 서열과 매칭되지 않는 단편 서열을 제외하는 필터링 과정을 거쳐 시드 집합을 구성한다. 즉, 생성된 단편 서열과 상기 참조 서열과의 일치 정합(exact matching)을 시도하고, 그 결과 불일치하는 베이스의 수가 기 설정된 허용치 이하인 단편 서열(시드)로 상기 시드 집합을 구성하게 된다.
이때, 상기 허용치는 리드 서열의 길이 및 단편 서열의 길이 등을 적절히 고려하여 정해질 수 있다. 예를 들어, 리드 길이가 작을 경우(약 50bp 이하)에는 상기 참조 서열과 일치 정합되는 단편 서열만을 고려하는 것이 바람직하며, 이 경우 상기 허용치는 0이 될 수 있다. 또한 리드의 길이가 길어질수록 상기 허용치를 1 또는 2 등으로 증가시킴으로써 맵핑의 정확도가 지나치게 낮아지는 것을 방지할 수 있다.
이와 같은 필터링 과정을 예로 들어 설명하면 다음과 같다. 예를 들어 도 3에 도시된 실시예에서, 도시된 바와 같이 리드 중 단편 서열 2 및 단편 서열 5에 해당하는 자리에서 에러가 발생했다고 가정하자. 이 경우, 만약 참조 서열과 일치 정합되는 단편 서열만을 시드로 고려할 경우(즉, 허용치가 0일 경우), 상기 에러를 포함하는 단편 서열 2 및 단편 서열 5의 경우에는 참조 서열과 일치 정합이 되지 않으므로, 상기 시드 집합에는 단편 서열 1, 3, 4 및 6의 4개의 단편 서열만이 포함된다.
도 4에 도시된 실시예에서도, 도시된 바와 같이 2번째 조각에 해당하는 위치에 에러가 발생했다고 가정할 경우, 이를 포함하는 단편 서열 1 및 단편 서열 4, 단편 서열 5는 상기 시드 집합에서 제외되며, 단편 서열 2, 3, 및 6만이 후보 단편 서열에 포함된다.
도 5에 도시된 실시예의 경우, 상기 리드 중 도시된 3개의 위치에서 에러가 발생하였다고 가정하자(도면에서 점선으로 표시). 이 경우 상기 에러를 포함하는 단편 서열(도면에서 회색으로 표시)의 경우에는 참조 서열과의 일치 정합이 되지 않으며, 에러의 영향을 받지 않는 단편 서열 5, 9, 10, 11, 및 12만이 참조 서열과 일치 정합된다. 따라서 이 경우 상기 시드 집합에는 상술한 5개의 단편 서열만이 포함된다.
도 6은 본 발명의 일 실시예에 따른 염기 서열 정렬 시스템(600)의 블록도이다. 본 발명의 일 실시예에 따른 염기 서열 정렬 시스템(600)은 전술한 염기 서열 정렬 방법을 수행하기 위한 장치로서, 단편 서열 생성부(602) 및 정렬부(604)를 포함하며, 필요에 따라 필터링부(606) 및 에러 개수 추정부(608)를 추가로 포함할 수 있다.
단편 서열 생성부(602)는 게놈 시퀀서로부터 얻어진 리드 서열의 전 구간으로부터 하나 이상의 단편(fragment) 서열을 생성한다. 이때, 단편 서열 생성부(602)는, 상기 리드 서열의 첫 번째 베이스(base)부터 설정된 간격만큼 이동하면서 설정된 크기만큼 상기 리드 서열의 값을 읽음으로써 상기 단편 서열을 생성하거나, 상기 리드 서열을 설정된 크기만큼 분할함으로써 상기 단편 서열을 생성하거나, 또는 분할된 상기 리드 서열의 각 조각들 중 둘 이상의 조각을 조합함으로써 상기 단편 서열을 생성할 수 있다. 다만, 전술한 바와 같이 본 발명은 특정한 단편 서열 생성 방법에 한정되지 않으며, 리드 서열의 전체를 고려하는 방법이라면 특정한 단편 서열 생성 방법에 제한되지 않음을 유의한다.
또한 단편 서열 생성부(602)는, 상기 단편 서열의 길이가 상기 리드 서열 길이의 20% 내지 30%이 되도록 상기 단편 서열을 생성할 수 있으며, 특히 인간의 염기 서열을 참조 서열로 할 경우, 상기 단편 서열이 15bp 내지 30bp의 길이를 가지도록 상기 단편 서열을 생성할 수 있다.
정렬부(604)는 생성된 상기 단편 서열을 이용하여 상기 리드 서열에 대한 전역 정렬(global alignment)을 수행한다.
필터링부(606)는 단편 서열 생성부(602)에서 생성된 상기 하나 이상의 단편 서열 중 참조 서열과 매칭되는 단편 서열만을 포함하는 시드 집합을 구성한다. 이와 같이 구성될 경우, 정렬부(604)는 필터링부(606)에서 생성된 상기 시드 집합에 포함된 단편 서열을 이용하여 상기 리드 서열에 대한 전역 정렬(global alignment)을 수행할 수 있다. 이때, 상기 참조 서열과 매칭되는 단편 서열은, 상기 참조 서열과의 일치 정합(exact matching) 결과 불일치하는 베이스의 수가 설정된 개수 이하인 단편 서열을 의미한다.
에러 개수 추정부(608)는 상기 리드 서열을 참조 서열에 정렬했을 때의 추정 에러 개수를 계산한다. 구체적으로 에러 개수 추정부(608)는 상기 리드 서열의 첫 번째 베이스부터 한 베이스씩 이동하면서 상기 리드 서열을 상기 참조 서열에 일치 정합하되, 상기 리드 서열의 특정 위치에서 일치 정합이 불가능해지는 경우 해당 위치의 다음 베이스부터 한 베이스씩 이동하면서 새로 일치 정합을 수행하며, 상기 리드 서열의 마지막 베이스에 도달한 경우 일치 정합이 불가능한 것으로 판단된 위치의 개수를 상기 리드 서열의 추정 에러 개수로 설정할 수 있다. 이와 같은 구체적인 에러 개수 추정 과정에 대해서는 도 2에서 상세히 설명하였으므로, 여기서는 그 상세한 설명을 생략한다.
한편, 단편 서열 생성부(602)는 상기 추정 에러 개수가 설정된 설정된 최대 에러 허용치 이하인 경우에만 상기 리드 서열의 전 구간으로부터 하나 이상의 단편 서열을 생성하도록 구성될 수 있다. 만약 상기 추정 에러 개수가 상기 최대 에러 허용치를 초과하는 경우에는 해당 리드 서열에 대한 정렬은 실패한 것으로 판단됨은 전술하였다.
한편, 본 발명의 실시예는 본 명세서에서 기술한 방법들을 컴퓨터상에서 수행하기 위한 프로그램을 포함하는 컴퓨터 판독 가능 기록매체를 포함할 수 있다. 상기 컴퓨터 판독 가능 기록매체는 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야에서 통상의 지식을 가진 자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광 기록 매체, 플로피 디스크와 같은 자기-광 매체, 및 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
이상에서 대표적인 실시예를 통하여 본 발명에 대하여 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다.
그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
<부호의 설명>
600: 염기 서열 정렬 시스템
602: 단편 서열 생성부
604: 정렬부
606: 필터링부
608: 에러 개수 추정부

Claims (20)

  1. 리드 서열의 전 구간으로부터 하나 이상의 단편(fragment) 서열을 생성하는 단편 서열 생성부; 및
    생성된 상기 단편 서열을 이용하여 상기 리드 서열의 참조 서열에 대한 전역 정렬(global alignment)을 수행하는 정렬부를 포함하는 염기 서열 정렬 시스템.
  2. 청구항 1에 있어서,
    상기 단편 서열 생성부는, 상기 리드 서열의 첫 번째 베이스(base)부터 설정된 간격만큼 이동하면서 설정된 크기만큼 상기 리드 서열의 값을 읽음으로써 상기 단편 서열을 생성하는, 염기 서열 정렬 시스템.
  3. 청구항 1에 있어서,
    상기 단편 서열 생성부는, 상기 리드 서열을 설정된 크기만큼의 복수 개의 조각들로 분할함으로써 상기 단편 서열을 생성하는, 염기 서열 정렬 시스템.
  4. 청구항 3에 있어서,
    상기 단편 서열 생성부는, 분할된 상기 리드 서열의 각 조각들 중 둘 이상의 조각을 조합함으로써 상기 단편 서열을 생성하는, 염기 서열 정렬 시스템.
  5. 청구항 1에 있어서,
    상기 단편 서열 생성부는, 상기 단편 서열의 길이가 상기 리드 서열 길이의 20% 내지 30%이 되도록 상기 단편 서열을 생성하는, 염기 서열 정렬 시스템.
  6. 청구항 1에 있어서,
    상기 단편 서열 생성부는, 상기 단편 서열이 15bp 내지 30bp의 길이를 가지도록 상기 단편 서열을 생성하는, 염기 서열 정렬 시스템.
  7. 청구항 1에 있어서,
    상기 염기 서열 정렬 시스템은, 생성된 상기 하나 이상의 단편 서열 중 참조 서열과 매칭되는 단편 서열만을 포함하는 시드 집합을 구성하는 필터링부를 더 포함하며,
    상기 정렬부는, 생성된 상기 시드 집합에 포함된 단편 서열을 이용하여 상기 리드 서열에 대한 전역 정렬(global alignment)을 수행하는, 염기 서열 정렬 시스템.
  8. 청구항 7에 있어서,
    상기 참조 서열과 매칭되는 단편 서열은, 상기 참조 서열과의 일치 정합(exact matching) 결과 불일치하는 베이스의 수가 설정된 개수 이하인 단편 서열인, 염기 서열 정렬 시스템.
  9. 청구항 1에 있어서,
    상기 염기 서열 정렬 시스템은, 상기 리드 서열을 상기 참조 서열에 정렬했을 때의 추정 에러 개수를 계산하는 에러 개수 추정부를 더 포함하며,
    상기 단편 서열 생성부는 상기 추정 에러 개수가 설정된 설정된 최대 에러 허용치 이하인 경우 상기 리드 서열의 전 구간으로부터 하나 이상의 단편 서열을 생성하는, 염기 서열 정렬 시스템.
  10. 청구항 9에 있어서,
    상기 에러 개수 추정부는, 상기 리드 서열의 첫 번째 베이스부터 한 베이스씩 이동하면서 상기 리드 서열을 상기 참조 서열에 일치 정합하되,
    상기 리드 서열의 특정 위치에서 일치 정합이 불가능해지는 경우 해당 위치의 다음 베이스부터 한 베이스씩 이동하면서 새로 일치 정합을 수행하며,
    상기 리드 서열의 마지막 베이스에 도달한 경우 일치 정합이 불가능한 것으로 판단된 위치의 개수를 상기 리드 서열의 추정 에러 개수로 설정하는, 염기 서열 정렬 시스템.
  11. 리드(read) 서열을 참조 서열에 정렬하기 위한 방법으로서,
    단편 서열 생성부에서, 상기 리드 서열의 전 구간으로부터 하나 이상의 단편(fragment) 서열을 생성하는 단계; 및
    정렬부에서, 생성된 상기 단편 서열을 이용하여 상기 리드 서열의 참조 서열에 대한 전역 정렬(global alignment)을 수행하는 단계를 포함하는 염기 서열 정렬 방법.
  12. 청구항 11에 있어서,
    상기 단편 서열을 생성하는 단계는, 상기 리드 서열의 첫 번째 베이스(base)부터 설정된 간격만큼 이동하면서 설정된 크기만큼 상기 리드 서열의 값을 읽음으로써 상기 단편 서열을 생성하는, 염기 서열 정렬 방법.
  13. 청구항 11에 있어서,
    상기 단편 서열을 생성하는 단계는, 상기 리드 서열을 설정된 크기만큼의 복수 개의 조각들로 분할함으로써 상기 단편 서열을 생성하는, 염기 서열 정렬 방법.
  14. 청구항 13에 있어서,
    상기 단편 서열을 생성하는 단계는, 분할된 상기 리드 서열의 각 조각들 중 둘 이상의 조각을 조합함으로써 상기 단편 서열을 생성하는, 염기 서열 정렬 방법.
  15. 청구항 11에 있어서,
    상기 단편 서열을 생성하는 단계는, 상기 단편 서열의 길이가 상기 리드 서열 길이의 20% 내지 30%이 되도록 상기 단편 서열을 생성하는, 염기 서열 정렬 방법.
  16. 청구항 11에 있어서,
    상기 단편 서열을 생성하는 단계는, 상기 단편 서열이 15bp 내지 30bp의 길이를 가지도록 상기 단편 서열을 생성하는, 염기 서열 정렬 방법.
  17. 청구항 11에 있어서,
    상기 단편 서열을 생성하는 단계의 수행 이후, 생성된 상기 하나 이상의 단편 서열 중 참조 서열과 매칭되는 단편 서열만을 포함하는 시드 집합을 구성하는 단계를 더 포함하며,
    상기 전역 정렬을 수행하는 단계는, 구성된 상기 시드 집합에 포함된 단편 서열을 이용하여 상기 리드 서열에 대한 전역 정렬(global alignment)을 수행하는, 염기 서열 정렬 방법.
  18. 청구항 17에 있어서,
    상기 참조 서열과 매칭되는 단편 서열은, 상기 참조 서열과의 일치 정합(exact matching) 결과 불일치하는 베이스의 수가 설정된 개수 이하인 단편 서열인, 염기 서열 정렬 방법.
  19. 청구항 11에 있어서,
    상기 단편 서열 생성 단계의 수행 전, 에러 개수 추정부에서, 상기 리드 서열을 상기 참조 서열에 정렬했을 때의 추정 에러 개수를 계산하는 단계를 더 포함하며,
    상기 단편 서열 생성 단계는 상기 추정 에러 개수가 설정된 설정된 최대 에러 허용치 이하인 경우 상기 리드 서열의 전 구간으로부터 하나 이상의 단편 서열을 생성하는, 염기 서열 정렬 방법.
  20. 청구항 19에 있어서,
    상기 추정 에러 개수를 계산하는 단계는, 상기 리드 서열의 첫 번째 베이스부터 한 베이스씩 이동하면서 상기 리드 서열을 상기 참조 서열에 일치 정합하되,
    상기 리드 서열의 특정 위치에서 일치 정합이 불가능해지는 경우 해당 위치의 다음 베이스부터 한 베이스씩 이동하면서 새로 일치 정합을 수행하며,
    상기 리드 서열의 마지막 베이스에 도달한 경우 일치 정합이 불가능한 것으로 판단된 위치의 개수를 상기 리드 서열의 추정 에러 개수로 설정하는, 염기 서열 정렬 방법.
PCT/KR2013/007430 2012-10-29 2013-08-19 리드 전체를 고려한 염기 서열 정렬 시스템 및 방법 WO2014069769A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2012-0120634 2012-10-29
KR20120120634A KR101481457B1 (ko) 2012-10-29 2012-10-29 리드 전체를 고려한 염기 서열 정렬 시스템 및 방법

Publications (1)

Publication Number Publication Date
WO2014069769A1 true WO2014069769A1 (ko) 2014-05-08

Family

ID=50548103

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2013/007430 WO2014069769A1 (ko) 2012-10-29 2013-08-19 리드 전체를 고려한 염기 서열 정렬 시스템 및 방법

Country Status (4)

Country Link
US (1) US20140121987A1 (ko)
KR (1) KR101481457B1 (ko)
CN (1) CN103793628A (ko)
WO (1) WO2014069769A1 (ko)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101508817B1 (ko) * 2012-10-29 2015-04-08 삼성에스디에스 주식회사 염기 서열 정렬 시스템 및 방법
KR101480897B1 (ko) * 2012-10-29 2015-01-12 삼성에스디에스 주식회사 염기 서열 정렬 시스템 및 방법
WO2016090585A1 (zh) * 2014-12-10 2016-06-16 深圳华大基因研究院 测序数据处理装置和方法
US20180067992A1 (en) * 2016-09-07 2018-03-08 Academia Sinica Divide-and-conquer global alignment algorithm for finding highly similar candidates of a sequence in database
KR102515638B1 (ko) 2016-10-07 2023-03-29 일루미나, 인코포레이티드 뉴클레오타이드 서열분석 데이터의 이차 분석을 위한 시스템 및 방법
WO2018084594A1 (ko) * 2016-11-02 2018-05-11 김성천 차세대서열결정법을 이용한 표적 단백질의 집단적 정량 방법과 그 용도
CN107862178B (zh) * 2017-11-28 2021-08-24 江苏理工学院 序列比对的状态监控装置及方法
CN112825268B (zh) * 2019-11-21 2024-05-14 深圳华大基因科技服务有限公司 测序结果比对方法及其应用

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110270533A1 (en) * 2010-04-30 2011-11-03 Life Technologies Corporation Systems and methods for analyzing nucleic acid sequences

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110270533A1 (en) * 2010-04-30 2011-11-03 Life Technologies Corporation Systems and methods for analyzing nucleic acid sequences

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LANGMEAD ET AL.: "Fast gapped-read alignment with Bowtie 2", NATURE METHODS, vol. 9, no. 4, April 2012 (2012-04-01), pages 357 - 359 *
LI ET AL.: "Mapping short DNA sequencing reads and calling variants using mapping quality scores", GENOME RESEARCH, vol. 18, no. 11, 2008, pages 1851 - 1858 *
RIZK ET AL.: "GASSST: global alignment short sequence search tool", BIOINFORMATICS, vol. 26, no. 20, 2010, pages 2534 - 2540 *
YEU, YUN KU ET AL.: "A Survey of Sequence Alignment Algorithms for Next-Generation Sequencing Read", DATABASE RESEARCH, vol. 28, no. 1, April 2012 (2012-04-01), pages 33 - 51 *

Also Published As

Publication number Publication date
KR101481457B1 (ko) 2015-01-12
CN103793628A (zh) 2014-05-14
US20140121987A1 (en) 2014-05-01
KR20140054751A (ko) 2014-05-09

Similar Documents

Publication Publication Date Title
WO2014069769A1 (ko) 리드 전체를 고려한 염기 서열 정렬 시스템 및 방법
US20230366046A1 (en) Systems and methods for analyzing viral nucleic acids
Batzoglou et al. ARACHNE: a whole-genome shotgun assembler
Li Aligning sequence reads, clone sequences and assembly contigs with BWA-MEM
WO2013065944A1 (ko) Ｎｇｓ를 위한 서열 재조합 방법 및 장치
WO2014069764A1 (ko) 염기 서열 정렬 시스템 및 방법
CN107798216B (zh) 采用分治法进行高相似性序列的比对方法
CN108629156B (zh) 三代测序数据纠错的方法、装置和计算机可读存储介质
CN113205857B (zh) 基因组性染色体非同源区域的鉴定方法和装置
Bourque et al. Maximizing synteny blocks to identify ancestral homologs
CN107862177B (zh) 一种区分鲤群体的单核苷酸多态性分子标记集的构建方法
WO2015126058A1 (ko) 암 예후 예측 방법
WO2014069767A1 (ko) 염기 서열 정렬 시스템 및 방법
KR20130097440A (ko) 염기 서열 분석을 위한 참조 서열 처리 시스템 및 방법
Fasulo et al. Efficiently detecting polymorphisms during the fragment assembly process
WO2014069770A1 (ko) 중복을 고려한 염기 서열 재조합 시스템 및 방법
WO2014069766A1 (ko) 염기 서열 재조합 시스템 및 방법
US9348968B2 (en) System and method for processing genome sequence in consideration of seed length
CN113539369B (zh) 一种优化的kraken2算法及其在二代测序中的应用
KR101525303B1 (ko) 염기 서열 정렬 시스템 및 방법
WO2015009016A1 (ko) 분자 오비탈 유사성 편차 평가 방법 및 이를 이용한 시스템
Vezzi Next generation sequencing revolution challenges: Search, assemble, and validate genomes
WO2014181937A1 (en) System and method for aligning genome sequence in consideration of read quality
WO2014119848A1 (en) System for recombining genome sequence in consideration of read length and method thereof
Namiki et al. Fast dna sequence clustering based on longest common subsequence

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13850492

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC, FORM 1205A DATED 26-08-2015

122 Ep: pct application non-entry in european phase

Ref document number: 13850492

Country of ref document: EP

Kind code of ref document: A1