Computational problems of analysis of short next generation sequencing reads

Abstract

Секвенирование следующего поколения (NGS) с помощью корот ких прочтений ДНК вносит большой вклад в решение задач современной геномики, генетики, клеточной биологии и медицины, особенно в исследования метагеномики, сравни-тельной геномики, определение полиморфизмов, скрининг мутаций, транскриптомное профилирование, изучение ремо-делирования хроматина и многие другие приложения. Секве-ниро вание неустойчиво к техническим ошибкам, которые могут влиять на научные выводы. NGS технологии состоят из создания коллекции многочисленных коротких фрагментов ДНК, имену емой «библиотекой», получения молекулярных колоний и их дальнейшего массового параллельного секвени-рования. Такие секвенированные фрагменты называются «про-чтениями», они собираются (ассемблируются) в протяженные строки. Протяжен ные последовательности, в свою очередь, собираются в геномы для дальнейшего анализа. Вычислитель-ные/процессинговые ошибки и сбои секвенирования -это ошибки, возникающие при последующей цифровой обработке секвенированных образцов. Последующая обработка (процес-сирование) включает процедуры оценки качества, картирова-ния, ассемблирования и даже корректировки ошибочных дан ных. Данная статья рас сматривает вычислительные ошибки процессирования, компью терные и статистические подходы для их определения, а также представляет словарь терминоло-гии секвенирования. Рассмот рены задачи идентификации мутаций («Определение вариаций») в данных секвенирования и контроль качества их определения. Определение вариаций включает локальные вариации, такие как одиночные нуклео-тидные полиморфизмы, короткие вставки и делеции (инделы), и масштабные вариации (инверсии, трансло кации или боль шие Short read next generation sequencing (NGS) has significant impacts on modern genomics, genetics, cell biology and medicine, especially on meta-genomics, comparative genomics, polymorphism detection, mutation screening, transcriptome profiling, methylation profiling, chromatin remodelling and many more applications. However, NGS are prone for errors which complicate scientific conclusions. NGS technologies consist of shearing DNA molecules into collection of numerous small fragments, called a 'library' , and their further extensive parallel sequencing. These sequenced overlapping fragments are called 'reads' , they are assembled into contiguous strings. The contiguous sequences are in turn assembled into genomes for further analysis. Computational sequencing problems are those arising from numerical processing of sequenced samples. The numerical processing involves procedures such as: quality-scoring, mapping/assembling, and surprisingly, error-correction of a data. This paper is reviewing post-processing errors and computational methods to discern them. It also includes sequencing dictionary. We present here quality control of raw data, errors arising at the steps of alignment of sequencing reads to a reference genome and assembly. Finally this work presents identification of mutations ("Variant calling") in sequencing data and its quality control.

Computer tools for analysis of transcriptomics data: program complex ExpGene

“…Разработан ряд подходов процессинга и фильтрации входных данных, статистических оценок ошибок возникающих при секвениро-вании [34,35]. Их использование требует дальнейшего расширения функционала программного комплекса.…”