1、當(dāng)今的生物技術(shù)快速發(fā)展，生物學(xué)大數(shù)據(jù)每天以爆炸式的速度增長(zhǎng)，這無(wú)疑給生物學(xué)研究和發(fā)展帶來(lái)前所未有的機(jī)遇，然而傳統(tǒng)的生物學(xué)分析方法已經(jīng)無(wú)法處理如此龐大的數(shù)據(jù)。生物信息學(xué)，作為一門新興的交叉學(xué)科應(yīng)運(yùn)而生，它將數(shù)學(xué)，計(jì)算機(jī)科學(xué)，統(tǒng)計(jì)學(xué)等結(jié)合起來(lái)研究和解決大數(shù)據(jù)下的生物學(xué)問(wèn)題。其中一個(gè)非?；A(chǔ)，重要而又極具挑戰(zhàn)性的問(wèn)題就是序列拼接問(wèn)題，轉(zhuǎn)錄組拼接就是其典型代表。轉(zhuǎn)錄組拼接就是利用RNA-seq等測(cè)序技術(shù)產(chǎn)生的海量測(cè)序片段拼接出實(shí)驗(yàn)組織中所有的表

2、達(dá)轉(zhuǎn)錄本，并估計(jì)出其表達(dá)量。本文的研究主要集中在如何利用組合優(yōu)化方法來(lái)解決轉(zhuǎn)錄組拼接問(wèn)題，這對(duì)于新物種研究，以及與異常轉(zhuǎn)錄相關(guān)的人類復(fù)雜疾病研究等相關(guān)問(wèn)題意義重大。
　　第二代RNA-seq測(cè)序技術(shù)的快發(fā)展和廣泛應(yīng)用給轉(zhuǎn)錄組拼接工作帶來(lái)無(wú)限機(jī)遇的同時(shí)，也伴隨著在計(jì)算上前所未有的挑戰(zhàn)。目前的拼接算法根據(jù)計(jì)算策略可大致分為兩類:
　　1)基于參考基因組的轉(zhuǎn)錄組拼接算法;
　　2）從頭轉(zhuǎn)錄組拼接算法。當(dāng)有高質(zhì)量的參考基因組存

3、在時(shí)，可先將測(cè)序片段回貼到參考基因組上，之后，根據(jù)回貼的結(jié)果對(duì)每個(gè)基因分別進(jìn)行轉(zhuǎn)錄組拼接。在參考基因組不存在，不完整，嚴(yán)重片段化或是在癌組織中大量突變等，從頭轉(zhuǎn)錄組拼接就成為了非常重要的且是唯一的選擇。從頭拼接策略不需要依賴任何參考信息，直接從測(cè)序片段本身出發(fā)，重構(gòu)出最終的表達(dá)轉(zhuǎn)錄體序列。無(wú)論是轉(zhuǎn)錄組拼接的何種策略，目前的算法在計(jì)算精度和計(jì)算效率上都存在明顯的缺陷和嚴(yán)重的不足，導(dǎo)致其實(shí)際應(yīng)用效果非常差。因此，兩種策略都亟待開發(fā)出全新的，

4、高質(zhì)量的拼接算法，以準(zhǔn)確重構(gòu)出真核生物組織中的全長(zhǎng)轉(zhuǎn)錄組。
　　基于上述的考慮，本文設(shè)計(jì)全新的基于參考基因組的轉(zhuǎn)錄組拼接算法TransComb，這個(gè)算法給轉(zhuǎn)錄組拼接提出了全新的設(shè)計(jì)思路，極大的彌補(bǔ)了當(dāng)前算法存在的嚴(yán)重缺陷。經(jīng)過(guò)在模擬數(shù)據(jù)和多組真實(shí)數(shù)據(jù)上的測(cè)試，結(jié)果充分地表明，無(wú)論在模擬數(shù)據(jù)還是真實(shí)數(shù)據(jù)上，本文開發(fā)的拼接算法與其他主流拼接算法比較都展示出明顯的優(yōu)勢(shì):不僅具有更高的靈敏度，而且具有更高的準(zhǔn)確度，對(duì)其他算法普遍存在的假陽(yáng)

5、性高的難題得到了極大程度的解決。而且，在計(jì)算資源消耗方面，TransComb使用的CPU時(shí)間明顯更短且運(yùn)行內(nèi)存更低。經(jīng)過(guò)綜合的測(cè)試表明，TransComb無(wú)論是在計(jì)算精度上還是在計(jì)算效率上都顯著超過(guò)其他拼接算法。
　　本文的新算法TransComb具有以下幾個(gè)明顯的的創(chuàng)新點(diǎn):
　　1）新的技術(shù)構(gòu)造出更加準(zhǔn)確的剪接圖。本文設(shè)計(jì)出使用雙端測(cè)序信息來(lái)修復(fù)片段化的外顯子的技術(shù)，以及為修復(fù)錯(cuò)誤連接的外顯子而設(shè)計(jì)出的窗口滑動(dòng)技術(shù)。

6、>　　2）梳圖模型和雙端測(cè)序信息解決轉(zhuǎn)錄組拼接的核心難題。轉(zhuǎn)錄組拼接的核心難題就是外顯子兩側(cè)進(jìn)出邊連接的不確定性，這也是目前幾乎所有的拼接軟件共存的一大漏洞。本文開發(fā)的梳圖模型將測(cè)序覆蓋度信息和雙端測(cè)序信息合理的整合在一起，巧妙的解決了拼接的核心難題。
　　3）全新的圖模型:加權(quán)節(jié)點(diǎn)圖。打破基于RNA-seq的轉(zhuǎn)錄組拼接算法依賴傳統(tǒng)重疊圖和剪接圖的現(xiàn)狀，我們的算法是在加權(quán)節(jié)點(diǎn)圖的基礎(chǔ)上完成拼接，節(jié)點(diǎn)圖中包含了更多有效信息，因而克服

7、了現(xiàn)有算法的若干缺陷。
　　4）基于節(jié)點(diǎn)圖設(shè)計(jì)的新的路的延伸策略。該策略在延伸過(guò)程中每一步都有節(jié)點(diǎn)圖上邊的權(quán)重作為依據(jù)，使得每一條延伸出的路都以很大概率代表一個(gè)表達(dá)的轉(zhuǎn)錄體，無(wú)論該轉(zhuǎn)錄體是高表達(dá)還是低表達(dá)。
　　盡管TransComb在拼接方面表現(xiàn)出了明顯的優(yōu)勢(shì)，但是其仍然存在不足之處。比如:
　　1）TransComb在設(shè)計(jì)過(guò)程中沒(méi)有實(shí)現(xiàn)并行化，因此，在程序設(shè)計(jì)方面還有待進(jìn)一步提升。
　　2）表達(dá)量估計(jì)算法設(shè)計(jì)

8、沒(méi)有將測(cè)序偏好等信息考慮進(jìn)去，因此，在某些數(shù)據(jù)上的表達(dá)量估計(jì)中TransComb與其他主流算法效果接近，沒(méi)有表現(xiàn)出明顯的優(yōu)勢(shì)，這個(gè)過(guò)程還有待于進(jìn)一步提高。
　　最后，本文還將簡(jiǎn)要介紹我們開發(fā)的另一個(gè)轉(zhuǎn)錄組拼接算法BinPacker，該算法是不依賴參考信息的從頭拼接算法。BinPacker把轉(zhuǎn)錄組拼接問(wèn)題重新模型化為追蹤一系列物品的軌跡模型，每個(gè)物品代表一種轉(zhuǎn)錄體，物品的尺寸表示該轉(zhuǎn)錄體的覆蓋度。這個(gè)方法能夠巧妙地將覆蓋度信息合理的

9、利用在拼接過(guò)程中，另外，BinPacker具備如下兩個(gè)獨(dú)有的特征:
　　1）只有剪接圖中的可變剪接事件作為拼接過(guò)程的考慮對(duì)象;
　　2）拼接大量雜亂無(wú)章的測(cè)序片段的過(guò)程被形象的模型化為梳理剪接圖中的邊的過(guò)程。最后，我們同時(shí)在模擬數(shù)據(jù)和真實(shí)數(shù)據(jù)上測(cè)試BinPacker，測(cè)試結(jié)果顯示，BinPacker在各種數(shù)據(jù)類型下均明顯超過(guò)幾乎所有現(xiàn)存的從頭拼接軟件，包括最主流的軟件Trinity，在某些數(shù)據(jù)下，BinPacker的表現(xiàn)甚至