一种面向DNA信息存储生化实验的质量评估方法及系统

本发明属于dna信息存储生化实验质量检测，具体涉及一种面向dna信息存储生化实验的质量评估方法及系统。

背景技术：

1、dna信息存储通常包括信息编码、dna序列合成、扩增保存、测序读取以及解码恢复等环节。合成、扩增、保存和测序过程中可能产生覆盖不足、覆盖不均、插入、删除和替换等问题，因此实验完成后需要先判断该批数据是否具备进入下游解码的质量基础。

2、现有相关技术主要分为两类：一类工作主要关注dna存储编码、纠错码设计和解码恢复；另一类工作主要关注测序数据或寡核苷酸文库的质量控制。例如，以solqc等为代表的质量控制工具能够对寡核苷酸库或测序结果进行统计和可视化，帮助研究人员观察局部质量问题。

3、但是，上述技术通常没有围绕dna信息存储生化实验建立统一的实验质量表达；且覆盖质量与错误质量往往分别观察，研究人员仍需依赖经验判断实验数据是否适合解码、是否需要重新实验或调整实验条件。

技术实现思路

1、本发明的目的在于提供一种面向dna信息存储生化实验的质量评估方法及系统，以解决针对dna信息存储生化实验结果，如何在不依赖人工经验判断的情况下，同时给出单项质量评估结果和联合质量评估结果，从而判断该批实验数据是否适合进入下游解码的技术问题。

2、为实现本发明的目的，本发明提供的技术方案如下：

3、第一方面

4、本发明提供了一种面向dna信息存储生化实验的质量评估方法，包括以下步骤：

5、步骤s1：获取输入数据：参考寡核苷酸序列集合、测序读取序列集合；将测序读取序列与参考寡核苷酸序列进行比对，统计每条参考寡核苷酸的测序覆盖数据，以及碱基插入、删除、替换错误在序列位置、碱基类型、k-mer基序维度的分布数据；

6、步骤s2：执行单项质量评估，所述单项质量评估并行完成四项评估逻辑并输出四项独立质量表征结果：覆盖深度分布、位置错误率分布、单碱基错误偏好、k-mer基序错误偏好；

7、其中，覆盖深度评估：统计全部参考寡核苷酸测序读取条数分布，判断测序覆盖总量与均匀度；位置错误率评估：按碱基位置分段统计插入、删除、替换错误概率，识别序列固定位置系统性高错误区域；单碱基错误偏好评估：统计a、t、c、g四类碱基发生各类错误的频次分布，表征碱基层面系统性错误偏向；k-mer基序错误偏好评估：挖掘单碱基统计无法识别的、局部序列上下文引发的系统性测序错误，用于表征长度为的连续dna碱基片段上下文与碱基错误发生概率的关联关系；

8、步骤s3：基于单项质量评估输出结果执行联合质量评估；

9、步骤s4：输出评估结果。

10、进一步地，所述步骤s3，包括以下子步骤：

11、步骤s301：采用归一化限幅函数对指标约束，所述归一化限幅函数满足：时输出0，时输出x，时输出1；

12、步骤s302：计算覆盖充足度(平均覆盖深度/目标覆盖深度)、覆盖完整度(1-零覆盖寡核苷酸占比)；

13、根据公式计算覆盖质量子分；

14、其中，、、；计算覆盖质量子分时，可额外引入覆盖深度离散程度指标参与计算，并同步调整权重系数、；

15、步骤s303：根据公式计算错误质量子分；

16、式中，为综合错误水平，所述综合错误水平e采用全局统一总体错误率，

17、或对碱基插入、删除、替换错误分别设置权重后加权计算得到；为预设错误容差阈值；

18、步骤s304：根据计算联合评分；将联合评分映射为标准化质量等级，所述标准化质量等级至少分为优、良、中、差四级；基于质量等级判定dna信息存储生化实验数据是否适用于下游解码。

19、进一步地，所述步骤s2中执行k-mer基序错误偏好评估时包含长度配置子步骤：根据实验序列长度、测序样本总量，自适应将k-mer基序的长度设定为3、5或7。

20、进一步地，所述步骤s303中综合错误水平的计算步骤为：

21、根据不同dna合成、测序平台实验需求，对插入、删除、替换三类碱基错误分别自定义加权系数，加权后得到综合错误水平；或直接采用全局统一总体错误水平。

22、进一步地，还包括参数预设步骤：在执行步骤s3前，依据dna信息存储解码容错要求，预先人工配置预设错误容差阈值。

23、进一步地，所述步骤s304中解码判定的步骤为：当联合评分对应的质量等级为优或良时，判定批次数据可直接进入下游解码；当质量等级为中或差时，提示存在覆盖缺陷或碱基错误缺陷，需调整生化实验条件后重新开展测序实验。

24、第二方面

25、与上述方法相对应地，本发明提供过了一种面向dna信息存储生化实验的质量评估系统，包括以下单元：

26、数据获取单元，用于获取输入数据：参考寡核苷酸序列集合、测序读取序列集合；将测序读取序列与参考寡核苷酸序列进行比对，统计每条参考寡核苷酸的测序覆盖数据，以及碱基插入、删除、替换错误在序列位置、碱基类型、k-mer基序维度的分布数据；

27、单项质量评估单元，用于执行单项质量评估，所述单项质量评估并行完成四项评估逻辑并输出四项独立质量表征结果：覆盖深度分布、位置错误率分布、单碱基错误偏好、k-mer基序错误偏好；

28、其中，覆盖深度评估：统计全部参考寡核苷酸测序读取条数分布，判断测序覆盖总量与均匀度；位置错误率评估：按碱基位置分段统计插入、删除、替换错误概率，识别序列固定位置系统性高错误区域；单碱基错误偏好评估：统计a、t、c、g四类碱基发生各类错误的频次分布，表征碱基层面系统性错误偏向；k-mer基序错误偏好评估：挖掘单碱基统计无法识别的、局部序列上下文引发的系统性测序错误，用于表征长度为的连续dna碱基片段上下文与碱基错误发生概率的关联关系；

29、联合质量评估单元，用于基于单项质量评估输出结果执行联合质量评估；

30、结果输出单元，用于输出评估结果。

31、进一步地，所述联合质量评估单元，用于执行以下子步骤：

32、步骤s301：采用归一化限幅函数对指标约束，所述归一化限幅函数满足：时输出0，时输出x，时输出1；

33、步骤s302：计算覆盖充足度(平均覆盖深度/目标覆盖深度)、覆盖完整度(1-零覆盖寡核苷酸占比)；

34、根据公式计算覆盖质量子分；

35、其中，、、；计算覆盖质量子分时，可额外引入覆盖深度离散程度指标参与计算，并同步调整权重系数、；

36、步骤s303：根据公式计算错误质量子分；

37、式中，为综合错误水平，所述综合错误水平e采用全局统一总体错误率，

38、或对碱基插入、删除、替换错误分别设置权重后加权计算得到；为预设错误容差阈值；

39、步骤s304：根据计算联合评分；将联合评分映射为标准化质量等级，所述标准化质量等级至少分为优、良、中、差四级；基于质量等级判定dna信息存储生化实验数据是否适用于下游解码。

40、进一步地，所述执行k-mer基序错误偏好评估时包含长度配置子步骤：根据实验序列长度、测序样本总量，自适应将k-mer基序的长度设定为3、5或7。

41、进一步地，所述综合错误水平的计算步骤为：

42、根据不同dna合成、测序平台实验需求，对插入、删除、替换三类碱基错误分别自定义加权系数，加权后得到综合错误水平；或直接采用全局统一总体错误水平。

43、与现有技术相比，本发明的有益效果如下：

44、本发明先进行单项质量评估，再进行联合质量评估，既能指出问题来自覆盖不足、位置错误、碱基偏好还是k-mer基序偏好，又能给出一个统一的实验质量结论。与仅展示若干统计结果相比，本发明更便于研究人员进行批次比较和下游解码决策。

45、本发明采用覆盖质量子分与错误质量子分共同决定联合评分，可以避免单一指标造成误判。例如，覆盖很高但错误率过高，或者错误率较低但存在大量零覆盖寡核苷酸，均不应被评为高质量。本发明的联合评分能够更直接地反映dna信息存储实验的真实可用性。