一种检测RNA病毒增长过程中变异和重组的方法及系统与流程

摘要: 本发明涉及生物信息学和病毒基因组学,具体涉及到一种检测rna病毒增长过程中变异和重组的方法及系统。背景技术:1、rna病毒在复制过程中由于其rna依赖的rna聚...
一种检测RNA病毒增长过程中变异和重组的方法及系统与流程

本发明涉及生物信息学和病毒基因组学,具体涉及到一种检测rna病毒增长过程中变异和重组的方法及系统。

背景技术:

1、rna病毒在复制过程中由于其rna依赖的rna聚合酶缺乏校对功能,具有较高的突变率,在宿主体内增殖过程中会产生大量变异。同时,rna病毒基因组间可通过重组机制交换遗传物质,导致基因组结构的改变。变异和重组是rna病毒进化的主要驱动力,直接影响病毒的致病性、传播力和抗原特性。因此,准确检测rna病毒增殖过程中的变异和重组事件,对于病毒监测、疫苗开发和抗病毒药物设计具有重要意义。

2、随着高通量测序技术的发展,基于深度测序的病毒变异和重组分析方法逐渐成为主流。现有部分分析流程能够基于测序reads与病毒参考基因组的比对结果识别变异或重组事件,但若缺少明确的数据预处理、重复序列控制、低频候选位点质量判据和样本间深度标准化,不同软件或不同批次数据容易因宿主序列污染、pcr重复、低质量碱基及覆盖深度差异产生额外的候选信号或结果波动。尤其在等位基因频率低于1%的变异分析中,若仅以少量支持reads判定候选位点而未同时限制位点深度、碱基质量、比对质量和链向支持,技术人员难以稳定复现实验结果;在重组分析中,若不同样本直接以不同覆盖深度计算重组断点,检出数量也缺乏直接可比性。

3、已有公开研究在rna病毒重组分析中采用virema识别重组断点、利用samtoolsdepth统计覆盖深度,并使用seqkit将不同样本处理至近似覆盖水平后比较断点分布。上述公开内容给出了近似等覆盖比较的原则,但未明确给出由去重bam恢复保持配对关系的双端fastq、按相同随机种子同步抽样、重新比对后依据实测覆盖深度迭代校正至预设偏差范围的闭环,也未明确给出将双端reads拼接后与经重命名的未拼接r1/r2合并为统一单端fastq再进行重组断点分析的处理方式。

4、因此,需要建立一套从宿主去除、序列级pcr重复控制、read级质量过滤、病毒参考比对、比对级pcr重复删除、低频候选位点过滤、bam与双端fastq转换、同步抽平直至重组断点统计的数据闭环,并明确各步骤的输入格式、输出格式、阈值和计算公式,使所属技术领域技术人员能够在不同rna病毒样本上重复实施。

技术实现思路

1、针对rna病毒测序分析中宿主序列污染、pcr重复、低质量reads、超低频候选位点判据不统一以及不同样本覆盖深度不一致的问题,本发明的目的在于提供一种检测rna病毒增长过程中变异和重组的方法及系统,通过明确各步骤的数据格式、实际去重方式、位点质量阈值、同步抽平规则和重组频率计算方式,降低非目标reads和重复reads对后续计算的影响,提高不同样本或不同批次检测结果的可重复性和可比性,并降低高宿主占比样本的后续计算量。

2、为实现上述目的,本发明采用的技术方案是:一种检测rna病毒增长过程中变异和重组的方法,包括以下步骤:

3、s1:构建病毒突变数据库:获取目标rna病毒的多条全基因组序列,去除完整度低于95%、n碱基比例高于1%及完全重复的序列,选取参考基因组;将其余有效基因组与所述参考基因组进行全基因组比对,对碱基替换、插入和缺失进行统一坐标化,以在相应位点具有可判定碱基的有效基因组数为分母、具有相应突变的有效基因组数为分子计算突变频率,形成包含参考坐标、参考碱基、突变碱基或插入缺失、支持基因组数、可判定基因组数和突变频率的病毒突变数据库。

4、s2:获取病毒有效数据:将病毒测序原始双端reads与宿主参考基因组进行比对,保留r1和r2两端均未比对至宿主参考基因组的read pair,得到去宿主双端数据;以一对双端reads的r1序列和r2序列均相同作为序列级pcr重复判据,仅保留其中一对,得到预去重数据;对所述预去重数据进行质量过滤,保留n碱基数为0、read平均phred质量值不低于q30且长度不低于50 bp的reads,得到病毒有效数据。

5、s3:病毒变异分析:将所述病毒有效数据与所述参考基因组进行比对,得到bam格式比对文件;按照双端read比对坐标识别pcr重复并实际删除重复reads,得到去重bam文件;基于所述去重bam文件获得一致性序列和高频变异信息,并调用等位基因频率低于1%的低频变异候选位点;对候选位点仅统计碱基质量值不低于q30且比对质量值不低于30的碱基,其中候选位点有效覆盖深度不低于500x;对于所述病毒突变数据库中有支持记录的候选位点,要求突变支持reads数不少于2且正、反向reads均有支持;对于数据库中无支持记录的候选位点,要求突变支持reads数不少于3、突变频率不低于0.2%且正、反向reads均有支持,得到病毒变异信息。

6、s4:数据抽平:计算所述去重bam文件的平均覆盖深度和碱基覆盖率,将去重bam转换为read名称保持配对对应关系的r1和r2双端fastq;设定不高于原平均覆盖深度的目标覆盖深度,按照目标覆盖深度与原平均覆盖深度之比确定初始抽样比例,使用相同随机种子并按read名称对r1和r2同步抽样;将抽样数据重新比对至参考基因组并计算实际平均覆盖深度,当实际平均覆盖深度与目标覆盖深度的相对偏差大于2%时,按目标深度与实际深度之比修正抽样比例,并每轮均从同一所述r1和r2双端fastq重新同步抽样,最多校正5轮,取首个相对偏差不大于2%的双端数据作为统一有效深度的数据。

7、s5:病毒重组分析:对所述统一有效深度的双端数据进行拼接,最小重叠长度为10bp;将成功拼接的reads作为单条连续序列,将未成功拼接的r1和r2分别作为单端序列,并按原始read名称附加端别标识进行重命名后,与所述成功拼接的reads合并为一个单端fastq数据集;将所述单端fastq数据集与病毒参考基因组进行重组断点分析,按断点坐标和方向归并结果并按唯一read标识去重,仅保留由不少于2条唯一reads支持且断点两侧均具有有效比对序列的重组事件;以支持特定重组断点的唯一reads数除以进入重组分析的单端唯一reads总数计算该重组断点的重组频率,得到病毒重组信息。

8、进一步,所述步骤s1中,从ncbi数据库或refseq数据库获取目标病毒基因组并保存所用序列登录号列表和数据库下载日期;使用mafft进行全基因组多序列比对;基于比对结果使用python脚本按参考基因组坐标统计碱基替换、插入和缺失,并对插入和缺失进行规范化后统计支持基因组数和可判定基因组数。

9、进一步,所述步骤s2中,使用bowtie2将原始双端reads与宿主参考基因组比对并输出比对文件,再筛选r1和r2两端均为未比对状态且排除secondary和supplementaryalignment的read pair;当缺少目标宿主参考基因组时,使用与目标宿主亲缘关系最近且具有公开参考基因组的同属物种基因组,并在分析记录中注明替代基因组。

10、进一步,所述步骤s2中,序列级pcr重复去除使用fastuniq完成;质量过滤使用fastp完成,设置n碱基允许数为0、read平均phred质量阈值为q30~q40、最短read长度为50bp,并输出过滤前后reads数量及质量统计结果。

11、进一步,所述步骤s3中,使用bwa mem将病毒有效数据与参考基因组比对;使用samtools依次进行read name排序、fixmate双端配对信息校正和坐标排序后,再使用samtools markdup -r实际删除pcr重复;使用snippy获得一致性序列和等位基因频率不低于50%的高频变异,使用lofreq调用等位基因频率低于1%的低频变异候选位点。

12、进一步,所述步骤s3中,使用samtools mpileup获取每个位点的参考碱基、各替代碱基计数、碱基质量和比对质量;所述超低频候选位点的等位基因频率为突变支持reads数与该位点满足质量条件的有效reads总数之比;数据库有支持记录的候选位点满足有效深度不低于500x、突变支持reads数不少于2以及正、反向reads均有支持,数据库无支持记录的候选位点进一步满足突变支持reads数不少于3且等位基因频率不低于0.2%。

13、进一步,所述步骤s3和s4中,平均覆盖深度d按参考基因组全部可统计位点深度之和除以参考基因组长度计算,碱基覆盖率按覆盖深度不低于1x的参考基因组位点数除以参考基因组长度计算;用于超低频变异分析的样本平均覆盖深度不低于500x且碱基覆盖率不低于95%。

14、进一步,所述步骤s4中,使用samtools fastq将去重bam转换为同步的r1和r2双端fastq,按read名称保持配对关系;使用seqkit sample按照抽样比例进行随机抽样,r1和r2采用相同随机种子;每轮均从同一输入双端fastq重新同步抽样,重新比对并计算实际平均覆盖深度,并按照p(n+1)=p(n)×d目标/d实测修正下一轮抽样比例,直至|d实测-d目标|/d目标不大于2%或达到5轮。

15、一种检测rna病毒增长过程中变异和重组的检测系统,包括:

16、数据库构建模块,用于对公共数据库中的目标rna病毒基因组进行完整度、n碱基比例和重复序列筛选,完成参考基因组比对、突变坐标规范化以及支持基因组数、可判定基因组数和突变频率统计,构建病毒突变数据库。

17、数据预处理模块,用于将原始双端reads与宿主参考基因组比对,提取两端均未比对至宿主参考基因组的read pair,进行序列级pcr重复去除和read级质量过滤,得到病毒有效数据。

18、变异分析模块,用于将病毒有效数据与病毒参考基因组比对,实际删除比对级pcr重复,根据位点有效深度、碱基质量、比对质量、突变支持reads数、链向支持和所述病毒突变数据库对低频变异候选位点进行过滤,得到病毒变异信息。

19、数据抽平模块,用于将去重bam转换为保持read名称配对对应关系的双端fastq,根据目标覆盖深度对r1和r2同步随机抽样,并通过重新比对和覆盖深度校正获得相对偏差不大于2%的统一有效深度数据。

20、重组分析模块,用于对统一有效深度数据进行双端reads拼接,将拼接成功reads与经重命名的未拼接r1/r2合并为统一单端fastq后进行重组断点分析,并按断点坐标、方向和唯一read标识归并去重,根据唯一reads支持数筛选重组事件并计算重组频率。

21、进一步,所述数据预处理模块使用bowtie2和samtools完成宿主比对及双端未比对reads提取,使用fastuniq进行序列级pcr重复去除,使用fastp按照n碱基数为0、read平均phred质量值不低于q30且长度不低于50 bp进行过滤;所述变异分析模块使用bwa mem进行病毒参考比对,使用samtools markdup删除比对级pcr重复,使用snippy和lofreq获得高频变异及低频变异候选位点,使用samtools mpileup获得位点碱基计数;所述数据抽平模块使用samtools fastq和seqkit sample完成同步双端抽样;所述重组分析模块使用flash完成双端reads拼接,将拼接成功reads与经重命名的未拼接r1/r2合并为统一单端fastq,并使用virema对所述统一单端fastq进行重组断点计算。

22、与现有技术相比,本发明的有益效果是:

23、(1)本发明在预处理阶段进行序列级pcr重复去除,并在病毒参考比对后进行比对级pcr重复删除。前者在比对前减少完全相同的双端序列,后者依据比对位置识别并通过删除模式实际移除残留重复reads;两级去重的判据和执行阶段不同;pcr扩增和测序过程中产生的重复reads会抬高表观覆盖深度而不增加独立分子信息,因此通过两级实际去重可减少重复reads对位点深度、突变支持数和重组断点支持数的重复计数,同时减少进入后续计算的数据量。

24、(2)本发明对等位基因频率低于1%的候选位点同时限定有效覆盖深度、碱基质量、比对质量、突变支持reads数和链向支持,并将病毒突变数据库作为先验支持条件使用。数据库有记录和无记录的候选位点采用不同的最低支持条件,使候选位点的判定规则明确且可重复,减少仅凭单个或少量低质量reads形成候选信号的情况。

25、(3)本发明以两级去重后的bam作为有效深度基准,不以原始测序量或名义抽样比例代替有效深度;再将去重bam明确转换为保持配对关系的双端fastq,按照目标覆盖深度对r1/r2同步抽样,并通过重新比对后的实测深度迭代校正至相对偏差不大于2%。由此,每个进入重组分析的数据集均对应一个确定的reads集合和实际覆盖深度,避免采用“多轮reads集合取平均”而无法确定最终输入数据的问题,提高不同样本间结果的可比性。

26、(4)本发明先将原始reads与宿主参考基因组比对,仅保留r1和r2两端均未比对至宿主参考基因组的read pair,从数据来源上明确去宿主判据。对于宿主序列占比较高的样本,可减少进入病毒参考比对、变异调用和重组计算的数据量;对于宿主占比较低的样本,该步骤仍能够形成统一的输入标准。

27、(5)本发明先采用flash对双端reads进行拼接,拼接过程可消除r1/r2重叠区域的重复碱基计数并延长单条序列长度;再将未拼接的r1/r2按端别重命名后与拼接成功reads合并为统一单端fastq,作为virema的统一输入。该处理降低不同建库插入片段长度及双端重叠程度对断点统计的影响,并有利于利用较长连续序列识别重组断点,同时以唯一reads支持数和明确公式计算重组频率。