[发明专利]一种三代PacBio测序数据的比对方法

摘要

本发明提供一种有效降低重复序列造成的比对错误的三代PacBio测序数据的比对方法。它使用二代的Illumina数据建立k‑mer模型，提取unique‑kmer，在三代PacBio测序数据的比对中，使用这个unique‑kmer来作为比对时使用的种子(seed)，能大大地降低重复序列的影响，提高比对的速度。

主权项

1.一种三代PacBio测序数据的比对方法，其特征在于，它包括以下步骤：（1）使用二代Illumina测序数据建立kmer模型，并从中提取出unique‑kmer；（2）使用unique‑kmer把它作为比对的seed，与三代Pacbio测序数据进行比对，筛选出候选reads；（3）对候选reads进行详细比对，包括以下步骤：a. 先对比对上的seed进行聚类，算出最可能的比对范围，方法如下：建立坐标系，横坐标代表read1比对上的位置，纵坐标代表read2上比对上的位置，每个点代表两条read上共有的seed，将这些seed用斜率为1的直线进行聚类，将聚到最多点的直线作为比对上的区域；b. 再将比对范围进行小区域分割，对每一个分割区域，使用LCS算法计算相似度，再对整体进行打分，方法如下：假设将比对范围分为n个区域，相似度大于0.8的区域有b个，这些小区域总体的相似碱基为c个，则区域相似度为b/n，碱基相似度为c/a，最后只保留这两个值都大于0.7的数据。