De novo RNA-Seq Assembly Using De Bruijn Graphs

De novo RNA-Seq Assembly Using De Bruijn Graphs

 2017-06-12 09:42:47     59     0     0

在说基因组的拼接之前，可以考虑如下的一个问题：

假设有一摞报纸被炸成了碎片，如何利用这些碎片拼接成一份完整的信息了解那天发生的大事？

这个问题的难点在于：必定有一部分的信息因为爆炸而消失不见，也不能简单的把报纸粘起来，因为报纸不止一份，所以我们必须从大量包含了重复内容的碎片来重构一份完整的报纸。

传统的基因租测序流程大致如下：

取目标样本的一些组织（其中包含了数百万的细胞，具有相同的基因组） -> 将这些dna打断成一定长度的碎片(获得的片段成为read） -> 使用测序仪测得read的碱基序列

所以，在我们要进行后续的分析前，我们需要先要将这些 reads 拼接以还原我们需要的基因组信息。

与刚才的报纸问题相似，但是基因组拼接的增加了以下难点：

• DNA是双链，所以对于一个给定的read 我们无法知道他是来于DNA的其中一链，还是来自于它的互补链
• 测序仪测序错误
• 获得的reads中可能没有覆盖到基因组的所有片段，所以无法重构该片段

这个问题看起来很复杂，显得无从入手，我们可以将其分解为一个个的小问题，并且将其抽象成一个可以明确表达的问题，逐个解决。

从k-mers重构字符串

我们假设测序获得的read长度相等，而且没有测序错误，也不用考虑重复问题，就简单的考虑如何将 k-mers （k为read长度，）拼接成一个原始的字符串

模拟k-mer的生成

输入：整数k，字符串                           

输出：k-mers（经过排序）                  

在了解了k-mer是什么后，我们反过来利用k-mers来还原一个字符串

很明显这个字符串应该以TAA开头，因为没有3-mers以TA结尾

以AA开头的3-mers只有AAT

而以AT开头的 3-mers只有ATG

重复以上过程，我们还原了原始的字符串

下面考虑一个更复杂的例子

我们还是从TAA开始

到此为止一切顺利，但是以ATG后面以TG开头的 3-mers 共有3个 TGC, TGG, TGT

换成TGC后似乎已经还原了原始字符串，但是到此为止只使用了14个 3-mers，忽略了GGG，使得这个字符串比原始字符串少了一个字符G

上面的例子中ATG重复了3次，导致了我们有三个选择TGC,TGG,TGT来延续ATG。当有数百万个reads时，因为重复带来的计算困难将更为严重。

可以将基因组的拼接类比为Triazzle（Triazzle是一种拼图游戏，虽然只有16块拼图，但是并没有看起来那么容易）

回到刚才的问题