生物信息学在高通量测序数据分析中的应用
高通量测序技术的生物信息学分析
高通量测序技术的生物信息学分析引言：高通量测序技术作为一种新型基因测序技术，已经被广泛应用于现代生物研究中。
利用高通量测序技术，科学家们可以快速解码基因组序列、转录组序列以及蛋白质组序列。
然而，高通量测序技术不仅仅是一种实验技术，它也需要强大的生物信息学工具来支持数据分析和解读。
本文将介绍高通量测序技术的生物信息学分析，包括原始数据质量控制、序列比对和注释、基因表达分析、基因变异分析等等。
一、原始数据质量控制原始数据质量控制是高通量测序数据分析的第一步，其目的是剔除低质量序列以及包含污染序列的读段，确保下游的数据分析结果准确可靠。
利用FASTQC等软件对原始的FASTQ格式数据进行质量评估，可以得到关于以下几个质量指标的信息：1. GC含量2. Q20和Q30的比例3. 碱基分布的均匀性4. 过度重叠序列的比例基于以上质量指标，可以对数据进行质量控制处理，包括碱基修剪、低质量序列过滤、去除污染序列等等。
二、序列比对和注释序列比对指的是将高通量测序数据基因组参考序列进行比对，得到参考序列上的SNP、InDel的信息，从而对样品进行全面的基因变异检测、注释和分析。
在序列比对和注释的过程中，需要正确选择合适的比对软件和参考序列。
目前较为流行的比对软件包括BWA、Bowtie、STAR等等。
针对RNA-seq数据的注释工具包括Cufflinks、StringTie、Transcriptome Assembly等等。
基于参考序列的比对结果，还可以利用Variant Effect Predictor (VEP)等工具对候选变异位点进行注释。
注释信息包括dbSNP、ClinVar、ExAC等公共数据库的信息，帮助生物学家了解该变异的生物学特性，并识别其潜在的影响。
三、基因表达分析高通量测序技术还可以用于RNA表达谱的分析，以揭示不同组织和不同发育阶段的基因表达差异。
在基因表达分析中，首先将RNA-seq数据进行质量控制和过滤，然后对序列进行比对和注释，获得基因的计数信息。
生物信息学中的高通量测序数据分析研究
生物信息学中的高通量测序数据分析研究在生物学领域中，随着人们对生物系统的研究日益深入，高通量测序技术的出现为基因和蛋白质序列的鉴定和分析提供了非常有效的手段。
高通量测序数据分析研究作为生物信息学领域中的一个重要分支，以其高效、快速、准确的特性，不断地吸引着研究者的关注。
高通量测序技术是指一种能够同时测定大量DNA序列的方法，它不仅能够用于基因组组装和注释，还可以通过RNA测序技术来分析基因表达。
这种技术极大地加快了生物学研究的速度和效率，为生物学家提供了大量的测序数据。
然而，这些数据的处理和分析却是非常复杂的。
首先，高通量测序数据的预处理是数据分析的第一步。
当测序数据被生成后，必须对其进行质量控制、过滤低质量序列、去除接头序列等处理，才能得到较为准确的数据。
此外，还有一些其他的预处理过程，例如去重、去序列污染等。
接着，对于各类高通量测序数据进行生物信息学分析非常关键。
生物信息学分析的主要目的是确定基因或蛋白质序列，并了解它们在不同生理状态下的表达和功能。
对于RNA测序数据，其主要方法是将原始数据经过拼接或比对成转录本，然后对得到的转录本进行表达量分析，从而确定不同表达和差异表达基因的信息。
而对于DNA测序数据，则可通过基因组拼装、变异分析、基因预测和功能注释等方法进行深入研究。
近年来，生物信息学领域发展迅速，高通量测序数据分析也成为了该领域中的一个热门研究方向。
许多学者正在研究开发更加准确、更加高效、更加专业的分析工具和方法。
例如，结合机器学习技术的表达量分析方法和差异表达基因分析，能够更加准确地发现差异表达的基因；metagenomics（环境微生物组学）领域，则还需要研究多样性分析、代谢通路分析等更为复杂的问题。
总之，高通量测序数据分析是一个关键的研究领域，它为更深入、全面的生物学研究提供了非常重要的工具和方法。
未来，生物信息学领域需要进一步发展，带来更多的高精度、高效率的数据处理和分析技术，以满足更严格的生物学研究需求。
基于高通量测序技术的生物信息学解读
基于高通量测序技术的生物信息学解读高通量测序技术是近年来生命科学和医学领域的重要技术之一，通过对生物样品进行深度测序，能够快速、准确地获取大量生物信息，为基因功能研究、药物研发、疾病诊断和治疗等方面提供了有力支撑。
生物信息学解读是高通量测序技术的重要应用方向之一，涉及到基因组、转录组、蛋白质组等多个层次的分析，具有广泛的研究意义和应用前景。
一、基因组测序基因组测序是高通量测序技术的首要应用方向之一，它能够帮助我们了解生物基因组的组成、结构和功能，为基因功能研究、进化分析等提供数据支持。
与传统方法相比，基因组测序能够在较短时间内对生物基因组进行全面测序，解决了单个基因或单个基因片段测序的限制性问题，提供了更加全面的基因数据。
基因组测序分为宏基因组和微基因组两种。
宏基因组是对各种微生物和大量环境中存在的微生物进行的基因组测序，其目的是揭示微生物种类、多样性、功能等。
微基因组则是对个体或种群的基因组进行的测序，不少研究工作集中在人类基因组的测序上。
基因组测序需要进行序列的拼接、比对、注释等信息学处理才能明确基因组结构和组成。
二、转录组测序转录组是指在细胞内基因转录生成mRNA的总体酶同一时刻产生的所有mRNA分子的总和。
与基因组测序相比，转录组测序可以更加全面地了解生物转录水平的变化。
通过测定生物转录组，可以揭示生物发育、生长、适应环境变化等方面的生物学规律。
在转录组测序中，从样品中提取RNA，然后通过转录组测序技术，对RNA进行深度测序，将结果转化为数字信号，然后进行数据分析和注释，包括基因差异表达分析、聚类分析、功能富集分析等，挖掘生物转录组的生物学意义和作用。
三、甲基化测序在生物体中，DNA甲基化是表观遗传学研究中一个重要的表征，也是人类疾病诊断和治疗的关键因素。
然而，甲基化在不同细胞、组织和环境条件下是动态变化的。
因此，甲基化测序技术可以用来研究DNA甲基化的变化以及与这些变化相关的生物学过程，如基因表达和细胞分化等。
生物信息学在高通量数据分析中的应用
生物信息学在高通量数据分析中的应用生物信息学是将计算机科学和生物学相结合的交叉学科领域。
随着高通量测序技术的不断发展，生物信息学在解析生物大数据方面的应用越来越重要。
本文将讨论生物信息学在高通量数据分析中的应用。
1. 基因组学基因组学研究基因组的结构、功能和演化，是生物信息学里最重要的分支之一。
高通量测序技术可以获得大量的基因组测序数据，而生物信息学的作用就是将这些数据转化为有价值的信息。
基因组学可以应用到许多领域，包括医学、农业和环境等。
在基因组学领域中，比对和组装技术是两个主要的技术。
比对技术指将测序读段对齐到参考基因组上，以便找出变异、复杂变异和插入/缺失序列等。
比对技术有多种方法，如BWA、Bowtie、TopHat等。
组装技术用于构建未知基因组的基因序列，其目标是将海量的短序列拼接成长序列，以重建参考基因组。
目前主要的组装算法包括SOAPdenovo、ABySS、ALLPATHS等。
2. 转录组学生物体内的基因表达水平是不断变化的，转录组学便是研究这种变化的一项研究。
随着DNA芯片和高通量测序的发展，转录组学研究的重点由单一基因表达向全基因表达转化，成为综合研究细胞内基因互作网的主要手段。
从转录组测序数据中，可以挖掘出许多有价值的信息。
例如，通过基因表达差异分析可以鉴定出是什么导致了某些疾病的发生。
对转录因子调控的研究可以准确了解细胞在不同时间点上基因表达的调控情况。
还可以进行全转录组比较，找出不同的基因表达模式，从而了解基因功能的变化。
3. 蛋白质组学蛋白质是每个生物体内最为基础的生物分子之一，是所有生物质的功能实现的基础。
蛋白质组学研究的是生物体内所有的蛋白质，其中包括蛋白质结构、功能和相互作用，同时它将研究与蛋白质有关的所有的蛋白质信息。
在蛋白质组学领域中，最关键的是识别和鉴定蛋白质序列。
随着生物密码子在不同生物体之间的差异，鉴定蛋白质序列成为了一项挑战。
最常用的方法是利用同源比对技术，在已经知道的蛋白质序列库中搜索匹配的序列。
高通量测序技术在生物信息学中的应用
高通量测序技术在生物信息学中的应用随着生物学的不断进步和发展，人们对生命本质属性的认识也在不断地深入，其中生物信息学作为一个崭新的学科，成为了这个领域内不可或缺的一环。
随着高通量测序技术的出现，人们对生物信息学的理解和应用又迈上了一个新的台阶。
本文将阐述高通量测序技术在生物信息学中的应用。
什么是高通量测序技术？首先，让我们来了解什么是高通量测序技术。
高通量测序是一种通过获得大量DNA或RNA序列来分析生物体遗传信息的技术。
它可以同时分析一大批DNA或RNA序列，将这些序列完全或部分地测序并比对到一个或多个参考序列上。
这种技术被广泛应用于整个生命科学领域，如基因组学、转录组学、表观基因组学和蛋白质组学等。
高通量测序技术的工作原理高通量测序技术的工作原理可以简单地分为以下步骤：第一步：准备样本。
样本可以是DNA或RNA，也可以是PCR 产物、文库等。
第二步：文库准备。
样本处理后，需要制备成文库。
这个过程可以是二代高通量测序技术所使用的序列文库制备方法，也可以是三代单分子测序技术所使用的直接测序法。
第三步：样本测序。
样本经过文库制备后，就可以进入样本测序的阶段。
二代高通量测序技术使用的是Illumina和ABI SOLiD 平台，而三代单分子测序技术使用的是Pacific Biosciences和Oxford Nanopore Technologies。
这些平台在数据生产、数据速度、数据量和数据质量等方面都有不同的特征。
第四步：数据分析。
样本的测序数据经过数据生产后，就需要将数据进行分析解读。
这个过程包括数据质控、比对、注释、变异分析等步骤。
高通量测序技术在生物信息学领域中有着广泛的应用。
下面将从不同的方面详细阐述它的应用：1.基因组学高通量测序技术的应用为生物学家们提供了一个更全面、更准确地研究基因组的方法。
通过对基因组中所有基因的测序和注释，可以深入了解基因与疾病的关系。
全基因组测序和重测序技术在短时间内完成了大量不同物种的DNA测序，包括人类、小鼠、大麦、酵母、病毒等等，这种技术得以更好的研究基因组变异、遗传最优性、表达及下调、基因本体、选择压力已经遗传漂变等等。
基于高通量测序的生物信息学分析方法研究
基于高通量测序的生物信息学分析方法研究随着高通量测序技术的发展，生物学研究的重心已经从单个基因序列的研究转向了大规模基因组和转录组的研究。
高通量测序技术的出现不仅大大降低了生物学研究的成本和时间，而且为生物学领域的研究提供了更加深入、全面的信息。
生物信息学分析作为高通量测序技术的重要组成部分，为研究者提供了多种分析工具和方法，为生物学领域的研究提供了强大的支持。
一、高通量测序技术概述在高通量测序技术中，数据量非常大，需要进行大量的数据处理和分析。
因此，生物信息学分析在高通量测序技术中至关重要。
高通量测序技术包括Illumina、Roche/454、ABI/SOLiD等多种技术，其中Illumina是最常用的测序技术。
Illumina的测序原理是通过选取不同长度的DNA片段来进行序列的测定，将这些片段拼接在一起形成完整的序列。
这种方法具有高产量、高精度、高效率、适用于大规模测序等优点。
二、生物信息学分析方法高通量测序技术所产生的海量数据需要进行深入的分析，生物信息学分析方法正是为这些分析工作提供有效手段的重要组成部分。
生物信息学分析方法可分为基本分析、预测分析和差异分析等几个方面。
1. 基本分析生物信息学基本分析主要分为数据预处理和序列的比对两个部分。
在数据预处理方面，主要包括质控、去除低质量序列、去除适配器、去除含有未知碱基序列的数据、序列长度筛选和低频序列处理等步骤。
在序列比对方面，主要包括基于参考序列和基于无参考序列的两种比对方式。
基于参考序列的比对方式可以使用Bowtie、BWA等较为常用的软件；基于无序参考序列的比对方式，可以使用SOAP、TopHat等软件。
2. 预测分析预测分析是通过基因结构预测、蛋白质结构和功能预测等手段进行分析。
基因结构预测的方法主要有基于比对和基于组装两种方法，通过分析基因转录模式、隐含马尔科夫模型、比对到参考序列的拼接方向等方面进行预测。
蛋白质结构和功能预测则可以通过使用大量的基因组序列和蛋白质数据库，结合计算机预测和实验验证等方法进行预测。
生物信息学中的高通量基因测序数据分析与挖掘技术研究
生物信息学中的高通量基因测序数据分析与挖掘技术研究随着基因测序技术的发展，大规模的高通量基因测序数据正在迅速增加。
这些海量数据提供了一个宝贵的资源，可以用于了解生物的基因组结构、功能和演化等方面的信息。
为了从这些数据中获取有效的信息，生物信息学中的高通量基因测序数据分析和挖掘技术起到了关键的作用。
高通量基因测序技术是一种高效、高通量的测序方法，可以在较短的时间内获得大量的DNA或RNA序列信息。
这种技术的出现大大加速了生物学研究的进展，也为生物信息学研究提供了大量的数据。
高通量基因测序数据分析的主要目标是从原始的测序数据中提取出有用的信息，包括基因组的组装、基因功能注释、SNP(Single Nucleotide Polymorphism)的检测等。
基于高通量测序技术的数据，研究人员可以更好地理解生物体的基因组结构和功能。
高通量基因测序数据分析的第一步是质量控制。
由于测序过程中存在一定的误差，需要对测序数据进行质量评估和处理。
常用的质量控制方法包括去除低质量的测序数据、去除测序接头和引物等。
在数据质量控制后，研究人员可以进行下一步的数据分析。
第二步是基因组的组装。
基因组组装是将测序数据拼接成较长的连续序列，以还原生物的基因组结构。
对于无参考基因组的组装，采用de novo序列组装方法，通过对大量的短读长序列进行拼接，得到较长的序列。
对于已有参考基因组的组装，采用基于参考序列的对齐方法，通过将测序数据与参考序列进行比对，填充空缺以获得更完整的序列。
基因组组装的主要挑战是解决序列重复和大规模基因组的组装难题。
第三步是基因功能注释。
基因功能注释是将基因组序列和基因之间的功能关联进行分析和注释的过程。
常见的功能注释包括基因的功能类型、基因的表达水平和调控因子等。
通过对测序数据进行基因功能注释，可以帮助研究人员理解基因的功能和相互关系。
第四步是SNP(Single Nucleotide Polymorphism)的检测。
高通量测序技术在生物信息学中的应用研究
高通量测序技术在生物信息学中的应用研究标题：高通量测序技术在生物信息学中的应用研究摘要：随着高通量测序技术的迅速发展，越来越多的研究已经将其应用于生物信息学领域。
本文旨在探讨高通量测序技术在生物信息学中的应用，包括研究问题及背景、研究方案方法、数据分析和结果呈现以及结论与讨论。
通过文献综述和实例分析，本文旨在揭示高通量测序技术在生物信息学中的潜力以及未来发展的趋势。
一、研究问题及背景随着生物领域研究的深入，科学家们面临着越来越复杂的生物信息学问题。
传统的测序方法无法满足高通量测序大规模数据的需求，因此高通量测序技术的出现为生物信息学研究提供了有效的解决方案。
本段介绍了高通量测序技术在生物信息学研究中的应用背景，并阐述了该研究的重要性和意义。
二、研究方案方法本节详细介绍了高通量测序技术在生物信息学研究中的应用方案和方法。
首先，介绍了高通量测序技术的基本原理和常用的测序方法，如Illumina测序、Ion Torrent测序等。
然后，探讨了高通量测序技术在生物信息学研究中的样本准备、测序过程以及数据质控等关键步骤。
最后，介绍了实验设计和数据分析的策略，包括差异表达分析、多组学数据整合以及功能注释等方法。
三、数据分析和结果呈现本节详细介绍了高通量测序技术在生物信息学研究中的数据分析和结果呈现。
首先，介绍了常用的数据分析工具和软件，如Bowtie、TopHat、Cufflinks等。
然后，介绍了数据质量控制和预处理的方法，包括去除低质量序列、过滤噪声和去除冗余等。
接着，详细阐述了差异表达基因的鉴定和功能注释的方法。
最后，通过实际案例展示了高通量测序技术在生物信息学研究中的数据分析流程和结果呈现方法。
四、结论与讨论本节总结了高通量测序技术在生物信息学研究中的应用，并提出了结论和讨论。
首先，总结了高通量测序技术在生物信息学领域的重要性和应用潜力。
然后，讨论了高通量测序技术在解析基因组结构、揭示基因调控机制、发现新的功能基因以及研究复杂疾病等方面的应用前景。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
RNA测序
降解组测序
表观基因组测序 Chip-seq Clip-seq
生物信息学在高通量测序 数据中的主要应用
常用生物信息学分析平台与资源
• 常用编程分析平台： Perl / BioPerl Python / BioPython R / Bioconductor JAVA / BioJava • 常用网上资源： NCBI SRA – Sequence Read Archive UCSC Genome Browser SEQanswers – WiKi & Forum for NGS
Solexa测序的原理：可逆阻断
高通量测序技术 Illumina/Solexa
优势：通量最高 (max 600Gb, HiSeq 2500) 主要错误来源：同一个簇内不同DNA链延伸情况不同（相 位差），导致读取错误 劣势：读长较短 (max 250bp, HiSeq 2500)，运行时间长 (1-14 days，HiSeq 2500大幅提升了运行速度)，数据存储 和分析难度大。
常用基因组拼接软件
• • • • • • • • Velvet Ray ABySS SOAPdenovo SSAKE SHARCGS MIRA Edena
基因组比对软件
•ห้องสมุดไป่ตู้• • • • • • • BLAST BLAT MAQ SOAP Bowtie BWA SSAHA ELAND
SNP 分析软件
单分子 聚合反应 单分子实时荧光 是 ~ 15 kb
最大数据产出*
运行时间 主要错误 准确率 平均数据成本 数据分析难度
700 Mb
较短 Indel 低 高 较低
600 Gb
长 替换 高 低 高
300 Gb
最长 替换 最高 低 最高
~1.2 Gb
短 Indel 较高 较低 高
~80 Mb
短 CG删除 低 高 最低
*最大数据产出量往往不是最大读长的 HiSeq 2500和Ion Proton均号称1天测1个30x的人类基因组，成本$1000
高通量测序技术 的主要应用
DNA测序
基因组deno测序 基因组重测序
宏基因组 (Metagenome)测序
外显子组测序 转录组测序 表达谱测序 小RNA测序
GS Junior System GS FLX+ System
高通量测序技术 Illumina/Solexa
• 单链DNA两端加上非对称的通用接头(包括测序引物)，接头 与事先固定在固相芯片表面的序列互补 • 单链DNA结合到芯片表面形成桥式结构。然后使用接头引物 进行PCR扩增 • 变性后在一个芯片上可以形成上亿个不相关的单链DNA分子 簇，其一端固定在
乳滴PCR 聚合反应 焦磷酸 是 ~1 kb
Solexa
桥式PCR 聚合反应 反向终止合成 是 250 bp
SOLiD
乳滴PCR 连接反应 可剪切探针连接 是 75 bp
Ion torrent
乳滴PCR 聚合反应 pH电位差 否 200 bp
Pacific
高通量测序技术 Pacific Science’s single molecule sequencing
优点：读长长 (max 15 kb) 缺点：错误率高 (单次反应错误率~15%。经改进后使用多次 循环重复，错误率降低到1%)，通量低（与读长有关）
SMAT Cells
Comparison of 5 NGS techniques
生物信息学在高通量测序 数据分析中的应用
主 讲 人：李广林
提
纲
高通量测序技术的介绍
高通量测序技术的主要应用 生物信息学在高通量测序数据中的主要应用
高通量测序简介
高通量测序:一次性对几百万到十亿条DNA
分子进行并行测序，又称为下一代测序技术， 其使得可对一个物种的转录组和基因组进行 深入、细致、全貌的分析，所以又被称为深 度测序。 High-throughput Sequencing Next Generation Sequencing Deep Sequencing
• • • • • • SAMTools SOAPsnp NGS-Backbone MAQ SeqMan NGen CLCBio Genomics
生物信息学在基因组分析方面的应用 基因组de novo测序
对未知基因组序列的物种
取样： 动物：血液、肌肉 植物：叶片（黄化叶，组培植株）
估算基因组复杂度（大小、重复序列比例、杂合度） 测序技术：
高通量测序技术 Roche/454 pyrosequencing
• 以固化了引物的玻璃微球为中心形成油包水结构的乳滴，每个乳 滴都是多数微球只结合一条DNA模板）。 • 经过多轮循环反应，每个微球表面都结合了数千个相同的拷贝。 变性后，使微球上结合的都是单链DNA片段。 • 富集微球，转移到刻有大规模微孔阵列的微孔板上，每个微孔只 容纳一个微球。
高通量测序技术 Roche/454 pyrosequencing
• 顺次向流通池中加入4种dNTP中的一 种，流过微孔板的一面。 • 当dNTP与脱氧核糖骨架连接后释放 出焦磷酸，在与dNTP一起加入的ATP 硫酰化酶和荧光素酶作用下产生一系 列级联反应，放出不同的光信号。 • 每个微孔中光信号的有无，就表明对 应的dNTP是否连接到了片段上。
H3Y^HM' 454 测序的原理：焦磷酸测序 y Synthesis
' '
5’-磷酰硫酸 ATP硫酸化酶
Key sequence
Flowgram
荧光素酶
逐次加入dATP等，每加入一种，检测信号， 清洗再加下一种。
Sequencing 7.5 h
CR
h
! . 0,. 3'
高通量测序技术 Roche/454 pyrosequencing
高通量测序技术 Illumina/Solexa
• 使用测序引物从自由的通用接头一 侧开始测序反应。 • 测序使用的dNTP每种碱基被不同的 荧光基团标记，同时脱氧核糖的3’OH被封闭，这样每轮测序循环只能 延伸一个核苷酸。读取碱基荧光信 号，就能知道这一轮每个簇结合上 的是什么核苷酸 • 然后切除荧光基团，打开被封闭的 3’-OH，继续进行下一轮反应
Ion Proton
Ion torrent 318 chip
高通量测序技术 Pacific Bioscience’s single molecule sequencing
• 每个纳米孔底部固定一个已经结合了引物和模板的DNA聚合酶分子。 • 每次测序反应加入一种荧光标记的dNTP核苷酸，聚合酶在检测空间内将其 捕获后产生光曝。 • 通过连续实时检测每个孔内的荧光信号，就快速测定了每个孔内的模板序列
高通量测序技术 Life/APG’s SOLiD
• 优点：由于使用双碱基编码技术（two-base encoding），准确率最高， 通量高 (max 300 Gb) • 缺点：读长最短 (max 75 bp)，运行时间长(7-10 day)，数据储存和分析 难度大
5500 Series Genetic Analysis Systems
MiSeq
HiSeq 2000
Genome Analyzer II
高通量测序技术 AB/SOLiD
SOLiD System
5500 series
SOLiD 测序探针介绍
类似454的微球反应体系，但使用连接反应。
SOLiD Sequencing
• 每次测序反应的第1轮，测序引物1与接头序列互补形成平末端，然后与探针 连接。当探针1,2位与待测序列模板互补并连接上之后，获取荧光信息。然 后在探针的5,6位之间切开探针，进行下一个连接反应。这样重复多次，可 以获得模板序列的第1-2, 6-7, 11-12……位置的信息。
Read length: >1,000 bp Accuracy: 99.999% Cost: $0.5/kb Throughput: 6x105 bp/day
Sanger vs NGS
Sanger
样品量 是否需要电泳 大 是
NGS
小 否
通量
单位成本 准确率 读长
低
高 高 长
高
低 偏低 短
第三代测序技术
Pacific Bioscience’s single molecule sequencing (2011) Nanopore sequencing
测序的基本反应原理：DNA聚合反应
第一代测序技术 Sanger 法
结合荧光标记和毛细管电泳
测序峰图
ABI 3730 sequencer
Illunima paired-end为主 Sanger、454、SOLiD为辅， PacBi(whole genome shortgun)
• Coverage depth（覆盖深度or测序深度）： 每个碱基被测序的平均次数，是用来衡量 测序数据量的首要参数。 测序总数据量/基因组大小 Coverage ratio（覆盖率）： 被测序到的碱基占全基因组大小的比率。 覆盖比率随覆盖深度升高而提高，亦受测 序bias的影响，如illumina测序会受到 GC bias的影响，而导致测序不均匀。 理论上（完全随机打断）测序深度达到20x 即可覆盖整个基因组。实际工作中一般需 要50x以上（100 bp读长）。 Reads长度越长越好。
高通量测序技术 Life/APG’s Ion torrent PGM
• 454发明者的新作品 • 测序反应在微阵列芯片上 的微反应池中进行。 • 每个dNTP结合到延伸链上， 会释放出一个H+，pH值变 化会导致电位变化。 • 检测每次dNTP流过的电位 差变化，就能知道该dNTP 是否连接上去。