文摘
DNA高通量检测技术的快速发展,有一个高的DNA序列变异与人类疾病之间的相关性,并检测是否存在DNA序列的变化已成为目前的一个研究热点。DNA序列变异是相对罕见,DNA序列稀疏矩阵的建立,可以快速检测和理性融合变异点,已经成为一个重要的肿瘤基因测试。因为有差异目前比较软件和突变检测软件检测相同的样本,有错误导数序列的结果之间的比较和突变的检测。摘要SNP和InDel检测方法提出了基于机器学习和稀疏矩阵检测,和VarScan 2,基因组分析工具包(GATK) BCFtools, FreeBayes进行了比较。SNP的研究和InDel检测与智能推理,实验结果表明,检测准确率和召回率更当深度增加。推理融合方法相比具有一定的优势效应并发现SNP和InDel肿胀和疼痛基因检测具有良好的效果。
1。介绍
与高通量测序和基因芯片技术的快速发展,DNA序列变异检测和芯片表达已经成为当前的研究热点。在测序所产生的大量数据,发现有一个结构性变异和基因表达之间的相关性。与越来越多的人类基因组数据,单核苷酸多态性(SNP)和插入和删除(InDel)变异将越来越多的被发现。
针对现有60多种比较软件,领结2 (1),burrows - wheeler对准器(BWA) [2],HISAT2 [3],Subread [4)使用更频繁和更有效地比其他软件工具。本文着重于这四种类型的软件的比较研究,通过相关的比较分析,研究了融合的BAM文件产生的四种软件,以产生最佳的BAM文件。
门店技术具有较高的吞吐量;即一次排序的数据量很大,可以达到数千万读取数据,和测序深度比较深,许多外显子可以达到1000 x。与传统的SNP发现方法相比,它具有明显的优势和相对大量的挖掘信息。然而,随着大量的高通量数据的出现,一些测序序列也将导致测序错误,和测序质量、系统误差、随机误差也将增加,这也将导致造成的不可避免的问题,如错误的建议的分析测试结果。例如,拷贝数变异(CNV),插入和删除(InDel)和结构变异(SV)在遗传变异进行分析预测。有许多现有的SNP检测流程,但主流SNP调用SNP检测软件,例如VarScan 2 (5],GATK [6],BCFtools [7],FreeBayes [8),也有自己的检测优势,和各种软件的检测结构比较相同的软件。SamTools、BCFTools GATK使用贝叶斯统计模型。这样的模型表现良好在二倍体基因组的分析,但可能阻碍了极其深覆盖或等位基因分值较低的数据集。事实上,最近的一项比较肿瘤subclonal变异检测工具的分析(9]发现VarScan 2显示明显差异时所需的测序深度准确识别变异是100 x, 250倍,500倍,1000倍,分别(10]。不同的SNP检测软件有不同的检测结果,所以有必要综合利用上述软件的优点来生成一个基于multidetection软件融合检测方法。
1.1。burrows - wheeler转换技术
假设 字母组成的序列,象征着小于词典顺序的所有字符。给定一个字符串 ,在哪里 ,这 代表了我th的信, 子序列的年代, 是一个后缀的年代。年代burrows - wheeler转换(BWT)结构的结果n-step右移操作年代,一个字符,一个矩阵的数组n行。数组中的每一行的结果年代右移位操作,和之前的字符串$字符相对应的后缀行。建立了矩阵后,矩阵中的每一行的后缀是按照字典顺序排序,然后重新排列得到最终的转换数组。最后一列的字符矩阵可以组合进而得到转换后的字符串序列。以下计算BWT (年代)对于一个给定的字符串年代包括三个基本步骤:步骤1:添加特殊符号的美元年代,这是比任何符号年代。第二步:构造米矩阵的第一行等于年代。的第二行米矩阵是周期性一点转向右边的第一行米矩阵(年代值)。的第三行米矩阵是周期性一点转向正确的的第二行米矩阵,重复此过程,直到达到行n。通过矩阵的观察,可以发现,当nth行矩阵的变化由一点向右,第一行年代将再次获得,这意味着执行序列循环移位到吗nth行,只是完成一个旋转的序列年代。步骤3:构建转换文本年代= BWT (年代通过的最后一列)米矩阵。
请注意,每一列的米矩阵,即转换文本年代,是一个安排年代美元。
例1。年代= " ACGTACAAAT "是用来说明转换的过程。具体操作步骤如下:步骤1:年代= " ACGTACAAAT "是用来说明转换过程,和一个角色添加后美元年代形成年代美元,年代= " ACGTACAAAT美元,”第一个行为的米矩阵”ACGTACAAAT美元。”步骤2:第二行“CGTACAAAT“美元通过周期性改变年代向右一次形成的第二行米矩阵,第三行“GTACAAAT AC美元”是通过周期性的第二行转移年代向右移动一次。的n−1行年代是周期性转移到正确的一次(n的长度是年代),nth排米矩阵,最后一行“ACGTACAAAT美元”,最后米矩阵的形成。然后米矩阵排序(<美元的原则一个<C<G<T),米矩阵。步骤3:把最后一行的米矩阵,即BWT (年代),具体效果如图1。图1显示字符串的结构施工过程年代= " ACGTACAAAT $。“字符串年代获得了10轮的循环移位操作,在矩阵中的每一行的最后一个字母组合得到新的字符串BWT转换后=“TCAT AAACAG美元”。年代(我),我在图1在FM-index描述。最后一列和原始序列的数量并没有减少,可以实现无损压缩效果。有许多相同的字符串 。如果由其他压缩方法压缩,它也可以达到良好的结果。
1.2。基于哈希索引技术
基于哈希索引的方法通常是用于查询和匹配在大型数据库,也可以实现精确匹配的DNA序列。通过查询参考基因组测序序列的指数关系,我们可以发现在DNA序列测序序列是否存在。这种技术是解释如下:步骤1:创建哈希表。
在DNA序列,它由四个基本单位:一个,C,G,T(N不是作为统计范围)。连续序列长度K被称为“种子”,有4吗K类型的序列。建立哈希表4k种子序列。因为二进制表达人物有一定的优势一个,C,G,T,它可以唯一地标识的DNA序列,如以下公式所示:
种子W以独特的方式表达,记得吗V(W),如以下公式所示: 步骤2:协会参考序列的哈希表。
人类DNA序列可以分为23对染色体,每一对染色体有大量的DNA序列,和所代表的染色体序列D= {chr1 chr2,…, chr23}。连续的种子的长度每个染色体的DNA序列分解设置K= 4或K= 8或更高,每改变一个比特从一开始的序列的序列。如果序列长度l,那么序列l−k+ 1种子。的序列N(N= 1,2,…N“种子”的数量和位置l(l= 1,2,…l)的序列,哈希表(N,l建立了“种子”。如果哈希表建立了年代= " ACGTACAAAT”,过程如下:
把序列年代= " ACGTACAAAT。”k= 2,作为一个例子,如表所示1。步骤3:校准序列还可以分解种子长度K然后指建立哈希表的参考序列找到相应的位置信息。
例如,查询“TAC”分解成“助教”和“交流”哈希表对应(1、4),(1,1),和(1、5)。职位(1、4)和(5)相关,所以“TAC”的位置年代是4。
位置查询算法基于哈希表的索引技术,如果有在测序序列测序错误,SNV, InDel,等等,将导致匹配错误或序列匹配到其他位置。生物校准软件,比如MAQ [11],RMAP [12],放大[13),等等,索引排序序列,而其他指标参考序列数据库。删除“种子”哈希表的频率低于设置的阈值。因为参考基因组的长度是固定的,索引参考序列可以提高序列比对的效率。一般来说,索引可以提前存储,可以分解为测序序列K种子匹配建立哈希表。
1.3。后缀树检测算法
1.3.1。后缀树(14]
让是n在一个有限的DNA序列序列,后缀树年代是一个有向树与根,在哪里n叶子是0到编号n−1,对应于每个后缀年代。每个内部节点至少有两个子节点,和每条边被标识为一个非空的子串年代。既不允许同一个节点以外的边缘有优势标签开头相同的字符。对于任何叶我连接的边标签从根到叶子的路径我准确地说明了年代后缀开始位置我,子字符串年代(我、…n]。添加一个独特的终结者 的字符串来确保前缀后缀其他后缀。后缀树的边缘连接这些节点树中只有一个字符,因此,后缀树中的每个内部节点将至少有两个子节点。通过这种方式,减少冗余节点,从而节约施工时间和空间的后缀树。每条路径从根节点到叶子节点在后缀树代表一个后缀子序列,和价值在过去的叶节点代表这个子序列的起始位置。当他们有相同的内部节点,它们有相同的常见的前缀。图2显示了后缀树参考基因组的转换过程年代= " ACGTACAAAT。”
参考基因组的年代= " ACGTACAAAT美元”,每个子序列在后缀树的叶节点。在目标序列,美元仍表明,序列和其后缀终止,只发生一次的序列或末端的子序列。类似于字典树,如果序列构造后缀树包含K字符,那么后缀树K+ 1分支机构(包括终止符号)从根节点。在图2,DNA序列年代只有四个字符,一个,C,G,T,加上《终结者》的一个分支,所以有五个分支从根节点。只有一个后缀字符开始G,没有其他分支。叶节点需要存储在后缀树,以及边的路径。
后缀数组可以通过改变后缀树。后缀数组按照字典顺序,安排和初始位置信息安排后缀树的建立与参考基因序列一一对应。后缀数组一个的字符串年代是一个整数数组的范围从0到n,指定的字典顺序N+ 1美元字符串的后缀;SA [0], SA [1],…, SA (n后缀的升序序列年代如图美元3。后缀数组需要4n(8n在64位)字节的内存,所以他们的记忆效率低下,不能用于大序列。
1.4。FM-Index技术
FM-index [15)全文字符串索引是基于BWT压缩,有点类似于一个后缀数组。它由一个BWT统计数组中和一个事件表 。为每一个字符p在信中,计数数组被定义为字符串中出现的次数更少的字符,然后呢 被定义为出现的次数的性格p在 。FM-index和后缀数组之间的主要区别是执行搜索的方式。FM-index向后搜索字符串,而后缀数组,字符串匹配的前进。下面是用绳子FM-indexed数据结构的一个例子年代= " ACGTACAAAT”:步骤1:建设米矩阵,测序序列年代美元,执行旋转序列列年代美元,然后进行行排序米矩阵获得米′。第二步:建立一个相应的行之间的关系米′矩阵的行米矩阵,并记住B(我在最后一列米′。米′和年代可以恢复BWT的逆过程。步骤3:创建一个数组Oc ($), Oc (一个)、Oc (C)、Oc (G)和Oc (T)代表第一次出现的行号的第一列矩阵。Occ (2G)代表出现在最后一列的数量,和FM-index变换过程如图4。FM-index和后缀数组有一些相似之处。第一列的米′矩阵表示F(我,最后一列的矩阵映射到F(我]随着低频[我),实现了上面的Oc和Occ数组中,并表示如果[我)= Oc (l(我]]+ Occ [l(我),我]。在搜索过程中,通过设置搜索范围的公式表达: 在哪里F {一个,C,G,T},l= 0,H=N−1是初始值,H−l−1是字符的次数F出现,年代(l,H字符的位置,如图4。
下面是一个例子来验证上述方法的次数l= " TAC”出现在年代= " ACGTACAAAT”,操作如下:步骤1:期待从后面的字符串l设置两个变量,R和H,表明最低位置和最大位置,和R= 0和H= 10表明从0到10的位置。的最后一个字符l是“C”。寻找的位置”C“通过OcOcc,它是确定的l=Oc[C] + Occ [0, C] = 6 + 0 = 6H=Oc[C] + Occ (10 + 1 C)−1 = 6 + 2−1 = 7。可以看出H−l+ 1 = 2”意味着有两种C“在年代字符串,和职位年代[6],年代分别[7]。步骤2:计算新l和H从第二个最右面的性格”一个”,l= 6和H= 7。l=Oc[一]+ Occ [0] = 1 + 2 = 3,H=Oc(一个)+ Occ [8]−1 = 4H−l+ 1 = 2意味着“AC”发生两次年代字符串,和职位年代[3]= 4年代分别[4]= 0。第三步:最后,寻找“T”。在这个时候,l= 3,H= 4计算l和H一次。l=Oc[T] + Occ [3 T) = 1,H=Oc[T] + Occ [4 T]−1 = 10H−l+ 1 = 10−10 + 1 = 1表明“TAC”中发生一次年代字符串,这个职位年代[10]= 3。
这种方法可以用来找到字符串中的字符的数量和位置,以及算法的复杂性O(n)。在软件的DNA序列比较,FM-index算法的优点是,它可以节省内存,实现序列比对在个人电脑。
在本文的第二部分中,我们使用哈希索引,burrows - wheeler变换,后缀树和后缀数组,以及FM-index DNA序列比对算法。
哈希索引查询技术是等价的;哈希索引有绝对优势,但前提是,没有大量的重复的键值。如果有大量的重复的键值,散列索引的效率很低,因为所谓的哈希碰撞问题。算法性能的比较查询效果主要是需要大量的存储空间,当建立索引空间。查询的时间复杂度O(n),而位置加入后查询需求 。
burrows - wheeler变换是一个全文索引方法,它是基于字符的搜索和压缩方法。如果原始字符串有几个子发生多次,转换后的字符串将连续有几个重复字符,这可以减少存储空间。该算法时间复杂度BWTO(n2)。
基于BWT FM-index是一个方法,可以找到的数量和位置字符在字符串中。算法的复杂性O(n)。在软件的DNA序列比较,FM-index算法的优点是,它可以节省内存,实现序列比对在个人电脑。
后缀树使用时间和空间使用的共同前缀字符串来减少查询时间的开销为了提高效率,但它消耗大量的内存。后缀树的算法复杂性O(n),它也具有良好的性能。
1.5。引入变异检测过程
第二代测序技术提高了测序的效率和降低了成本,和全基因测序已经实现了。因为测序所产生的大量的数据和复杂的分析过程中,需要结合多种软件分析测序数据。下列文件生成的测序检测过程解释道。
1.5.1。原始测序数据清洗
早期基因测序工具只能读100基地,,之后,根据门店数据不同的测序平台,阅读可以达到150 - 250个基点。Illumina公司HiSeq 2500是世界上最高的吞吐量测序平台。目前,大约27小时,超过3000亿基地可以测量,和整个基因组和全外显子6 - 7个人可以快速测序。Illumina公司平台使用FastQ格式来存储测序结果,和FastQ文档包括基础阅读碎片和序列质量。
在排序过程中,由于随机误差,测序后的原始数据需要清理在进入检测过程。在肿瘤基因的测序数据对齐序列(SRR12060749)为例,说明了预处理过程,原始测序数据过滤。首先,清洁单端测序数据,清洗前后保持一致,然后清洁低质量数据,以确保清洁前后的测序数据的可靠性。
从表可以看出2肿瘤基因排列的原始数据序列测序测序质量高,清洗后和总体数据量高达98.83%。
在表2、“Clean_len”列表的长度序列洁肤后,和“读取”表示序列测序的数量。数据清理的目的是为了提高数据的准确性和质量检测。
序列长度之间的关系和计数之前和之后的测序数据清洗如图5。
大多数数据之前和之后的序列的长度是75个基点,和数量达到2200万。测序数据质量和数量分布的影响之前和之后的清洁如图6。
从图可以看出6的序列的测序质量35达到1300万,而且大部分的测序数据质量超过30。测序序列的变化从GC含量的分布,如图7。
从图可以看出7测序序列基本上是一致的之前和之后的清洁,和两个序列的GC内容是相似的。之间的关系可以看到相同的测试片段测序序列的重复程度分配比的测序片段,如图8。
从图可以看出9测序片段的比例,重复1和2的比较大,这主要是由一些基本变化或在测序机错误。清洗之前和之后的重复序列片段相似,和整体趋势是一致的。
样品测序数据的总量和质量的肿瘤基因排列顺序基本上是一致的,都在一个较高的水平。
1.5.2。测序序列比对
60多个现有比较软件工具,领结,BWA, HISAT2, Subread在使用时间和效果要明显高于其他软件工具。以下着重于这四个软件工具的比较研究和生成的BAM文件的比较研究。肿瘤基因的测序样品比对序列作为一个例子来说明软件对齐效果的差异。对齐的效果如表所示3。
在表3提出了四种序列比对软件。因为不同的算法设计和序列检测,检测效果有差异。
根据统计结果表3的比较算法,算法采用领结2和BWA软件基于BWT技术,HISAT2软件采用的算法是基于FM-index技术,和Subread软件采用的算法是基于哈希索引技术。的时间执行,HISAT2和Subread需要很长时间,而领结2需要很短的时间内。测序序列的匹配效率、BWA和HISAT2匹配率较高,分别为98.78%和96.75%,分别而Subread和领结2匹配率较低,均低于90%。总的来说,BWA和HISAT2软件工具相比有优势的速度和时间,而领结2效果比较差。BWA是目前比较流行的软件工具,这是更适合全基因测序和外显子测序。
如图10四种类型的软件按SAMtools BAM形成文件,并发现BWA,领结,和HISAT2最多数量的副本(副本与其他软件工具除外),分别与492752年和653738年的数量。的副本数量领结2和Subread(不含重复与其他软件工具)是21381。BWA, HISAT2 Subread有最大数量的副本(副本与其他软件工具除外)887962年在领结2,HISAT2, Subread有最大数量的副本(副本与其他软件工具除外)10371。BWA、HISAT2 Subread,领结2 11065583序列重复,这表明大多数测序数据的正确识别。
比较是非常重要的,选择合适的软件来检测SNP的速度和准确度比较软件应考虑全面。因此,考虑到匹配率和比较数量的四个比较软件工具,BWA比较软件在检测效果有一定的优势。SNP的检测和InDel BAM BWA软件生成的文件作为输入文件的四个变化检测的软件工具,和国民党之间的差异和InDel进一步分析。
1.5.3。更正变化检测
目前,有许多SNP检测工具和InDel。在许多检测工具,VarScan 2 GATK BCFtools, FreeBayes被广泛使用。运行平台,输入类型、输出类型和数据格式下面描述的四个软件工具,如表所示4。
Mpileup文件转换后通过SAMtools工具测试上面的软件。从软件使用效果的实际情况各种软件工具;SNP和InDel统计分析,如表所示5。
上面的SNP和InDel过滤(测序深度大于10,测序质量大于30),确保检测质量。在检测SNP, FreeBayes最大数量和VarScan 2数量最少;在检测InDel, GATK最大数量和VarScan 2最少。整体检测,GATK最大数量和VarScan 2数量最少。从上面的统计结果,检测软件检测的相同的样本有一个相对较大的差异,这是由于这种差异造成的检测技术的使用。SNP的数量的差异和InDel四个检测软件工具检测到的数据所示9和11。
在图12相同数量的SNP检测到的四个软件工具是23157,表明大多数SNP可变点检测到所有四个软件工具。BCFtools、FreeBayes GATK有很高的相似性检测SNP和分享更多的可变点。四种软件检测到相同数量的795 InDel, GATK发现最大的数字,和其他三种软件类似。
1.5.4。测序数据变化检测过程
数据处理流程始于阅读序列比对(BWA [16]),紧随其后的是原始数据清理(皮卡德(17]),序列校准、过滤变量调用,校准(GATK [18]),覆盖分析(BedTools [19)、注释(Annovar [20.)和内部注释工具)。这个过程需要结合生物软件与额外的评论和覆盖的步骤。一般来说,分析过程包括三个主要阶段:(1)准备原始序列变异的发现和覆盖率的计算,(2)变异叫和校准;和(3)变化过滤和注释。序列数据变化检测过程如图12。
在图12,整个过程从行星测序序列变异注释主要用来解释详细测序工作流程。每个链接是关键工作的研究,可以清楚地反映出研究的每一个阶段研究工作的焦点。
2。方法
2.1。变量表达式的稀疏的DNA序列
稀疏理论用于检测DNA序列中的可变点,和SNP InDel变异占不到0.1%的DNA序列。这样,SNP和InDel变化显示整个序列的稀疏而整个DNA序列或外显子序列。因此,外显子被用作矩阵的基础上,和可变点矩阵作为标志。
在DNA序列或外显子序列,稀疏表示的核心是解决线性方程y= Ax,矩阵 和一个通常是满秩。米表示DNA或外显子序列的数量,N表示变量的变化点。在一个给定的米维空间,一组overcomplete基地 可以通过选择最少的基向量稀疏表示 ,及其严格的定义可以表示为
如果矩阵一个满足条件 在哪里指的是向量的个数包含在最低列向量组线性相关,那么l在公式(0-norm优化问题4)有一个独特的解决方案。
很难解决线性方程y,l0-norm优化问题的解决方案l1问题;也就是说,
有限的财产状况是衡量一个列向量的正交性;也就是说,它有一个常数满足一定的条件:
由于噪声的存在 ,稀疏表达进行了优化。如果公式(8)是满意,满意的优化条件。
如果有不同类别的样本的DNA序列表达标签矩阵,散度矩阵传递的样品标签。散度矩阵分为以下:
在这里,和代表组内的散度矩阵和组内散度矩阵,分别代表调整参数。
内部类和类之间的距离可以计算通过使用对应的散度矩阵的迹,及其计算公式
可以表示比率的公式(10):
在公式(10)和(11),年代b表示类之间的散度矩阵和SNP的散度矩阵在不同地区和InDel;代表总散度矩阵,代表所有地区的散度矩阵SNP和InDel;“跟踪”表示的分离距离测量样本类,用于描述SNP的分离和InDel变体。用于评估不同地区的比例关系,描述SNP和InDel变化的比率在不同的地区。
2.2。贝叶斯统计
2.2.1。条件概率
考虑到事件的相关性一个当发生事件的概率B记录,它被称为条件概率(后验概率)发生的事件B的基础上发生的事件 。同样的,被称为无条件概率(先验概率)。它可以由以下公式描述:
如果一个和B两个任意非零事件,他们的产品的概率等于产品的条件概率发生的事件B或事件一个当一个发生或B也会发生。
如果一个和B不相容事件,产品等于产品的概率一个和B如下:
如果三个或更多的事件发生时,产品 的n事件可以由以下方程描述:
如果n事件是相互独立的,他们被描述为
对所有样本空间,如果B在样本空间是一个事件,都是影响因素B;它被称为一个完整的事件在样本空间,和 被描述为 :
对所有样本空间,如果B在样本空间是一个事件,都是影响因素B在样本空间,这被称为一个完整的活动,和 可以被描述为
和 和代表事件的概率 ,这是假设的先验概率事件吗 。EE说,如果事件B发生,它假设后验概率的事件 。
2.2.2。贝叶斯推理在数据融合
贝叶斯推理实现融合的BAM文件相比,由多个DNA序列比对软件工具。计算后验概率给定条件发生时(21,22),n软件工具比较序列相同的原始测序文件。假设有米对齐序列的原始测序需要对齐和确认;也就是说,有米假设或命题 。专门通过第一级的多级分类,识别特性获得的信息从原始测序数据和属性进行分类,获得目标属性 ,计算每个比较软件工具的似然函数在每个假说根据正确的测序数据的分类和比较,计算后验概率的假设下多重比较证据根据贝叶斯推理,最后生成属性判断结论根据判断逻辑。流程如图13。
有两个步骤计算融合对齐序列的概率。第一步是计算似然概率函数的总和n行假设的证据成立。当每个比较序列独立和软件工具 是相互独立的,合并后的似然概率分布如下:
然后,利用贝叶斯公式,后验概率的条件下的n线的证据。
在贝叶斯组合逻辑的推理过程,最大后验概率推理逻辑是用来直接使用的目标属性决定联合概率阈值最大后验组合。选择满足公式条件:
根据上面的公式,建立了决策阈值的假设最大后验概率,并决定阈值的具体规则建立了。
如果被接受,拒绝它,确定下一条规则,形成新的证据,然后确定上述方式(23]。
2.3。Multi-Information-Based数据融合研究
2.3.1。测序序列比对的数据融合
本研究的目的是提高成功率的比较,以及不同比较软件工具可能导致比较效果。为了提高比较和找到更多的结构性变化的影响,本文采用基于multicomparison软件的数据融合。其multicomparison软件比较数据融合过程如图14。
在上述过程中,一部分采用计数山姆文件中的序列的条件下,计算序列的数量,并根据数量进行排序。四个工具是排序后的序列比较,同样的顺序出现在所有的文件,表明该序列比对是正确的。如果相同的顺序出现在三个文件和序列出现的频率相当高,这也表明,序列比对是正确的。如果相同的序列中出现两个文件和序列出现的频率相当高,指PCR序列。如果在目标序列PCR序列,定位是正确的;在其他情况下,序列可以删除或忽略了作为一个对齐的结果。以上四个基因序列比较的软件工具,然后post-SAM文件排序形成BAM文件。以下是BAM文件中所示的比较算法的算法1。
|
2.3.2。研究SNP调用数据推理
排序的过程中,与许多疾病SNP有很大的相关性,发现更多的SNP为了找出可变点和疾病之间的相关分析24,25]。有一些差异在寻找SNP在上述四种软件,这主要是由于算法设计采用软件本身的差异。因此,本文提出了合并上述四个工具为了数更多的SNP及其结构流图所示15。
上面的四个工具形式的VCF文件之后,他们合并删除重复数据。然后,通过过滤机制在GATK [26),分析了SNP和InDel推荐机制,最后过滤VCF然后带注释的注释生成软件。推理机制和SNP序列比对调用进程太相似,不会这里描述。
3所示。结果
3.1。实验结果的比较
本文比较了以上四个软件工具领结2,BWA HISAT2, Subread。比较SNP和InDel的一部分,我们使用GATK, BCFtools, FreeBayes, VarScan 2检测SNP和InDel变异。这部分的主要研究工作是分析的变化检测,然后进行比较与融合方法的推荐机制。
在实验中,SVsim软件是用来模拟双头测序的DNA数据,和相应的出错率,测序长度和测序类型集。3000个SNP遗址和2000年InDel网站(2 - 10 bp插入2 - 10 bp删除)插入到模拟测序序列。六Illumina公司模拟样本序列生成的仿真软件,和测试深度50,100年,150年,200年,250年和300年,分别。标准误差和错误的测序是0。
本文以癌症基因测试数据为研究对象,比较软件的序列号和推理融合方法从不同深度测试,如图16。
当比较的SNP数量和InDel,无法保证软件的正确性检测通过比较实际的数据,和不同的软件工具测试相同的数据时将产生不同的比较。因此,在本文中,3000个SNP和2000 InDel可变点被插入到测试数据,这个固定的可变点作为比较对象。用不同的测试深度的增加,变化检测也点增加,如图17和18。
从数据可以看出19和20.增加测试深度,SNP的数量和InDel变异检测的测试序列也增加。这表明增加测试深度可以增加变异检测的数量在测试工作。
3.2。性能分析
过程中DNA癌症基因测试数据,GATK的测序结果,Bcftools, Freebayes, VarScans BAM文件由贝叶斯融合模型。突变站点灵敏度估计是描述(26在召回条款如下:
从数据可以看出19和20.,由于测序深度在SNP和InDel发现增加,表明有足够的测序深度测序数据,确保正确性和SNP和InDel召回率。在排序过程中,可以有足够的测序深度和精度高。
从表可以看出6和7,在运行时,GATK BCFtools、FreeBayes VarScan 2需要做成BAM BWA软件文件,这需要一定的时间。然而,推理方法提出了基于上述方法,占用更多的时间。除了BWA, GATK的运行时间也长,由软件算法是有限的。但GATK也是理想的效果。与序列长度的增加,该方法的准确性和召回率也增加,而且,与序列长度的增加,比较时间也会增加,所以运行时间也增加了。
4所示。结论
在第二代测序技术的迅猛发展的时代,它已经成为医学发展的一个重要方向建立DNA测序的基因变异和疾病之间的关系。摘要SNP和InDel检测方法提出了基于机器学习和稀疏矩阵检测,和VarScan 2, GATK, BCFtools, FreeBayes进行了比较。SNP的研究和InDel检测与智能推理,实验结果表明,检测准确率和召回率更当深度增加。推理融合方法相比具有一定的优势效应并发现SNP和InDel肿胀和疼痛基因的检测具有良好的效果。在本文中,不同的软件融合的检测方法进行了研究。融合后,有明显优势的SNP数量和InDel。然而,在大面积序列缺失的情况下,检测效果很差,因此有必要进一步原因和融合检测序列的位置信息。以后的工作主要侧重于序列融合后的选择和研究序列的特点,所以可以选择不同的软件融合来实现最佳的性能。
数据可用性
使用的实验数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者声明,关于这项工作他们没有利益冲突。
作者的贡献
唐朝,灵罗的贡献同样这项工作。
确认
这项工作是支持部分由中国国家自然科学基金(没有。82073347)、项目cstc2020jxjl130015 cstc2021jcyj-msxmX0767、cstc2019jcyj-msxmX0671 cstc2020jcyj-msxmX1093, cstc2018jcyjAX0460从重庆市自然科学基金,和项目集成关键技术的创新和应用精确的预防和治疗原发性肺癌(没有。2019 zx002)重庆市卫生委员会。