校正第三代測序數據
皮埃爾·莫里斯 1 詳細信息
在FR
摘要：本論文的目標是處理來自高速定序器（尤其是第三代定序器）的數據的廣泛問題的一部分，該問題主要針對於校正序列錯誤，以及校正對基礎分析質量（尤其是對裝配體）的影響。首先，本論文的目標之一是評估和比較各種混合校正方法（另外還使用短讀）和自校正（僅基於最新閱讀的長篇文章中包含的信息。通過這種評估，可以輕鬆地確定哪種校正方法最適合給定的情況，尤其是根據所研究基因組的複雜程度，測序深度或讀取錯誤率來確定。此外，開發人員可以識別現有方法的侷限性，以指導他們的工作並提出克服這些侷限性的新解決方案。已經開發了一種新的評估工具，與迄今爲止唯一可用的工具相比，它提供了許多其他指標。該工具將多重比對方法與細分策略相結合，還大大減少了評估所需的時間。使用此工具，可以提供所有可用校正方法的基準，從各種各樣的數據集，測序深度，錯誤率和複雜程度（從貝氏桿菌到人類）進行分析。該基準使我們有可能確定現有工具的兩個重要侷限性：讀取錯誤率高於30％，讀取長度超過50,000個鹼基對。因此，本論文的第二個目標是糾正非常嘈雜的讀碼。爲此，已經開發出一種混合校正工具，其結合了現有技術的不同方法，以克服現有方法的侷限性。特別地，該工具結合了使用de Bruijn圖的方式將長讀短讀對齊的策略，並具有可變順序的特殊性。因此，該圖用於鏈接對齊的讀段，從而校正長讀段的未覆蓋區域。與ELISA方法相比，該方法可校正錯誤率高達44％的讀段，同時可擴展大型基因組並減少處理時間。最先進的技術。最後，本論文的第三個目標是對超長閱讀的糾正。爲此，已經開發了使用這次自我校正方法的工具，再次結合了現有技術的不同方法。更具體地說，一種策略是先計算讀段之間的重疊，然後通過多重比對再使用局部de Bruijn圖來進行雙校正步驟，在這裏使用。爲了使該方法能夠有效地擴展極長的讀取，已對上述分割策略進行了概括。這種自校正方法可以校正多達340,000個鹼基對的讀數，同時在更復雜的基因組（例如人）上具有出色的可擴展性。