生物信息學是數(shù)據(jù)導向科學,大規(guī)模測序是其最重要數(shù)據(jù)來源

1、生物信息學是數(shù)據(jù)導向科學,大規(guī)模測序是其最重要數(shù)據(jù)來源生物信息學是數(shù)據(jù)導向的科學, 大規(guī)模測序是其最重要的數(shù)據(jù)來源之一大規(guī)模測序與實驗室測序的不同實驗室測序： 手工操作，效率低，結果是第一位的大規(guī)模測序： 流水線操作，自動化 追求穩(wěn)定、高效、低本錢兩種測序策略：基于BAC的方法： 先把基因組打碎成200300kb的片段并制成BAC文庫，再選擇一些BAC進一步打碎成3kb左右的小片段，測序并拼接。全基因組鳥槍法： 把基因組直接打碎成3kb左右的小片段，測序并拼接?；贐AC的方法全基因組DNA隨機打成大片段 選擇并克隆大片段排序，選擇再打碎，克隆，測序，拼接全基因組鳥槍法基因組DNA隨機打碎測序

2、并拼接近來測序技術的進展從基于BAC的策略轉向全基因組鳥槍法毛細管自動測序儀的廣泛使用全基因組鳥槍法測序的拼接困難： 數(shù)據(jù)量極大 大量重復序列造成拼接途徑的不確定拼接軟件的新需求能充分利用正反向測序的配對信息, 防止重復序列造成的錯誤拼接能處理數(shù)以百萬甚至千萬計的數(shù)據(jù) 程序并行化 高效率比對 能逐步拼接水稻基因組拼接步驟:采用數(shù)學模型識別重復序列 把重復序列屏蔽掉后，根據(jù)是否具有重疊局部進行分組采用大型計算機并行拼接恢復重復序列，延伸contig構建scanfold識別重復序列的數(shù)學模型重復序列識別：假設repeat有m個拷貝，且隨機序列覆蓋深度為0，1，2的概率：g0 ， g1 ， g2 ，

3、那么一次抽樣repeat覆蓋深度為0，1，2，的概率P0， P1， P2，為：n次抽樣，其中i次以上深度在j以上的概率Pij設一次抽樣深度在j以上和以下的概率分別為：Pj，Pj+；n次抽樣，其中i次以上深度在j以上那么認為是repeat，此時犯兩類錯誤的概率 為：設repeat在基因組中的比例為b，出現(xiàn)概率為P，非repeat出現(xiàn)概率為P* ，那么：MDR (Mathematically-Defined Repeat) vs. BDRs (Biologically-Defined Repeats)BDR(25%)BDR(50%?)MDR(42.2%) 人與水稻基因組中重復序列分布的差異Contigs:127,550 (N50=6,688 bp)Scaffolds: 102,444(N50=11,764 bp)Quality: 546 bp at Q20進一步工作的設想新拼接程序步驟：利用覆蓋深度模型糾正測序錯誤采用嚴格比對快速確定所有可能的重疊利用圖論或線性代數(shù)方法完成拼接糾正測序錯誤對6X左右鳥槍法測序數(shù)據(jù)，統(tǒng)計所有20堿基長小片段出