校正第三代测序数据

校正第三代测序数据

皮埃尔·莫里斯 1 详细信息

1 LITIS-计算机科学，信息处理和系统实验室

在FR

摘要：本论文的目标是处理来自高速定序器（尤其是第三代定序器）的数据的广泛问题的一部分，该问题主要针对于校正序列错误，以及校正对基础分析质量（尤其是对装配体）的影响。首先，本论文的目标之一是评估和比较各种混合校正方法（另外还使用短读）和自校正（仅基于最新阅读的长篇文章中包含的信息。通过这种评估，可以轻松地确定哪种校正方法最适合给定的情况，尤其是根据所研究基因组的复杂程度，测序深度或读取错误率来确定。此外，开发人员可以识别现有方法的局限性，以指导他们的工作并提出克服这些局限性的新解决方案。已经开发了一种新的评估工具，与迄今为止唯一可用的工具相比，它提供了许多其他指标。该工具将多重比对方法与细分策略相结合，还大大减少了评估所需的时间。使用此工具，可以提供所有可用校正方法的基准，从各种各样的数据集，测序深度，错误率和复杂程度（从贝氏杆菌到人类）进行分析。该基准使我们有可能确定现有工具的两个重要局限性：读取错误率高于30％，读取长度超过50,000个碱基对。因此，本论文的第二个目标是纠正非常嘈杂的读码。为此，已经开发出一种混合校正工具，其结合了现有技术的不同方法，以克服现有方法的局限性。特别地，该工具结合了使用de Bruijn图的方式将长读短读对齐的策略，并具有可变顺序的特殊性。因此，该图用于链接对齐的读段，从而校正长读段的未覆盖区域。与ELISA方法相比，该方法可校正错误率高达44％的读段，同时可扩展大型基因组并减少处理时间。最先进的技术。最后，本论文的第三个目标是对超长阅读的纠正。为此，已经开发了使用这次自我校正方法的工具，再次结合了现有技术的不同方法。更具体地说，一种策略是先计算读段之间的重叠，然后通过多重比对再使用局部de Bruijn图来进行双校正步骤，在这里使用。为了使该方法能够有效地扩展极长的读取，已对上述分割策略进行了概括。这种自校正方法可以校正多达340,000个碱基对的读数，同时在更复杂的基因组（例如人）上具有出色的可扩展性。