第二代测序数据分析原理
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
3
第一代测序技术 ： Sanger测序法 ——简便、快速
4
逐渐被遗忘的测序 技术： Maxam-Gilbert的 DNA化学降解法
5
Sanger测序的局限
通过几十年的改进，第1 代测序仪的读长可以超过1000bp， 原始数据的准确率可以高达99.999%，测定每千碱基序列的
成本是0.5 美元, 每天的数据通量可以达到60万碱基。 但是，不管怎么改进，第1 代测序技术在速度和成本方面都 已达到了极限（因为对电泳分离技术的依赖, 使其难以进一 步提升分析的速度和提高并行化程度，并且难以通过微型化
using pir-end reads. • N50 size. As applied to contigs or scaffolds, that size above which
50% od the assembled
全基因组de nove分析工具
分析所需工具
• Bowtie software SAM tools TopHat softare Cufflinks software CummeRbund software -
COG注释
• 目的：对拼接得到 UniGene 进行 COG功能分类 。 原理：利用blast+算法将拼接得到的UniGene与 CDD库中的COG/KOG库进行比对，进行COG功 能分类预测，将其映射到COG分类中。 结果： COG分类分布情况图。
SSR重复序列注释
• 目的：对拼接得到 UniGene进行 SSR 简单重复 序列的查找。 原理：筛选标准：单核苷酸重复的次数在10次或 10次以上，二核苷酸重复的次数在 6次或6次以上 ，三至六核苷酸重复的次数在 5次或 5次以上。 同时，也筛选中间被少数碱基 (间隔小于100或等 于100)打断的不完全重复的SSR。 结果：重复序列的信息文件以及统计文件。
UniGene拼接
• 目的：将预处理后reads进行拼接，得到拼接结果 。 原理： 应用 de Bruijn graph path 算法对reads进 行denovo拼接；对上一步的拼接结果，再用 Hamilton Path算法拼接。 结果：UniGene序列，UniGene统计信息，序列 长度分布图
14
第二代测序技术的局限
与第一代测序仪相比，以合成测序为基础的下一代测序平台 速度显著提高，成本明显降低。每台设备每天产出千兆碱基
的序列不足为奇。 但是, 除了罗氏的454平台之外，读长短成了下一代测序平台 的致命伤，这主要是由于DNA簇中存在的光学信号移相造成
的。 而应运而生的单分子测序技术是解决这一问题的一种方法。
• 主要的测序平台 • 基因组分析原理 • 转录组分析原理 • 分析策略的选择
Sequencing Glossary
• Reads. A collection of clones that over-sample the target genome • Pair-end reads.Sequence reads derived from both ends of a
降低测序成本）。 在此种情况下，第二代测序技术（Next-generation
sequencing)应运而生。
6
• 主要的测序平台 • 基因组分析原理 • 转录组分析原理 • 分析策略的选择
概要
第二代测序技术
454测序 Illumina SOLID Polonator Complete Genomics
sequencing-library clone. • Mate-pair reads.Sequence reads derived from both ends of a mat
pair library clone which insert size is usually>1kb. • Insert size. The size of the clone-insert from which a clone-end pa
RSAM‐01：模式动植物基因组数据和注释信 息整合
RSAM‐07：可变剪接分析
• 可变剪接体 与Exon skipping junction 的识 别
RSAM‐08：转录起始位点（TSS） 分析
• TSS 类和转录起始位点模式的识别
• （1） 通过tag 聚类方法将5’端read 进行聚类，识 别出不同模式的TSS，例如下图所示：确定 cluster 的边界（黄色区
LncRNA预测
• 目的：对拼接得到的UniGene进行LncRNA(Long noncoding RNA)预测。 原理： 通过以下过程对UniGene进行过滤，最终得到候 选LncRNA序列。 1) Unigene length > 200bp； 2) Unigene ORF(Open Reading Frame) length < 300； 3) 将满足长度条件的UniGene与多个近源物种进行进化 分析，得到序列的保守性和进化特性； 4) 根据上述的特性和已知数据库中coding、noncoding区 域的特性建立编码筛选模型； 5) 将符合noncoding模型的UniGene与Pfam等蛋白域数 据库进行同源性比对，进一步去除可能的编码特性，最终 得出LncRNA预测结果。
3. 数据库注释
• 目的：对拼接得到的UniGene进行功能注释 原理：通过blast+算法将拼接得到的UniGene序 列与数据库进行比对 结果：比对结果表格，物种分布统计和Evalue分 布统计
UniGene表达分析
• 目的：UniGene定量分析。 原理：以UniGene为reference，分别将每个样本 的reads进行reference mapping ,从而得到每个样 本在每个UniGenes中的一个reads覆盖度，然后 应用RPKM/FPKM标准化公式对富集片段的数量 进行归一化。 RPKM：Reads Per Kilobase of exon model per Million mapped reads，公式下:
外显子组分析工具
• 主要的测序平台 • 基因组分析原理 • 转录组分析原理 • 分析策略的选择
常规分析
• Transcripts quantification • Splicing sites discovery and quantification • Gene discovery • SNP/INDEL detection • Allele specific expression
15
第三代测序技术：单分子测序
Helicos Biosciences VisiGen
Pacific Biosciences Mobious Nexus I
……
16
17
直接测序法
在所有上述三 代测序技术中，序列都是在荧光或者化学发光物质的协助 下，通过读取DNA 聚合酶或DNA 连接酶将碱基连接到DNA 链上过程中
is taken. • Contig. The result of joining an overlapping collection of sequence
reads. • Scaffold. The result of connectiing non-overlapping contiges by
释放出的光学信号而间接确定的。 除了需要昂贵的光学监测系统，还要记录、存储并分析大量的光学图像 ，这都使仪器的复杂性和成本增加。依赖生物化学反应读取碱基序列更
增加了试剂、耗材的使用，在目前测序成本中比例相当大。 直接读取序列信息，不使用化学试剂，对于进一步降低测序成本是非常 可取的。为了实现这样的目标，目前就有很多人在研究纳米物理技术。 在全球，许多公司和组织，如Agilent，DNA Electronics，IBM, NabSys， Oxford Nanopore Technologies，Sequenom 等都在进行纳米孔测序的开发
问题出发
• 正常样本与异常样本，如肿瘤等； • 药物处理前后样本状态变化，如尼古丁刺激前后； • 发育不同阶段的样本改变
.............
第二代测序数据分析原理
徐汪节
三代DNA测序技术之比较
第一代测序技术：Sanger测序法 第二代测序技术：454测序……
第三代测序技术：？ 直接测序法：？
ChIP-Biblioteka Baidueq
RNA-seq
Experiments
• DNA-seq: de novo, resequencing • RNA-seq:mRNA, ncRNA, smRNA... • ChIP-seq: Chromatin ImmunoPrecipitation • Methyl-seq: methylated DNA (epigenome)
• 域）。
• （2） 每个cluster 至少包含100 reads,并统计这 些cluster 的定位和分布数量
• （3） 统计不同TSS cluster 大小宽度分布，以及 转录起始模式的识别
RSAM‐09. 融合基因的发现（ Fusion gene Discovery）
RSAM‐10. 非长编码RNA 与多外显 子反义转录本的识别
• UniGene表达分布图，1X，5X分别为FPKM=1， FPKM=5分界点，可以大体观察到低表达，中表 达以及高表达的比例关系
UniGene样本间表达相关性散点图
• 样本间表达差异程度的MA图，可以体现差异表达 总体偏差
UniGene表达差异分析
• 目的：对定量结果进行统计检验分析，找出差异 表达UniGene 原理：双层过滤筛选差异基因 FC值筛选：采用Fold-change(FC)，表达差异倍 数进行第一层此的差异基因筛选 FDR检验：一般采用卡方检验中的fisher精确检 验进行p值检验，采用Benjamini FDR(False discovery ratio)校验方法对p值进行假阳性检验， 即，通过FDR显著性参数进行第二层次的差异基 因筛选。
KEGG代谢通路分析
• 目的：对拼接得到 UniGene 进行 KEGG pathway 映射。 原理：应用KEGG KAAS在线 pathway比对分析 工具对拼接得到的UniGene进行KEGG映射分析 。 结果：标记的Pathway通路图。
IPA pathway analysis ()
图例 蛋白质编码效能分析(a，b)，进化保守性水平(c)与lincRNA 表达量， 多外显子反义转录本表达量(d)进行对比分析
组间差异基因上调与下调个数统计，可以通过此图观察上调与下调的一个总体趋势
差异基因火山图，可以观察到差异基因总体分布
GO功能分类
• 目的：利用数据库注释信息将 UniGene进行 GO 功能分类。 原理：利用数据库的注释结果，应用blast2GO算 法进行GO功能分类，得到所有序列在Gene Ontology 的三大类：molecular function, cellular component, biological process 的各个层次所占 数目，一般取到14层。 结果：MF，BP，CC三大分类结果文件以及 UniGene2GO 关系列表，三大类别中第二层次上 的柱状分布图和饼图，GO功能的层次分布图。
，不同的只是采用的方法或策略。
18
19
20
Second generation sequence
• Roche 454 illumia Solexa
ABI SOLiD
Metagenomics De novo sequencing RNA-seq De novo sequencing Re-sequencing RNA-seq (ChromatinImmunoprecipitation，ChIP) Meth-seq Re-sequencing
……
8
454
9
SOLID
10
Illumina
11
其他
Polonator Complete Genomics
……
12
13
第二代测序技术的共同点
1 将目标DNA剪切为小片段 2 单个小片段DNA分子结合到固相表面
3 单分子独立扩增 4 每次只复制一个碱基（A,C,T,G）并检测信号
5 高分辨率的成像系统 。
第一代测序技术 ： Sanger测序法 ——简便、快速
4
逐渐被遗忘的测序 技术： Maxam-Gilbert的 DNA化学降解法
5
Sanger测序的局限
通过几十年的改进，第1 代测序仪的读长可以超过1000bp， 原始数据的准确率可以高达99.999%，测定每千碱基序列的
成本是0.5 美元, 每天的数据通量可以达到60万碱基。 但是，不管怎么改进，第1 代测序技术在速度和成本方面都 已达到了极限（因为对电泳分离技术的依赖, 使其难以进一 步提升分析的速度和提高并行化程度，并且难以通过微型化
using pir-end reads. • N50 size. As applied to contigs or scaffolds, that size above which
50% od the assembled
全基因组de nove分析工具
分析所需工具
• Bowtie software SAM tools TopHat softare Cufflinks software CummeRbund software -
COG注释
• 目的：对拼接得到 UniGene 进行 COG功能分类 。 原理：利用blast+算法将拼接得到的UniGene与 CDD库中的COG/KOG库进行比对，进行COG功 能分类预测，将其映射到COG分类中。 结果： COG分类分布情况图。
SSR重复序列注释
• 目的：对拼接得到 UniGene进行 SSR 简单重复 序列的查找。 原理：筛选标准：单核苷酸重复的次数在10次或 10次以上，二核苷酸重复的次数在 6次或6次以上 ，三至六核苷酸重复的次数在 5次或 5次以上。 同时，也筛选中间被少数碱基 (间隔小于100或等 于100)打断的不完全重复的SSR。 结果：重复序列的信息文件以及统计文件。
UniGene拼接
• 目的：将预处理后reads进行拼接，得到拼接结果 。 原理： 应用 de Bruijn graph path 算法对reads进 行denovo拼接；对上一步的拼接结果，再用 Hamilton Path算法拼接。 结果：UniGene序列，UniGene统计信息，序列 长度分布图
14
第二代测序技术的局限
与第一代测序仪相比，以合成测序为基础的下一代测序平台 速度显著提高，成本明显降低。每台设备每天产出千兆碱基
的序列不足为奇。 但是, 除了罗氏的454平台之外，读长短成了下一代测序平台 的致命伤，这主要是由于DNA簇中存在的光学信号移相造成
的。 而应运而生的单分子测序技术是解决这一问题的一种方法。
• 主要的测序平台 • 基因组分析原理 • 转录组分析原理 • 分析策略的选择
Sequencing Glossary
• Reads. A collection of clones that over-sample the target genome • Pair-end reads.Sequence reads derived from both ends of a
降低测序成本）。 在此种情况下，第二代测序技术（Next-generation
sequencing)应运而生。
6
• 主要的测序平台 • 基因组分析原理 • 转录组分析原理 • 分析策略的选择
概要
第二代测序技术
454测序 Illumina SOLID Polonator Complete Genomics
sequencing-library clone. • Mate-pair reads.Sequence reads derived from both ends of a mat
pair library clone which insert size is usually>1kb. • Insert size. The size of the clone-insert from which a clone-end pa
RSAM‐01：模式动植物基因组数据和注释信 息整合
RSAM‐07：可变剪接分析
• 可变剪接体 与Exon skipping junction 的识 别
RSAM‐08：转录起始位点（TSS） 分析
• TSS 类和转录起始位点模式的识别
• （1） 通过tag 聚类方法将5’端read 进行聚类，识 别出不同模式的TSS，例如下图所示：确定 cluster 的边界（黄色区
LncRNA预测
• 目的：对拼接得到的UniGene进行LncRNA(Long noncoding RNA)预测。 原理： 通过以下过程对UniGene进行过滤，最终得到候 选LncRNA序列。 1) Unigene length > 200bp； 2) Unigene ORF(Open Reading Frame) length < 300； 3) 将满足长度条件的UniGene与多个近源物种进行进化 分析，得到序列的保守性和进化特性； 4) 根据上述的特性和已知数据库中coding、noncoding区 域的特性建立编码筛选模型； 5) 将符合noncoding模型的UniGene与Pfam等蛋白域数 据库进行同源性比对，进一步去除可能的编码特性，最终 得出LncRNA预测结果。
3. 数据库注释
• 目的：对拼接得到的UniGene进行功能注释 原理：通过blast+算法将拼接得到的UniGene序 列与数据库进行比对 结果：比对结果表格，物种分布统计和Evalue分 布统计
UniGene表达分析
• 目的：UniGene定量分析。 原理：以UniGene为reference，分别将每个样本 的reads进行reference mapping ,从而得到每个样 本在每个UniGenes中的一个reads覆盖度，然后 应用RPKM/FPKM标准化公式对富集片段的数量 进行归一化。 RPKM：Reads Per Kilobase of exon model per Million mapped reads，公式下:
外显子组分析工具
• 主要的测序平台 • 基因组分析原理 • 转录组分析原理 • 分析策略的选择
常规分析
• Transcripts quantification • Splicing sites discovery and quantification • Gene discovery • SNP/INDEL detection • Allele specific expression
15
第三代测序技术：单分子测序
Helicos Biosciences VisiGen
Pacific Biosciences Mobious Nexus I
……
16
17
直接测序法
在所有上述三 代测序技术中，序列都是在荧光或者化学发光物质的协助 下，通过读取DNA 聚合酶或DNA 连接酶将碱基连接到DNA 链上过程中
is taken. • Contig. The result of joining an overlapping collection of sequence
reads. • Scaffold. The result of connectiing non-overlapping contiges by
释放出的光学信号而间接确定的。 除了需要昂贵的光学监测系统，还要记录、存储并分析大量的光学图像 ，这都使仪器的复杂性和成本增加。依赖生物化学反应读取碱基序列更
增加了试剂、耗材的使用，在目前测序成本中比例相当大。 直接读取序列信息，不使用化学试剂，对于进一步降低测序成本是非常 可取的。为了实现这样的目标，目前就有很多人在研究纳米物理技术。 在全球，许多公司和组织，如Agilent，DNA Electronics，IBM, NabSys， Oxford Nanopore Technologies，Sequenom 等都在进行纳米孔测序的开发
问题出发
• 正常样本与异常样本，如肿瘤等； • 药物处理前后样本状态变化，如尼古丁刺激前后； • 发育不同阶段的样本改变
.............
第二代测序数据分析原理
徐汪节
三代DNA测序技术之比较
第一代测序技术：Sanger测序法 第二代测序技术：454测序……
第三代测序技术：？ 直接测序法：？
ChIP-Biblioteka Baidueq
RNA-seq
Experiments
• DNA-seq: de novo, resequencing • RNA-seq:mRNA, ncRNA, smRNA... • ChIP-seq: Chromatin ImmunoPrecipitation • Methyl-seq: methylated DNA (epigenome)
• 域）。
• （2） 每个cluster 至少包含100 reads,并统计这 些cluster 的定位和分布数量
• （3） 统计不同TSS cluster 大小宽度分布，以及 转录起始模式的识别
RSAM‐09. 融合基因的发现（ Fusion gene Discovery）
RSAM‐10. 非长编码RNA 与多外显 子反义转录本的识别
• UniGene表达分布图，1X，5X分别为FPKM=1， FPKM=5分界点，可以大体观察到低表达，中表 达以及高表达的比例关系
UniGene样本间表达相关性散点图
• 样本间表达差异程度的MA图，可以体现差异表达 总体偏差
UniGene表达差异分析
• 目的：对定量结果进行统计检验分析，找出差异 表达UniGene 原理：双层过滤筛选差异基因 FC值筛选：采用Fold-change(FC)，表达差异倍 数进行第一层此的差异基因筛选 FDR检验：一般采用卡方检验中的fisher精确检 验进行p值检验，采用Benjamini FDR(False discovery ratio)校验方法对p值进行假阳性检验， 即，通过FDR显著性参数进行第二层次的差异基 因筛选。
KEGG代谢通路分析
• 目的：对拼接得到 UniGene 进行 KEGG pathway 映射。 原理：应用KEGG KAAS在线 pathway比对分析 工具对拼接得到的UniGene进行KEGG映射分析 。 结果：标记的Pathway通路图。
IPA pathway analysis ()
图例 蛋白质编码效能分析(a，b)，进化保守性水平(c)与lincRNA 表达量， 多外显子反义转录本表达量(d)进行对比分析
组间差异基因上调与下调个数统计，可以通过此图观察上调与下调的一个总体趋势
差异基因火山图，可以观察到差异基因总体分布
GO功能分类
• 目的：利用数据库注释信息将 UniGene进行 GO 功能分类。 原理：利用数据库的注释结果，应用blast2GO算 法进行GO功能分类，得到所有序列在Gene Ontology 的三大类：molecular function, cellular component, biological process 的各个层次所占 数目，一般取到14层。 结果：MF，BP，CC三大分类结果文件以及 UniGene2GO 关系列表，三大类别中第二层次上 的柱状分布图和饼图，GO功能的层次分布图。
，不同的只是采用的方法或策略。
18
19
20
Second generation sequence
• Roche 454 illumia Solexa
ABI SOLiD
Metagenomics De novo sequencing RNA-seq De novo sequencing Re-sequencing RNA-seq (ChromatinImmunoprecipitation，ChIP) Meth-seq Re-sequencing
……
8
454
9
SOLID
10
Illumina
11
其他
Polonator Complete Genomics
……
12
13
第二代测序技术的共同点
1 将目标DNA剪切为小片段 2 单个小片段DNA分子结合到固相表面
3 单分子独立扩增 4 每次只复制一个碱基（A,C,T,G）并检测信号
5 高分辨率的成像系统 。