basecalling|vector mark|Assembly的难题|

Posted 2022-11-10 yuanjingnan

生物信息学

染色体可以据染色图谱判断染色体号码，1-22号染色体依次变短，它们影响机体发育，23号染色体决定性别。肿瘤是由于遗传密码变异造成的。因此，遗传密码的解读非常重要，但是因为遗传密码长度非常长，所以虽然已经全部测出来，但是破译它们依然存在很多难题。

 

生物信息学是一个学科领域，它的研究对象基因组，所以最初下定义是基因组信息学，主要内容是获取处理、存储、分配、分析和解释生物数据，即对生物信息的获取管理和信息挖掘。

破译具体而言是序列分析，对于编码序列看编码何种蛋白质，而对于非编码序列看起到何种作用。当今自然科学领域和技术科学领域中，生物信息学是结合三类问题的复合学科，包括基因组，信息结构和复杂性。

 

生物信息学：

1.Genome informatics is a scientific discipline that encompasses all aspects of genome information acquisition, processing, storage, distribution, analysis, and interpretation. 它是一个学科领域，包含着基因组信息的获取、处理、存储、分配 、分析和解释的所有方面。

2.生物信息学是把基因组DNA序列信息分析作为源头，破译隐藏在DNA序列中的遗传语言，特别是非编码区的实质；同时在发现了新基因信息之后进行蛋白质空间结构模拟和预测。

3.生物信息学的研究目标是揭示“基因组信息结构的复杂性及遗传语言的根本规律”。它是当今乃至下一世纪自然科学和技术科学领域中“基因组”、“信息结构”和“复杂性”这三个重大科学问题的有机结合。

 

 

随着human genomeproject完成，生物信息数据随之飞快增长，数据库种类逐渐变多，数据增长速度也逐渐变大。所以有以下四类数据库，DNA碱基数据库&expression sequence tag表达序列标签数据库，其中注释活细胞中正在实现功能的gene，这些gene覆盖人类基因组的90%。SNPs单核苷酸多态性数据库（single nucleotide polymorphisms），单独物种genome dataset。慢慢的，诞生了其他综合性数据库，就是二次数据库，包括Genbank；EMBL；DDBJ;这些数据库之间每天都在交互数据。

普遍研究流程是由Gene到primary sequence of protein，再到3D structure of protein，然后注释biological function，以前认为的junk gene现在部分转化为noncoding gene，并对其展开研究。

大基因组中的序列的拼接和注释主要依靠生物信息学方法。

 

 

在经过Sequencing，basecalling测碱基荧光，vector mark（通过碱基比对去除引物）这些物理方法之后，生物信息学应用于assembly，Assembly的难题在于片段多无法正确拼接，所以assembly主要思路是对相同数据的采用不同切割方法，这些方法产生的不同断面，可以帮助我们找到拼接gene组的线索，如今supercompute帮助更快凭借，覆盖率可以99%。即使这样，也存在未能finishing（补洞）上的部分，这是很大的难题。但是至此，大部分序碱基信息可以读取出来，然后再repeat mark +ORF prediction+Gene annotation破译更多信息，解决生物学问题。