本文探讨了高通量测序的偏差和错误，包括454和Illumina平台的问题及解决策略。此外，讨论了速度、内存需求以及数据存储和可视化面临的挑战。在de novo测序、转录组学、重测序和表观基因组学等领域，阐述了各自独特的难题。猛犸象基因组测序计划作为实例，展示了古基因组学的挑战，如DNA损伤和环境污染。
Sequencing bias/errors
1. 产生原因
454：识别不同荧光信号，不易区分homopolymer
Illumina：当分子簇形成数量较少时，不能灵敏地捕获荧光信号；及信号冲突，对于High GC区域的覆盖度比较低。
2. 解决方法（Correcting errors in short reads by multiple alignments/ Quake: quality-aware detection and correction of sequencing errors/ ECHO: A reference-free short-read error correction algorithm）
（1）Deep sequencing
（2）Statistical evaluation
（3）Error correction
Speed and RAM
- 高通量数据分析通常需要多个计算节点（CPU-intensive jobs: read mapping, metagenomics）和大的内存（RAM-intensive jobs：genome assembly），CPU访问内存速度比硬盘快得多，若拼接一个人的基因组，约需要512G的内存。
- Performance in amazon EC2（http://bowtie-bio.sorceforge.net/crossbow）
Serchi
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
