一种基于读数和距离分布的基因组De novo序列拼接方法

摘要

本发明公开了一种基于读数和距离分布的基因组De novo序列拼接方法，采用De Bruijn图存储读数之间的重叠关系，基于读数分布提出了一种新的打分函数用在contig构建、scaffolding和填充空白区域等步骤。该打分函数充分考虑了测序深度，k-mer频次以及在复杂重复区中insertsize的偏移。本发明简单易用，在不同的模拟和真实测序数据上表现出良好的拼接结果，较其他序列拼接方法具有更高的连续性和完整性。

主权项

一种基于读数和距离分布的基因组De novo序列拼接方法，其特征在于，包括以下步骤：1)输入双端读数文库，构建初始De Bruijn图，并对初始De Bruijn图进行优化；2)以De Bruijn图为基础，选择种子序列，并利用打分函数对候选扩展序列进行打分，选择得分最高的候选扩展序列与种子序列合并，并继续进行扩充，直到结束条件为止。扩展后的每个种子序列即为一条contig，所有的contig构成一个contig集合；3)建立scaffold图，每个结点代表一个contig，边代表两条contig在真实基因组序列上的位置紧邻；4)填充scaffold图中有边相连的两个结点之间的空白区域，通过匹配上的双端读数长生一个局部读数集合，在局部读数集合上构建新的De Bruijn图，并在该De Bruijn图上寻找能够连接两个结点的路径，如果存在这样的路径，则以该路径填充空白区域。