一种基于深度学习的基因组检测数据分析方法及系统与流程

本发明涉及生物信息学数据处理，尤其涉及一种基于深度学习的基因组检测数据分析方法及系统。

背景技术：

1、基因组检测通常需要先获得测序读段，再将测序读段比对到参考基因组序列上，并通过候选变异识别、质量过滤和结果注释等流程形成候选变异结果；在该过程中，候选变异位点并非直接等同于样本真实基因型差异，其可靠性会受到测序质量、读段长度、比对质量、参考基因组局部序列结构以及候选变异位点两侧可比对性的共同影响。

2、现有基因组检测数据分析方法通常根据变异质量、测序深度、碱基质量、链偏倚、读段位置偏倚或比对质量等指标对候选变异进行过滤，也有方法采用深度学习模型对读段堆叠图或候选变异特征进行分类判断；上述方法能够识别部分低质量候选变异，但在同聚物区域、低复杂度序列区域、片段重复区域、伪基因同源区域、高gc或低gc导致的覆盖异常区域以及参考基因组局部塌缩区域附近，测序读段容易出现比对不稳定、局部软剪切、插入缺失滑移或端部错配等现象；尤其在低可比对边界处，替代等位基因读段可能主要依赖候选变异位点一侧的唯一序列完成比对锚定，而另一侧落入低可比对区域，从而形成具有一定读深支持和局部一致性的疑似伪变异。但在基因组检测数据分析中，仅依据候选变异位点的总体质量指标或普通读段堆叠特征，难以充分解释并识别低可比对边界处由替代等位基因单侧锚定失衡导致的疑似伪变异，容易造成真实变异与区域偏倚驱动伪变异之间的混淆。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的在低可比对边界处，替代等位基因读段容易因单侧锚定失衡形成具有一定读深支持的疑似伪变异，导致真实变异与区域偏倚驱动伪变异难以可靠区分的缺点，而提出的一种基于深度学习的基因组检测数据分析方法及系统。

2、为了解决现有技术存在的问题，本发明采用了如下技术方案：

3、一种基于深度学习的基因组检测数据分析方法，包括：

4、s1、获取待分析样本的测序读段比对文件、参考基因组序列和候选变异集合，对所述候选变异集合中的候选变异位点提取局部覆盖读段，并划分为参考等位基因读段集合和替代等位基因读段集合；

5、s2、根据所述候选变异位点两侧参考序列的局部唯一性，确定候选锚定侧和低可比对侧；

6、s3、按照所述候选锚定侧和低可比对侧，从所述参考等位基因读段集合和替代等位基因读段集合中提取锚定相关读段证据，并结合所述局部唯一性构建单侧锚定证据张量；

7、s4、将所述单侧锚定证据张量输入双分支深度学习模型，输出真实变异概率和单侧锚定伪变异概率；

8、s5、根据所述真实变异概率、单侧锚定伪变异概率和所述单侧锚定证据张量生成单侧锚定失衡解释证据，并根据所述真实变异概率、单侧锚定伪变异概率和单侧锚定失衡解释证据输出基因组检测数据分析结果。

9、优选地，所述局部覆盖读段为在所述测序读段比对文件中覆盖所述候选变异位点的读段；将支持参考等位基因的局部覆盖读段划分至所述参考等位基因读段集合，将支持替代等位基因的局部覆盖读段划分至所述替代等位基因读段集合。

10、优选地，还包括根据覆盖所述候选变异位点的读段长度中位数、参考等位基因长度和替代等位基因长度，确定所述候选变异位点两侧的双侧分析窗口；所述双侧分析窗口包括位于所述候选变异位点左侧的左侧窗口和位于所述候选变异位点右侧的右侧窗口。

11、优选地，所述局部唯一性通过如下方式获得：

12、将所述左侧窗口和右侧窗口内的参考序列拆分为长度由局部覆盖读段的有效比对长度确定的连续子序列，统计覆盖对应位置的连续子序列在参考基因组序列中的出现次数，并根据所述出现次数得到对应位置的局部唯一性，其中，出现次数越多，对应位置的局部唯一性越低，出现次数越少，对应位置的局部唯一性越高；

13、分别根据左侧窗口和右侧窗口内各位置的局部唯一性得到左侧平均唯一性和右侧平均唯一性；

14、将平均唯一性较高的一侧确定为候选锚定侧，将平均唯一性较低的一侧确定为低可比对侧；

15、当左侧平均唯一性和右侧平均唯一性相同时，生成双侧唯一性均衡标记，并将所述双侧唯一性均衡标记作为区域上下文通道参与后续单侧锚定证据张量构建。

16、优选地，所述锚定相关读段证据包括局部覆盖读段在所述左侧窗口内的匹配长度、在所述右侧窗口内的匹配长度、在所述左侧窗口内的软剪切长度、在所述右侧窗口内的软剪切长度、在所述双侧分析窗口内的插入或缺失长度、在所述候选变异位点处的碱基错误概率、在所述双侧分析窗口内的比对质量以及支持的等位基因类型；

17、所述碱基错误概率由所述局部覆盖读段在所述候选变异位点处的碱基质量分数换算得到；所述支持的等位基因类型包括参考等位基因类型和替代等位基因类型，所述参考等位基因类型对应所述参考等位基因读段集合，所述替代等位基因类型对应所述替代等位基因读段集合。

18、优选地，所述单侧锚定证据张量通过如下方式构建：将所述参考等位基因读段集合中的锚定相关读段证据排列为参考等位基因证据矩阵；将所述替代等位基因读段集合中的锚定相关读段证据排列为替代等位基因证据矩阵，并将左侧平均唯一性、右侧平均唯一性和双侧唯一性均衡标记作为区域上下文通道，与所述参考等位基因证据矩阵和替代等位基因证据矩阵组合形成所述单侧锚定证据张量；其中，在未生成双侧唯一性均衡标记时，所述区域上下文通道包括左侧平均唯一性和右侧平均唯一性。

19、优选地，所述双分支深度学习模型包括读段证据分支和边界上下文分支；所述读段证据分支接收所述参考等位基因证据矩阵和替代等位基因证据矩阵，提取参考等位基因读段和替代等位基因读段在左右匹配长度、左右软剪切长度、插入或缺失长度、碱基错误概率和比对质量上的差异；所述边界上下文分支接收所述区域上下文通道，提取左侧平均唯一性和右侧平均唯一性之间的差异；融合所述读段证据分支和边界上下文分支的输出后，得到所述真实变异概率和单侧锚定伪变异概率。

20、优选地，所述单侧锚定失衡解释证据包括：用于表征替代等位基因读段集中依赖所述候选锚定侧形成匹配的证据、用于表征替代等位基因读段在所述低可比对侧出现软剪切集中的证据、用于表征替代等位基因读段在所述低可比对侧出现插入或缺失集中的证据、用于表征替代等位基因读段与参考等位基因读段在左右匹配长度上存在方向性差异的证据，以及用于表征所述候选变异位点位于左侧平均唯一性和右侧平均唯一性不同的区域边界处的证据。

21、优选地，所述基因组检测数据分析结果包括候选变异位点、变异类型、参考等位基因、替代等位基因、候选锚定侧、低可比对侧、真实变异概率、单侧锚定伪变异概率、分类结果和单侧锚定失衡解释证据；其中，当所述单侧锚定失衡解释证据表明替代等位基因读段集中依赖候选锚定侧形成匹配，且相对于参考等位基因读段在低可比对侧表现出软剪切或插入缺失的集中分布时，将分类结果输出为疑似单侧锚定伪变异；当所述单侧锚定失衡解释证据表明替代等位基因读段在候选变异位点两侧均形成匹配，且未相对于参考等位基因读段形成单侧锚定失衡时，将分类结果输出为真实变异；当真实变异概率和单侧锚定伪变异概率不存在唯一较高者，或者由真实变异概率和单侧锚定伪变异概率中较高者确定的概率分类结果与所述单侧锚定失衡解释证据对应的证据分类结果不同，将分类结果输出为待复核变异。

22、与现有技术相比，本发明的有益效果是：

23、1、本发明通过获取候选变异位点对应的局部覆盖读段，并将其区分为参考等位基因读段集合和替代等位基因读段集合，再根据候选变异位点两侧参考序列的局部唯一性确定候选锚定侧和低可比对侧，使分析过程不再仅依赖候选变异的总体质量、读深或单一比对质量指标，而是将复杂基因组区域中读段比对不稳定的来源显式引入候选变异判断过程；能够针对同聚物、低复杂度序列、片段重复、伪基因同源以及参考基因组局部塌缩等区域中容易发生的读段错配、软剪切和插入缺失滑移问题，进一步识别替代等位基因读段是否主要依赖一侧唯一序列完成比对锚定，解决复杂区域内真实变异与区域偏倚驱动伪变异难以可靠区分的问题。

24、2、本发明进一步地将参考等位基因读段和替代等位基因读段在候选锚定侧、低可比对侧的匹配长度、软剪切长度、插入或缺失长度、碱基错误概率、比对质量以及局部唯一性信息构建为单侧锚定证据张量，并输入双分支深度学习模型输出真实变异概率和单侧锚定伪变异概率，同时通过通道遮蔽方式生成单侧锚定失衡解释证据；不仅利用深度学习模型学习参考等位基因读段与替代等位基因读段之间的方向性锚定差异，还能够输出候选变异被判定为真实变异、疑似单侧锚定伪变异或待复核变异的依据，避免将复杂区域候选变异简单过滤或直接保留，提高了基因组检测数据分析结果的可靠性、可解释性和复核便利性。