ngs中reads mapping-pku的生信课程

4.NGS中的reads mapping

顾名思义，就是将测序的得到的DNA定位在基因组上。

因为二代测序的得到的序列是较短的，reads mapping很好地解决了这个问题。

本质上reads mapping是一个双序列比对问题，但和之前讲的NW和SW的不一样，后者适用于两者长度相差不大的。

现在问题有几个特征：

1.reads和ref的长度有着跨数量级的差异，reads长度通常不超过100bp，而ref基因组通常在上百Mb。

2.数据量，NGS测序产生的数据量达到几百Gb，相当于几十个人的人类基因组。

3.数据质量。在双序列比对中通常假定序列本身不会出错，但是NGS所产生的reads质量参差不齐。

reads可以说是镶嵌到基因组序列中的，对于基因组来说是局部比对，对于reads来说是全局比对，是一个混合型的alignment。

首先对基因组建立索引，也就是index，

将每一个基因根据key映射到一个index，从而存储在不同的数据块中，尽量减少比对时间。

哈希可以来完成，以下例子：

先给ACGT分别确定一个值，那么将求和作为哈希函数，将基因组中分段，然后进行映射存储。这样有一个reads之后就可以以O（1）时间内寻找位置。

通常有一定的容错性。

数据压缩中的前缀树和后缀树被应用于reads mapping。 这里也提到了bowtie和BTW（Burruws Wheeler transform），提高了内存利用效率和比对速度。

在对短序列对比时，将所有的SQ都算出来，read中每个碱基都有一个测序质量，假定错配都是由测序错误引起的，从而计算出SQ。

在实际对read mapping的比对中，通常不使用序列比对分数，而使用mapping Quality（也就是最后一行的E），来筛选Read在Ref中的位置。

//这个415是如何得到的呢？是所有SQ的和。

当将reads正确映射到基因组之后，就可以来判断遗传变异。

根据遗传变异的尺寸，可以分为单个碱基水平的单核苷酸变异和多个：

//这个图说的简直十分清晰。

SNV是最常见的遗传变异分析方法：包括替换碱基，或者插入删除碱基。

SV：包括大规模删除插入、倒转、易位、拷贝数变异。

SNP calling是确定哪个基因位点存在变异，不涉及到对应位点的基因型。

Genotype calling是进一步确定变异位点的基因型是纯合的还是杂合的。

测序深度(sequencing depth)：测序得到的碱基总量与基因组大小的比值。 它与基因组覆盖度是一个正相关的关系。测序错误率和假阳性结果会随测序深度的提高而下降。

//这张图它在说什么，我完全听不懂啊。什么就是纯和了，怎么就杂合了?

这里给出了一个简单的概率模型。

一个生物体的基因型，有三种情况，那么假设在基因测序中测到的有k个A，有n-k个a。

如果是AA，那么概率就是n-k个a错误概率的乘积，杂合子由1-二者之和。

那么如果知道生物体中三种基因型出现了概率作为先验概率，那么可以推算出，后验概率。

//其实这里不太明白D是什么?