Illumina HiSeq TM2000深度测序所得的小RNA(sRNA)几乎涵盖所有RNA，包括miRNA、siRNA、piRNA、rRNA、tRNA、snRNA、snoRNA、repeat associate sRNA、exon或intron降解片段等。通过与已知数据库进行比对、寻找样品与数据库之间在基因组位置上的overlap等方法，对sRNA进行注释，同时选取没有被注释上的sRNA，使用华大自主开发的软件Mireap预测novel miRNA。
1．实验流程
小分子RNA是生物体内一类重要的特殊分子，诱导基因沉默，参与细胞生长、发育、基因转录和翻译等诸多生命活动的调控过程。基于Illumina HiSeqTM 2000高通量测序技术的小RNA数字化分析，采用边合成边测序(SBS-sequencing by synthesis)，可减少因二级结构造成的一段区域的缺失。并具有所需样品量少，高通量，高精确性，拥有简单易操作的自动化平台和功能强大等特点，一次性获得数百万条小分子RNA序列，能够快速全面地鉴定该物种在该状态下的小分子RNA并发现新的小分子RNA，构建样品之间的小分子RNA差异表达谱，为小分子RNA功能研究提供有力工具。其实验流程如图1和图2：
2．信息分析流程
Illumina HiSeqTM 2000测序所得49nt序列，通过去接头、去低质量、去污染等过程完成数据处理得到干净序列，对其进行序列长度分布的统计及样品间公共序列统计。将清理后的干净序列分类注释，可以获得样品中包含的各组分及表达量信息。将所有小RNA片段注释后，用剩下的未注释片段来进行：1. novel miRNA的预测；2.已知miRNA 的碱基编辑预测。其流程如下图：
3．技术优势
?高通量：一次测序得到800万条以上的序列
?不依赖已知信息：既能鉴定已知small RNA又能发现新small RNA
?高分辨率：可以检测单碱基差异
?高精确度：从几个到数万个拷贝精确计数
?良好的重复性：深度测序保证了检测随机性，重复性非常好，无需技术重复
4．应用领域
5．运用small RNA测序技术发表的部分文章
⑴ Hu ZB, Chen X, Zhao Y, et al. Serum microRNA signatures identified in
a genome-wide serum microRNA expression profiling predict survival of non-small-cell lung cancer. Journal of Clinical Oncology. 2010, 28(10): 1721-1726.
⑵ Chen X, Gao CH, Li HJ, et al. Identification and characterisation of microRNAs in raw milk during different periods of lactation, commercial fluid, and powdered milk products. Cell Research. 2010: 1-10.
⑶ Liu SP, Li D, Li QB, et al. MicroRNAs of Bombyx mori identified by Solexa sequencing. BMC Genomics. 2010, 11: 148.
⑷ Liang CW, Zhang XW, Zou J, et al. Identification of miRNA from Porphyra yezoensis by High-Throughput Sequencing and Bioinformatics Analysis. PLoS ONE. 2010, 5(5): e10698.
⑸ Song CN, Wang C, Zhang CQ, et al. Deep sequencing discovery of novel and conserved microRNAs in trifoliate orange (Citrus trifoliata). BMC Genomics. 2010, 11: 431.
⑹ Chen X, Li QB, Wang J, et al. Identification and characterization of
novel amphioxus microRNAs by Solexa sequencing. Genome Biology. 2009, 10(7): R78 (1-13).
⑺ Wei Y, Chen S, Yang P, et al. Characterization and comparative profiling of the small RNA transcriptomes in two phases of locust. Genome Biology. 2009, 10(1): p. R6.
⑻ Chen X, Ba Y, Ma LJ, et al. Characterization of microRNAs in serum: a novel class of biomarkers for diagnosis of cancer and other diseases. Cell Research. 2008, 18: 997-1006.
高通量测序常用名词汇总 一代测序技术：即传统的Sanger 测序法，Sanger 法是根据核苷酸在待定序列模板上的引物点开始，随机在某一个特定的碱基处终止，并且在每个碱基后面进行荧光标记，产生以 A、T、C、G结束的四组不同长度的一系列核苷酸，每一次序列测定由一套四个单独的反应构成，每个反应含有所有四种脱氧核苷酸三磷酸(dNTP)，并混入限量的一种不同的双脱氧 核苷三磷酸(ddNTP)。由于ddNTP缺乏延伸所需要的3-0H基团，使延长的寡聚核苷酸选择性地在G A、T或C处终止，使反应得到一组长几百至几千碱基的链终止产物。它们具有共同的起始点，但终止在不同的的核苷酸上，可通过高分辨率变性凝胶电泳分离大小不同的片段，通过检测得到DNA碱基序列。 二代测序技术：n ext gen eration seque ncing ( NGS又称为高通量测序技术，与传统测序相比，二代测序技术可以一次对几十万到几百万条核酸分子同时进行序列测定，从而使得对一个物种的转录组和基因组进行细致全貌的分析成为可能，所以又被称为深度测序 (Deep sequencing )。NGS主要的平台有Roche(454 &454+), lllumina ( HiSeq 2000/2500、GAIIx、MiSeq)，ABI S0LiD 等。 基因：Gene是遗传的物质基础，是DNA或RNA分子上具有遗传信息的特定核苷酸序列。基因通过复制把遗传信息传递给下一代，使后代出现与亲代相似的性状。 DNA：Deoxyribonucleic acid ，脱氧核糖核酸，一个脱氧核苷酸分子由三部分组成：含氮碱基、脱氧核糖、磷酸。脱氧核糖核酸通过3',5'- 磷酸二酯键按一定的顺序彼此相连构成长链，即DNA 链，DNA链上特定的核苷酸序列包含有生物的遗传信息，是绝大部分生物遗传信息的载体。RNA：Ribonucleic Acid ，，核糖核酸，一个核糖核苷酸分子由碱基，核糖和磷酸构成。核 糖核苷酸经磷酯键缩合而成长链状分子称之为RNA链。RNA是存在于生物细胞以及部分病 毒、类病毒中的遗传信息载体。不同种类的RNA链长不同，行使各式各样的生物功能，如
基因组测序基础知识 ㈠De Novo测序也叫从头测序，是首次对一个物种的基因组进行测序，用生物信息学的分析方法对测序所得序列进行组装，从而获得该物种的基因组序列图谱。 目前国际上通用的基因组De Novo测序方法有三种： 1. 用Illumina Solexa GA IIx 测序仪直接测序； 2. 用Roche GS FLX Titanium直接完成全基因组测序； 3. 用ABI 3730 或Roche GS FLX Titanium测序，搭建骨架，再用Illumina Solexa GA IIx 进行深度测序，完成基因组拼接。 采用De Novo测序有助于研究者了解未知物种的个体全基因组序列、鉴定新基因组中全部的结构和功能元件，并且将这些信息在基因组水平上进行集成和展示、可以预测新的功能基因及进行比较基因组学研究，为后续的相关研究奠定基础。 实验流程： 公司服务内容 1.基本服务：DNA样品检测；测序文库构建；高通量测序；数据基本分析（Base calling，去接头， 去污染）；序列组装达到精细图标准 2.定制服务：基因组注释及功能注释；比较基因组及分子进化分析，数据库搭建；基因组信息展 示平台搭建 1.基因组De Novo测序对DNA样品有什么要求？
(1) 对于细菌真菌，样品来源一定要单一菌落无污染，否则会严重影响测序结果的质量。基因组完整无降解(23 kb以上)， OD值在1.8～2.0 之间；样品浓度大于30 ng/μl；每次样品制备需要10 μg样品，如果需要多次制备样品，则需要样品总量=制备样品次数*10 μg。 (2) 对于植物，样品来源要求是黑暗无菌条件下培养的黄化苗或组培样品，最好为纯合或单倍体。基因组完整无降解(23 kb以上)，OD值在1.8～2.0 之间；样品浓度大于30 ng/μl；样品总量不小于500 μg，详细要求参见项目合同附件。 (3) 对于动物，样品来源应选用肌肉，血等脂肪含量少的部位，同一个体取样，最好为纯合。基因组完整无降解(23 kb以上)，OD值在1.8～2.0 之间；样品浓度大于30 ng/μl；样品总量不小于500 μg，详细要求参见项目合同附件。 (4) 基因组De Novo组装完毕后需要构建BAC或Fosmid文库进行测序验证，用于BAC 或Fosmid文库构建的样品需要保证跟De Novo测序样本同一来源。 2. De Novo有几种测序方式 目前3种测序技术 Roche 454，Solexa和ABI SOLID均有单端测序和双端测序两种方式。在基因组De Novo测序过程中，Roche 454的单端测序读长可以达到400 bp，经常用于基因组骨架的组装，而Solexa和ABI SOLID双端测序可以用于组装scaffolds和填补gap。下面以solexa 为例，对单端测序(Single-read)和双端测序(Paired-end和Mate-pair)进行介绍。Single-read、Paired-end和Mate-pair主要区别在测序文库的构建方法上。 单端测序(Single-read)首先将DNA样本进行片段化处理形成200-500bp的片段，引物序列连接到DNA片段的一端，然后末端加上接头，将片段固定在flow cell上生成DNA簇，上机测序单端读取序列(图1)。 Paired-end方法是指在构建待测DNA文库时在两端的接头上都加上测序引物结合位点，在第一轮测序完成后，去除第一轮测序的模板链，用对读测序模块(Paired-End Module)引导互补链在原位置再生和扩增，以达到第二轮测序所用的模板量，进行第二轮互补链的合成测序(图2)。 图1 Single-read文库构建方法图2 Paired-end文库构建方法
高通量测序错误总结 一、生信分析部分 1）Q20/Q30 碱基质量分数与错误率是衡量测序质量的重要指标，质量值越高代表碱基被测错的概率越小。Q30代表碱基的正确判别率是99.9%，错误率为0.1%。同时我们也可以理解为1000个碱基里有1个碱基是错误的。Q20代表该位点碱基的正确判别率是99%，错误率为1%。对于整个数据来说，我们可以认为100个碱基里可能有一个是错误的, 在碱基质量模块报告的坐标图中，背景颜色沿y-轴将坐标图分为3个区：最上面的绿色是碱基质量很好的区，Q值在30以上。中间的橘色是碱基质量在一些分析中可以接受的区，Q值在20-30之间。最下面红色的是碱基质量很差的区。在一些生信分析中，比如以检查差异表达为目的的RNA-seq分析，一般要求碱基质量在Q在Q20以上就可以了。但以检查变异为目的的数据分析中，一般要求碱基质量要在Q30以上。 一般来说，测序质量分数的分布有两个特点： 1.测序质量分数会随着测序循环的进行而降低。 2.有时每条序列前几个碱基的位置测序错误率较高，质量值相对较低。 在图中这个例子里，左边的数据碱基质量很好，而右边的数据碱基质量就比较差，需要做剪切（trimming），根据生信分析的目的不同，要将质量低于Q20或者低于Q30的碱基剪切掉。 2）序列的平均质量 这个是碱基序列平均质量报告图。横坐标为序列平均碱基质量值，纵坐标代表序列数量。通过序列的平均质量报告，我们可以查看是否存在整条序列所有的碱基质量都普遍过低的情况。一般来说，当绝大部分碱基序列的平均质量值的峰值大于30，可以判断序列质量较好。如这里左边的图，我们可以判断样品里没有显着数量的低质量序列。但如果曲线如右边的图所示，在质量较低的坐标位置出现另外一个或者多个峰，说明测序数据中有一部分序列质量较差，需要过滤掉。 3）GC含量分布 这个是GC含量分布报告图。GC含量分布检查是检测每一条序列的GC含量。将样品序列的GC 含量和理论的GC含量分布图进行比较，用来检测样品数据是否有污染等问题。理论上，GC含量大致是正态分布，正态分布曲线的峰值对应基因组的GC含量。如果样品的GC含量分布图不是正态分布，如右图出现两个或者多个峰值，表明测序数据里可能有其他来源的DNA序列污染，或者有接头序列的二聚体污染。这种情况下，需要进一步确认这些污染序列的来源，然后将污染清除。 4）序列碱基含量
高通量测序基础知识汇总 一代测序技术：即传统的Sanger测序法，Sanger法是根据核苷酸在待定序列模板上的引物点开始，随机在某一个特定的碱基处终止，并且在每个碱基后面进行荧光标记，产生以A、T、C、G结束的四组不同长度的一系列核苷酸，每一次序列测定由一套四个单独的反应构成，每个反应含有所有四种脱氧核苷酸三磷酸(dNTP)，并混入限量的一种不同的双脱氧核苷三磷酸(ddNTP)。由于ddNTP缺乏延伸所需要的3-OH 基团，使延长的寡聚核苷酸选择性地在G、A、T或C处终止，使反应得到一组长几百至几千碱基的链终止产物。它们具有共同的起始点，但终止在不同的的核苷酸上，可通过高分辨率变性凝胶电泳分离大小不同的片段，通过检测得到DNA碱基序列。 二代测序技术：next generation sequencing（NGS）又称为高通量测序技术，与传统测序相比，二代测序技术可以一次对几十万到几百万条核酸分子同时进行序列测定，从而使得对一个物种的转录组和基因组进行细致全貌的分析成为可能，所以又被称为深度测序（Deep sequencing）。NGS主要的平台有Roche（454 & 454+），Illumina（HiSeq 2000/2500、GA IIx、MiSeq），ABI SOLiD等。 基因：Gene，是遗传的物质基础，是DNA或RNA分子上具有遗传信息的特定核苷酸序列。基因通过复制把遗传信息传递给下一代，使后代出现与亲代相似的性状。 DNA：Deoxyribonucleic acid，脱氧核糖核酸，一个脱氧核苷酸分子由三部分组成：含氮碱基、脱氧核糖、磷酸。脱氧核糖核酸通过3',5'-磷酸二酯键按一定的顺序彼此相连构成长链，即DNA链，DNA链上特定的核苷酸序列包含有生物的遗传信息，是绝大部分生物遗传信息的载体。
全基因组重测序数据分析 1. 简介(Introduction) 通过高通量测序识别发现de novo的somatic和germ line 突变，结构变异-SNV，包括重排 突变（deletioin, duplication 以及copy number variation）以及SNP的座位；针对重排突变和SNP的功能性进行综合分析；我们将分析基因功能（包括miRNA），重组率（Recombination）情况，杂合性缺失（LOH）以及进化选择与mutation之间的关系；以及这些关系将怎样使 得在disease（cancer）genome中的mutation产生对应的易感机制和功能。我们将在基因组 学以及比较基因组学，群体遗传学综合层面上深入探索疾病基因组和癌症基因组。 实验设计与样本 （1）Case-Control 对照组设计； （2）家庭成员组设计：父母-子女组（4人、3人组或多人）； 初级数据分析 1．数据量产出：总碱基数量、Total Mapping Reads、Uniquely Mapping Reads统计，测序深度分析。 2．一致性序列组装：与参考基因组序列（Reference genome sequence）的比对分析，利用贝叶斯统计模型检测出每个碱基位点的最大可能性基因型，并组装出该个体基因组的一致序列。3．SNP检测及在基因组中的分布：提取全基因组中所有多态性位点，结合质量值、测序深度、重复性等因素作进一步的过滤筛选，最终得到可信度高的SNP数据集。并根据参考基 因组信息对检测到的变异进行注释。 4．InDel检测及在基因组的分布: 在进行mapping的过程中，进行容gap的比对并检测可信的short InDel。在检测过程中，gap的长度为1~5个碱基。对于每个InDel的检测，至少需 要3个Paired-End序列的支持。 5．Structure Variation检测及在基因组中的分布: 能够检测到的结构变异类型主要有：插入、缺失、复制、倒位、易位等。根据测序个体序列与参考基因组序列比对分析结果，检测全基因组水平的结构变异并对检测到的变异进行注释。
高通量测序基础知识简介 陆桂 什么是高通量测序？ 高通量测序技术（High-throughput sequencing，HTS）是对传统Sanger测序（称为一代测序技术）革命性的改变,一次对几十万到几百万条核酸分子进行序列测定, 因此在有些文献中称其为下一代测序技术(next generation sequencing，NGS )足见其划时代的改变, 同时高通量测序使得对一个物种的转录组和基因组进行细致全貌的分析成为可能, 所以又被称为深度测序(Deep sequencing)。 什么是Sanger法测序（一代测序） Sanger法测序利用一种DNA聚合酶来延伸结合在待定序列模板上的引物。直到掺入一种链终止核苷酸为止。每一次序列测定由一套四个单独的反应构成，每个反应含有所有四种脱氧核苷酸三磷酸(dNTP)，并混入限量的一种不同的双脱氧核苷三磷酸(ddNTP)。由于ddNTP缺乏延伸所需要的3-OH基团，使延长的寡聚核苷酸选择性地在G、A、T或C处终止。终止点由反应中相应的双脱氧而定。每一种dNTPs和ddNTPs的相对浓度可以调整，使反应得到一组长几百至几千碱基的链终止产物。它们具有共同的起始点，但终止在不同的的核苷酸上，可通过高分辨率变性凝胶电泳分离大小不同的片段，凝胶处理后可用X-光胶片放射自显影或非同位素标记进行检测。 什么是基因组重测序（Genome Re-sequencing） 全基因组重测序是对基因组序列已知的个体进行基因组测序，并在个体或群体水平上进行差异性分析的方法。随着基因组测序成本的不断降低，人类疾病的致病突变研究由外显子区域扩大到全基因组范围。通过构建不同长度的插入片段文库和短序列、双末端测序相结合的策略进行高通量测序，实现在全基因组水平上检测疾病关联的常见、低频、甚至是罕见的突变位点，以及结构变异等，具有重大的科研和产业价值。 什么是de novo测序 de novo测序也称为从头测序：其不需要任何现有的序列资料就可以对某个物种进行测序，利用生物信息学分析手段对序列进行拼接，组装，从而获得该物种的基因组图谱。获得一个物种的全基因组序列是加快对此物种了解的重要捷径。随着新一代测序技术的飞速发展，基因组测序所需的成本和时间较传统技术都大大降低，大规模基因组测序渐入佳境，基因组学研究也迎来新的发展契机和革命性突破。利用新一代高通量、高效率测序技术以及强大的生物信息分析能力，可以高效、低成本地测定并分析所有生物的基因组序列。 什么是外显子测序（whole exon sequencing） 外显子组测序是指利用序列捕获技术将全基因组外显子区域DNA捕捉并富集后进行高通量测序的基因组分析方法。外显子测序相对于基因组重测序成本较低，对研究已知基因的SNP、Indel等具有较大的优势，但无法研究基因组结构变异如染色体断裂重组等。
高通量测序技术（High-throughput sequencing）又称“下一代”测序技术 （"Next-generation" sequencing technology），以能一次并行对几十万到几百万条DNA分子进行序列测定和一般读长较短等为标志。 根据发展历史、影响力、测序原理和技术不同等，主要有以下几种：大规模平行签名测序（Massively Parallel Signature Sequencing, MPSS)、聚合酶克隆（Polony Sequencing）、454焦磷酸测序（454 pyrosequencing）、Illumina (Solexa) sequencing、ABI SOLiD sequencing、离子半导体测序（Ion semiconductor sequencing）、DNA 纳米球测序（DNA nanoball sequencing）等。 高通量测序技术是对传统测序一次革命性的改变，一次对几十万到几百万条DNA分子进行序列测定，因此在有些文献中称其为下一代测序技术(next generation sequencing)足见其划时代的改变，同时高通量测序使得对一个物种的转录组和基因组进行细致全貌的分析成为可能，所以又被称为深度测序(deep sequencing)。 实验过程 1.样本准备(sample fragmentation) 2.文库构建(library preparation) 3.测序反应(sequencing reaction) 4.数据分析(data analysis) 测序平台 自从2005年454 Life Sciences公司(2007年该公司被Roche正式收购)推出了454 FLX焦磷酸测序平台(454 FLX pyrosequencing platform)以来，因为他们的拳头产品毛细管阵列电泳测序仪系列(series capillary array electrophoresis sequencing machines)遇到了两个强有力的竞争对手，曾推出过3730xl DNA测序仪(3730xl DNA Analyzer)的Applied BioSystem(ABI)这家一直占据着测序市场最大份额的公司的领先地位就开始动摇了，一个就是罗氏公司(Roche)的454 测序仪(Roch GS FLX sequencer)，，另一个就是2006年美国Illumina公司推出的Solexa基因组分析平台(Genome Analyzer platform)，为此，2007年ABI公司推出了自主研发的SOLiD 测序仪(ABI SOLiD sequencer)。这三个测序平台即为目前高通量测序平台的代表。(见表一) 公司名称技术原理技术开发者 Apply Biosystems(ABI) 基于磁珠的大规模并行克隆连接 DNA测序法 美国Agencourt私人基因组学公司(APG) Illumina 合成测序法英国Solexa公司首席科学家David Bentley Roche 大规模并行焦磷酸合成测序法 美国454 Life Sciences公司的创始人Jonathan Rothberg Helicos 大规模并行单分子合成测序法美国斯坦福大学生物工程学家Stephen Quake Complete Genomics DNA纳米阵列与组合探针锚定连接 测序法 美国Complete Genomics公司首席科学家radoje drmanac 表一:主流测序平台一览 Roche 454焦磷酸测序 (pyrophosphate sequencing) Illumina Solexa 合成测序 (sequence by synthesize) Illumina Genome AnalyzerIIx测序原理 Illumina公司的新一代测序仪Hiseq 2000和Hiseq 2500具有高准确性，高通量，高灵敏度，和低运行成本等突出优势，可以同时完成传统基因组学研究(测序和注释)以及功能基因组学(基因表达及调控，基因功能，蛋白/核酸相互作用)研究。Hiseq是一种基于单分子簇的边合成边测序技术，基于专有的可逆终止化学反应原理。测序时将基因组DNA的随机片段附着到光学透明
高通量基因组测序中，什么是测序深度和覆盖度？ 1G=1024M 测序深度是指测序得到的总碱基数与待测基因组大小的比值。假设一个基因大小为2M，测序深度为10X，那么获得的总数据量为20M。(测序深度=总数据量20M/基因组大小2M=10X) 覆盖度是指测序获得的序列占整个基因组的比例。由于基因组中的高GC、重复序列等复杂结构的存在，测序最终拼接组装获得的序列往往无法覆盖有所的区域，这部分没有获得的区域就称为Gap。例如一个细菌基因组测序，覆盖度是98%，那么还有2%的序列区域是没有通过测序获得的。 1、全基因组重测序是对已知基因组序列的物种进行不同个体的基因 序的个体，通过序列比对，可以找到大量的单核苷酸多态性位点(SNP)，插入缺失位点(InDel，Insertion/Deletion)、结构变异位点(SV， 技术路线 提取基因组DNA，利用Covaris进行随机打断，电泳回收所需长度的DNA片段(0.2~5Kb)，加上接头, 进行cluster制备(Solexa)或E-PCR (SOLiD)，最后利用Paired-End(Solexa)或者Mate-Pair(SOLiD)的方法对插入片段进行重测序。图1-1，以SOLiD为例，说明整个实验方案。
也称目标外显子组捕获，是指利用序列捕获技术将全基因组外显子区域DNA 捕捉并富集后进行高通量测序的基因组分析方法。是一种选择基因组的编码序列的高效策略，外显子测序相对于基因组重测序成本较低，对研究已知基因的SNP、Indel 等具有较大的优势。 外显子(expressed region)是真核生物基因的一部分，它在剪接(Splicing)后仍会被保存下来，并可在蛋白质生物合成过程中被表达为蛋白质。外显子是最后出现在成熟RNA中的基因序列，又称表达序列。既存在于最初的转录产物中，也存在于成熟的RNA分子中的核苷酸序列。在人类基因中大约有180,000外显子，占人类基因组的1%，约30MB。
新一代高通量测序技术SOLiD简介 目前市场上有四种高通量测序仪，分别是Solexa，454 (GS-FLX)，SOLiD和Polonator。根据测序原理，它们可以被分为两大类：使用合成法测序(Sequencing by Synthesis)的Solexa和454，及使用连接法测序(Sequencing by Ligation)的Polonator和SOLiD。这些高通量测序仪的共同点是不需要大肠杆菌系统进行DNA模板扩增，且测序所得序列较短：其中的454序列最长，为200～300个碱基，其余三种序列都只有几十个碱基。测序原理及序列长度的差异决定了各种高通量测序仪具有不同的应用领域。这就要求我们在熟悉各种高通量测序仪内在技术特点的基础上进行选择。 基因组所引进的SOLiD (Sequencing by Oligonucleotide Ligation and Detection)是ABI（Applied Biosystems）公司生产的高通量测序仪。目前这台SOLiD运行稳定，SOLiD实验及数据分析小组也可以为大家提供专业的技术服务。所以接下来的关键是如何把SOLiD测序仪应用到符合其技术特点的科研项目中。本短文将简单介绍SOLiD测序流程，双碱基编码原理及数据分析原理，以帮助大家了解SOLiD测序仪的技术特点和应用范围。 1.SOLiD关键技术及其原理 SOLiD使用连接法测序获得基于“双碱基编码原理”的SOLiD颜色编码序列，随后的数据分析比较原始颜色序列与转换成颜色编码的reference序列，把SOLiD颜色序列定位到reference上，同时校正测序错误，并可结合原始颜色序列的质量信息发现潜在SNP位点。 1.1. SOLiD文库构建 使用SOLiD测序时，可根据实际需要，制备片段文库(fragment library)或末端配对文库(mate-paired library)。简单地说，制备片段文库就是在短DNA片段（60～110 bp）两端加上SOLiD 接头（P1、P2 adapter）。而制备末端配对文库，先通过DNA环化、Ecop15I酶切等步骤截取长DNA片段（600bp到10kb）两末端各25 bp进行连接，然后在该连接产物两端加上SOLiD接头。两种文库的最终产物都是两端分别带有P1、P2 adapter的DNA双链，插入片段及测序接头总长为120～180 bp。 1.2:油包水PCR 我们知道，文库制备得到大量末端带P1、P2 adapter但内部插入序列不同的DNA双链模板。和普通PCR一样，油包水PCR也是在水溶液进行反应，该水相含PCR所需试剂，DNA模板及可分别与P1、P2 adapter结合的P1、P2 PCR引物。但与普通PCR不同的是，P1引物固定在P1磁珠球形表面(SOLiD将这种表面固定着大量P1引物的磁珠称为P1磁珠)。PCR反应过程中磁珠表面的P1引物可以和变性模板的P1 adapter负链结合，引导模板合成，这样一来，P1引物引导合成的DNA链也就被固定到P1磁珠表面了。 油包水PCR最大的特点是可以形成数目庞大的独立反应空间以进行DNA扩增。其关键技术是“注水到油”，基本过程是在PCR反应前，将包含PCR所有反应成分的水溶液注入到高速旋转的矿物油表面，水溶液瞬间形成无数个被矿物油包裹的小水滴。这些小水滴就构成了独立的PCR 反应空间。理想状态下，每个小水滴只含一个DNA模板和一个P1磁珠，由于水相中的P2引物和磁珠表面的P1引物所介导的PCR反应，这个DNA模板的拷贝数量呈指数级增加，PCR反应结束后，P1磁珠表面就固定有拷贝数目巨大的同来源DNA模板扩增产物。A BI公司提供的SOLiD 实验手册已经把小水滴体积及水相中DNA模板和磁珠的个数比等重要参数进行了技术优化和流程固定，尽可能提高“优质小水滴”(水滴中只含一个DNA模板一个P1磁珠)的数量，为后续SOLiD 测序提供只含有一种DNA模板扩增产物的高质量P1磁珠。
三代基因组测序技术原理简介 【写在前面的话】：首先，这一篇博文中的内容并非原创，而是对多篇文献中内容的直接摘录，有些图片和资料还来自身边的同事（在此深表谢意！），再夹杂自己的零星想法，写在这里分享与大家，同时也是为了方便自己日后若有需要能够方便获得，文章比较长。 摘要：从1977年第一代DNA测序技术（Sanger法）1，发展至今三十多年时间，测序技术已取得了相当大的发展，从第一代到第三代乃至第四代，测序读长从长到短，再从短到长。虽然就当前形势看来第二代短读长测序技术在全球测序市场上仍然占有着绝对的优势位置，但第三和第四代测序技术也已在这一两年的时间中快速发展着。测序技术的每一次变革，也都对基因组研究，疾病医疗研究，药物研发，育种等领域产生巨大的推动作用。在这里我主要对当前的测序技术以及它们的测序原理做一个简单的小结。 图1： 测序技 术的发 展历程 生命体 遗传信 息的快 速获得 对于生 命科学 的研究 有着十分重要的意义。以上（图1）所描述的是自沃森和克里克在1953年建立DNA双螺旋结构以来，整个测序技术的发展历程。 第一代测序技术 第一代DNA测序技术用的是1975年由桑格（Sanger）和考尔森（Coulson）开创的链终止法或者是1976-1977年由马克西姆（Maxam）和吉尔伯特（Gilbert）发明的化学法（链降解）. 并在1977年，桑格测定了第一个基因组序列，是噬菌体X174的，全长5375个碱基1。自此，人类获得了窥探生命遗传差异本质的能力，并以此为开端步入基因组学时代。研究人员在Sanger法的多年实践之中不断对其进行改进。在2001年，完成的首个人类基因组图谱就是以改进了的Sanger法为其测序基础，Sanger法核心原理是：由于ddNTP的2’和3’都不含羟基，其在DNA的合成过程中不能形成磷酸二酯键，因此可以用来中断DNA合成反应，在4个DNA合成反应体系中分别加入一定比例带有放射性同位素标记的ddNTP（分为：ddATP,ddCTP,ddGTP和ddTTP），通过凝胶电泳和放射自显影后可以根据电泳带的位置确定待测分子的DNA序列（图2）。这个网址为sanger测序法制作了一个小短片，形象而生动。
高通量测序领域常用名词解释大全 什么是高通量测序？ 高通量测序技术（High-throughput sequencing，HTS）是对传统Sanger测序（称为一代测序技术）革命性的改变, 一次对几十万到几百万条核酸分子进行序列测定, 因此在有些文献中称其为下一代测序技术(next generation sequencing，NGS )足见其划时代的改变, 同时高通量测序使得对一个物种的转录组和基因组进行细致全貌的分析成为可能, 所以又被称为深度测序(Deep sequencing)。 什么是Sanger法测序（一代测序） Sanger法测序利用一种DNA聚合酶来延伸结合在待定序列模板上的引物。直到掺入一种链终止核苷酸为止。每一次序列测定由一套四个单独的反应构成，每个反应含有所有四种脱氧核苷酸三磷酸(dNTP)，并混入限量的一种不同的双脱氧核苷三磷酸(ddNTP)。由于ddNTP缺乏延伸所需要的3-OH基团，使延长的寡聚核苷酸选择性地在G、A、T或C处终止。终止点由反应中相应的双脱氧而定。每一种dNTPs和ddNTPs的相对浓度可以调整，使反应得到一组长几百至几千碱基的链终止产物。它们具有共同的起始点，但终止在不同的的核苷酸上，可通过高分辨率变性凝胶电泳分离大小不同的片段，凝胶处理后可用X-光胶片放射自显影或非同位素标记进行检测。
什么是基因组重测序（Genome Re-sequencing） 全基因组重测序是对基因组序列已知的个体进行基因组测序，并在个体或群体水平上进行差异性分析的方法。随着基因组测序成本的不断降低，人类疾病的致病突变研究由外显子区域扩大到全基因组范围。通过构建不同长度的插入片段文库和短序列、双末端测序相结合的策略进行高通量测序，实现在全基因组水平上检测疾病关联的常见、低频、甚至是罕见的突变位点，以及结构变异等，具有重大的科研和产业价值。 什么是de novo测序 de novo测序也称为从头测序：其不需要任何现有的序列资料就可以对某个物种进行测序，利用生物信息学分析手段对序列进行拼接，组装，从而获得该物种的基因组图谱。获得一个物种的全基因组序列是加快对此物种了解的重要捷径。随着新一代测序技术的飞速发展，基因组测序所需的成本和时间较传统技术都大大降低，大规模基因组测序渐入佳境，基因组学研究也迎来新的发展契机和革命性突破。利用新一代高通量、高效率测序技术以及强大的生物信息分析能力，可以高效、低成本地测定并分析所有生物的基因组序列。
什么是高通量测序？ 高通量测序技术（High-throughput sequencing，HTS）是对传统Sanger测序（称为一代测序技术）革命性的改变, 一次对几十万到几百万条核酸分子进行序列测定, 因此在有些文献中称其为下一代测序技术(next generation sequencing，NGS )足见其划时代的改变, 同时高通量测序使得对一个物种的转录组和基因组进行 细致全貌的分析成为可能, 所以又被称为深度测序(Deep sequencing)。 什么是Sanger法测序（一代测序） Sanger法测序利用一种DNA聚合酶来延伸结合在待定序列模板上的引物。直到掺入一种链终止核苷酸为止。每一次序列测定由一套四个单独的反应构成，每个反应含有所有四种脱氧核苷酸三磷酸(dNTP)，并混入限量的一种不同的双脱氧核苷三磷酸(ddNTP)。由于ddNTP缺乏延伸所需要的3-OH基团，使延长的寡聚核苷酸选择性地在G、A、T或C处终止。终止点由反应中相应的双脱氧而定。每一种dNTPs和ddNTPs的相对浓度可以调整，使反应得到一组长几百至几千碱基的链终止产物。它们具有共同的起始点，但终止在不同的的核苷酸上，可通过高分辨率变性凝胶电泳分离大小不同的片段，凝胶处理后可用X-光胶片放射自显影或非同位素标记进行检测。 什么是基因组重测序（Genome Re-sequencing） 全基因组重测序是对基因组序列已知的个体进行基因组测序，并在个体或群体水平上进行差异性分析的方法。随着基因组测序成本的不断降低，人类疾病的致病突变研究由外显子区域扩大到全基因组范围。通过构建不同长度的插入片段文库和短序列、双末端测序相结合的策略进行高通量测序，实现在全基因组水平上检测疾病关联的常见、低频、甚至是罕见的突变位点，以及结构变异等，具有重大的科研和产业价值。 什么是de novo测序 de novo测序也称为从头测序：其不需要任何现有的序列资料就可以对某个物种进行测序，利用生物信息学分析手段对序列进行拼接，组装，从而获得该物种的基因组图谱。获得一个物种的全基因组序列是加快对此物种了解的重要捷径。随着新一代测序技术的飞速发展，基因组测序所需的成本和时间较传统技术都大大降低，大规模基因组测序渐入佳境，基因组学研究也迎来新的发展契机和革命性突破。利用新一代高通量、高效率测序技术以及强大的生物信息分析能力，可以高效、低成本地测定并分析所有生物的基因组序列。 什么是外显子测序（whole exon sequencing） 外显子组测序是指利用序列捕获技术将全基因组外显子区域DNA捕捉并富集后进行高通量测序的基因组分析方法。外显子测序相对于基因组重测序成本较低，对研究已知基因的SNP、Indel等具有较大的优势，但无法研究基因组结构变异如染色体断裂重组等。
三代基因组测序技术原理简介 摘要：从1977年第一代DNA测序技术（Sanger法）1，发展至今三十多年时间，测序技术已取得了相当大的发展，从第一代到第三代乃至第四代，测序读长从长到短，再从短到长。虽然就当前形势看来第二代短读长测序技术在全球测序市场上仍然占有着绝对的优势位置，但第三和第四代测序技术也已在这一两年的时间中快速发展着。测序技术的每一次变革，也都对基因组研究，疾病医疗研究，药物研发，育种等领域产生巨大的推动作用。在这里我主要对当前的测序技术以及它们的测序原理做一个简单的小结。 图1：测序技术的发展历程 生命体遗传信息的快速获得对于生命科学的研究有着十分重要的意义。以上（图1）所描述的是自沃森和克里克在1953年建立DNA双螺旋结构以来，整个测序技术的发展历程。 第一代测序技术 第一代DNA测序技术用的是1975年由桑格（Sanger）和考尔森（Coulson）开创的链终止法或者是1976-1977年由马克西姆（Maxam）和吉尔伯特（Gilbert）发明的化学法（链降解）. 并在1977年，桑格测定了第一个基因组序列，是噬菌体X174的，全长5375个碱基1。自此，人类获得了窥探生命遗传差异本质的能力，并以此为开端步入基因组学时代。研究人员在Sanger法的多年实践之中不断对其进行改进。在2001年，完成的首个人类基因组图谱就是以改进了的Sanger法为其测序基础，Sanger法核心原理是：由于ddNTP的2’和3’都不含羟基，其在DNA的合成过程中不能形成磷酸二酯键，因此可以用来中断DNA合成反应，在4个DNA合成反应体系中分别加入一定比例带有放射性同位素标记的ddNTP（分为：ddATP,ddCTP,ddGTP和 ddTTP），通过凝胶电泳和放射自显影后可以根据电泳带的位置确定待测分子的DNA序列（图2）。这个网址为sanger测序法制作了一个小短片，形象而生动。 值得注意的是，就在测序技术起步发展的这一时期中，除了Sanger法之外还出现了一些其他的测序技术，如焦磷酸测序法、链接酶法等。其中，焦磷酸测序法是后来Roche公司454技术所使用的测序方法2–4，而连接酶测序法是后来ABI公司SOLID技术使用的测序方法2,4，但他们的共同核心手段都是利用了Sanger1中的可中断DNA合成反应的dNTP。
高通量测序常用名词汇总 技术支持 Q20值是指的测序过程碱基识别（Base Calling）过程中,对所识别的碱基给出的错误概率. 如果质量值是Q20,则错误识别的概率是1%,即错误率1%,或者正确率是99%； 如果质量值是Q30,则错误识别的概率是0.1%,即错误率0.1%,或者正确率是99.9%； 如果质量值是Q40,则错误识别的概率是0.01%,即错误率0.01%,或者正确率是99.99%； 你发现规律没有,Q“N”0的质量值,就是正确率有N个9的百分比,这样就非常容易记忆了. 基因高通量测序中，每测一个碱基会给出一个相应的质量值，这个质量值是衡量测序准确度的。碱基的质量值13，错误率为5%，20的错误率为1%，30的错误率为0.1%。行业中Q20与Q30则表示质量值≧20或30的碱基所占百分比。例如一共测了1G的数据量，其中有0.9G的碱基质量值大于或等于20，那么Q20则为90%。Q20值是指的测序过程碱基识别（Base Calling）过程中，对所识别的碱基给出的错误概率。质量值是Q20，则错误识别的概率是1%，即错误率1%，或者正确率是99%； 质量值是Q30，则错误识别的概率是0.1%，即错误率0.1%，或者正确率是99.9%； 质量值是Q40，则错误识别的概率是0.01%，即错误率0.01%，或者正确率是99.99%； 一代测序技术：即传统的Sanger测序法，Sanger法是根据核苷酸在待定序列模板上的引物点开始，随机在某一个特定的碱基处终止，并且在每个碱基后面进行荧光标记，产生以A、T、C、G结束的四组不同长度的一系列核苷酸，每一次序列测定由一套四个单独的反应构成，每个反应含有所有四种脱氧核苷酸三磷酸(dNTP)，并混入限量的一种不同的双脱氧核苷三磷酸(ddNTP)。由于ddNTP缺乏延伸所需要的3-OH 基团，使延长的寡聚核苷酸选择性地在G、A、T或C处终止，使反应得到一组长几百至几千碱基的链终止产物。它们具有共同的起始点，但终止在不同的的核苷酸上，可通过高分辨率变性凝胶电泳分离大小不同的片段，通过检测得到DNA碱基序列。 二代测序技术：next generation sequencing（NGS）又称为高通量测序技术，与传统测序相比，二代测序技术可以一次对几十万到几百万条核酸分子同时进行序列测定，从而使得对一个物种的转录组和基因组进行细致全貌的分析成为可能，所以又被称为深度测序（Deep sequencing）。NGS主要的平台有Roche（454 & 454+），Illumina（HiSeq 2000/2500、GA IIx、MiSeq），ABI SOLiD等。 基因：Gene，是遗传的物质基础，是DNA或RNA分子上具有遗传信息的特定核苷酸序列。基因通过复制把遗传信息传递给下一代，使后代出现与亲代相似的性状。 DNA：Deoxyribonucleic acid，脱氧核糖核酸，一个脱氧核苷酸分子由三部分组成：含氮碱基、脱氧核糖、磷酸。脱氧核糖核酸通过3',5'-磷酸二酯键按一定的顺序彼此相连构成长链，即DNA链，DNA链上特定的核苷酸序列包含有生物的遗传信息，是绝大部分生物遗传信息的载体。
三代基因组测序技术简介及其原理整理 第一代测序技术 第一代DNA测序技术用的是1975年由桑格（Sanger）和考尔森（Coulson）开创的链终止法以及1976-1977年由马克西姆（Maxam）和吉尔伯特（Gilbert）发明的化学法（链降解）。 1977年，桑格测定了第一个基因组序列——噬菌体X174，全长5375个碱基。自此，人类获得了窥探生命遗传差异本质的能力，并以此为开端步入基因组学时代。研究人员在Sanger法的多年实践之中不断对其进行改进。在2001年，完成的首个人类基因组图谱就是以改进了的Sanger法为其测序基础。 Sanger法原理： 1）在模板指导下，DNA聚合酶不断将dNTP（N=A/G/T/ C）加到引物的3’- OH末端，合成出新的互补链。在4个DNA合成反应体系中分别加入一定比例带有放射性同位素标记的ddNTP，在互补链在DNA聚合酶作用下延伸时，一旦连接上ddNTP，由于双脱氧核糖的2’和3’都不含羟基，故不能同后续的dNTP形成磷酸二酯键而终止反应，随即形成一系列不同长度的、以同样引物为起始、以同一碱基终止的短片段混合物。 2）双脱氧核苷酸在每个DNA分子中掺入的位置不同，采用聚丙烯酰胺凝胶电泳区分长度差一个核苷酸的单链DNA，从而读取DNA核苷酸序列。 化学裂解法原理： 与Sanger法类似，将DNA模板分成4个反应。在每个反应中，先在模板5’端进行放射性标记，再加入能特异性在其中一种碱基处切开DNA的化学试剂。反应进行时，平均一个DNA分子只在随机位点产生一次裂解。接着，通过凝胶电泳和放射自显影后可以根据电泳带的位置确定待测分子的DNA序列。 第二代测序技术 第一代测序技术的主要特点是测序读长可达1000bp，准确性高达99.999%，但其测序成本高，通量低等方面的缺点，严重影响了其真正大规模的应用。因而第一代测序技术并不是最理想的测序方法。经过不
北京大学生科院/CLS生物信息平台 RNA-Seq测序数据分析服务流程 （试运行） 2015.3 平台联系人：李程（lch3000@https://www.doczj.com/doc/9b7183155.html,） 文档撰写：张超
Table of Contents 1. 测序质量评估 (3) 1.1 测序数据过滤 (3) 1.2 质量值分布 (3) 1.3 GC含量分布 (4) 2. 参考序列比对 (4) 3. 基因表达水平 (6) 3.1 基因表达水平定量 (6) 3.2 基因表达水平分步 (6) 3.3 生物学重复相关性分析 (6) 3.4 样本间层次聚类及PCA分析 (7) 4. 差异基因分析 (7) 4.1 基因表达标准化 (7) 4.2 差异基因列表 (8) 4.3 差异基因可视化 (8) 4.4 差异基因聚类 (9) 5. 差异表达基因功能分析 (10) 5.1 GO富集分析 (10) 5.2 信号通路富集分析 (10) 5.3 癌基因功能注释 (11) 6.基因结构差异分析 (11) 6.1 可变剪切分析 (11) 7. SNP分析 (12) 7.1 SNP检测 (12) 7.2 SNP 筛选 (12) 7.3 GO/KEGG富集 (12)
1. 测序质量评估 通过测序的数据进行进行质控，保证数据质量适合下游分析。这里我们使用fastqc和RNA-SeQC来对数据进行质量评定。 1.1 测序数据过滤 测序得到的原始下机数据往往有许多问题，不能直接使用，通常会经过以下过滤，尽量保证测序数据的质量。 a.去除带测序接头的测序序列（reads）； b.去除低质量的reads 1.2 质量值分布 按照现有的测序技术（illumina平台）单碱基的错误率应控制在1%以下,即质量值在20以上。 横坐标为reads的碱基位置，纵坐标为单碱基质量值 质量值与错误率的关系：Q =-10log10(e)；其中Q phred为测序碱基质量值，e为测 phred 序错误率。
1基因数据库的建立 1.1建立病原体数据库 肺炎的发生是有很多原因所致。病因可分为以下几类：①细菌性肺炎，可分为肺炎链球菌肺炎、金黄色葡萄球菌、甲型溶血性莲球菌、肺炎克雷白杆菌、流感嗜血杆菌、铜绿假单胞菌肺炎等。②非典型病原体所致肺炎，如军团菌、支原体和衣原体等。③病毒性肺炎，如冠状病毒、腺病毒、呼吸道合胞病毒、流感病毒、麻疹病毒、巨细胞病毒、单纯疱疹病毒等。④真菌性肺炎，如白色念珠菌、曲霉、放线菌等。⑤其他病原体所致肺炎，如立克次体（如Q热立克次体）、弓形虫（如鼠弓形虫）、原虫（如卡氏肺囊虫）、寄生虫（如肺包虫、肺吸虫、肺血吸虫）等。⑥理化因系所致的肺炎如放射性损伤引起的放射性肺炎，胃酸吸入引起的化学性肺炎，对吸入或内源性脂类物质产生炎症反应的类脂性肺炎等。 凡是能引起肝脏损害、出现肝功能异常的肝脏炎症性疾病，称之为肝炎。它是一类严重危害人体健康的疾病。我们常说的肝炎，主要是指病毒性肝炎。据近几年科学研究，因其致病病原体的不同而有甲型肝炎、乙型肝炎、丙型肝炎、丁型肝炎、戊型肝炎、己型肝炎、庚型肝炎等。另外，因大量、长期饮酒引起的肝炎，叫做酒精性肝炎；对肝脏有损害的药物引起的叫做药物性肝炎；还有由于机体免疫功能紊乱引起的叫做自身免疫反应性肝炎。 本项目不考虑由理化原因引起的肺炎和肝炎疾病，因此，只需建立目前已知的所有肺炎和肝炎致病基因的数据库。 1.2建立人体常见的微生物基因组数据库 人体有四个大的细菌储存库，即皮肤、口腔、结肠、泌尿生殖道。种类繁多，多与人类能和平共处，少数是条件致病菌。论个难以数计，论重量，据估计每个活的个体可达3-4公斤。 人类体表和肠道是无数微生物的居所。Elizabeth Costello及其同僚对多达27个身体部位的微生物进行了调查，其中包括肠道、口腔、耳朵、鼻子以及多达18个区域的皮肤表面。研究人员还发现，某些皮肤部位，如食指或膝盖的背侧常常比肠道或口腔能容留更为多元的微生物。他们的数据所强调的事实是，我们身体的个体化的微生物随着时间的推移仍然保持着相对的稳定，而且它们展现了在我们身体各个位置生长的可预测的模式。 人体微生物基因组计划又称第二人类基因组计划，已由美国国立卫生研究院资助，于2007年开始启动。研究人体微生物对于疾病的预防和治疗有重大意义。 1.3人体全基因组数据库 人类基因组计划于20世纪80年代提出的，由国际合作组织包括有美、英、日、中、德、法等国参加进行了人体基因作图，测定人体23对染色体由3×109