Новые методы обработки данных, полученных с помощью современных технологий секвенирования, для решения задач анализа экспрессии генов

• Автор: Касьянов, Артем Сергеевич
• Шифр специальности: 03.01.03
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Москва
• Количество страниц: 104 с. : ил.

Содержание
Содержание
Определения, обозначения и сокращения
Введение
1. Обзор литературы
1.1 Технологические платформы высокопроизводительного секвенирования и характеристики получаемых данных
1.2. Основные характеристики “сырых” данных получаемых с секвенаторов
1.3 Общие характеристики алгоритмов сборки de novo нуклеотидных последовательностей
1.4. «Жадные» алгоритмы сборки (Greedy)
1.5. Алгоритмы сборки на основе (Overlap/Layout/Consensus) подхода
1.6. Алгоритмы сборки на основе графа деБруина(ЭВО)
1.7. Методы сборки de novo, основанные на гибридных и проприентарных подходах
1.8. Сравнение алгоритмов сборки de novo
1.9. Обзор алгоритмов коррекции ошибок секвенирования
1.10. Актуальность проблемы разработки новых методов для обработки данных de novo секвенирования
1.11 Обзор методов сборки гаплотипов

2. Разработка алгоритмов для анализа дифференциальной экспрессии генов, по данным транскриптомов видов, последовательность полного генома которых неизвестна
2.1 Программный комплекс для анализа дифференциальной экспрессии генов двух видов
2.1.1 Разработка алгоритма для удаления адаптерных последовательностей
2.1.2 Подбор алгоритмов сборки
2.1.2 Разработка алгоритма сравнения результатов сборки
2.1.2 Программный комплекс для анализа дифференциальной экспрессии двух видов
2.1.2 Использование разработанного программного комплекса для анализа дифференциальной экспрессии двух видов гречихи F.esculentum и F.tataricum
3. Разработка методов анализа нуклеотидных последовательностей участков ДНК, связывающих белки, полученных с помощью ChlP-seq
4. Разработка алгоритма выделения паралогичных генов при сборке диплоидных геномов растений из данных секвенирования транскриптома de novo
4.1 Проблема восстановления нуклеотидных последовательностей для полиплоидных организмов
4.2 Подходы для восстановления нуклеотидных последовательностей полиплоидных организмов
4.3 Программный комплекс для выделения паралогичных вариантов генов при сборке denovo транскриптомных последовательностей

4.4 Сборка de novo транскриптома тетраплоида Capsella bursa - pastoris.

Заключение
Список использованных источников

одиночные узлы. При этом происходит компрессия графа без потери информации. Этап упрощения в методе VELVET итеративно происходит при конструировании графа и далее, в процессе сборки [16].
Соответствующая методика аналогична системе «унитигов» в OLC-основанных методах [15;29].
Метод VELVET очищает граф К-меров от «отростков» (spurs), что дополнительно сокращает размер графа [17], кроме того, это фактически сокращает эффект ошибок чтения. Дополнительное увеличение надежности достигается с помощью параметра достоверности узла, определяемого по встречаемости К-мера в чтениях (минимальное пороговое значение этой величины позволяет отсеять ошибочные К-меры). Хотя метод и не использует стадии фильтрации или коррекции при предобработке чтений, применяемый подход позволяет значительно сократить влияние ошибок на конечную сборку. Современная версия программного обеспечения адаптирована также для работы с чтениями, полученными с помощью технологической платформы SOLiD.
Метод ABYSS также относится к алгоритмам DBG-типа [43]. Главное отличие метода - его ориентированность на параллельные вычисления. Распределенность анализа К-мерного графа позволяет алгоритму ABYSS работать со сложными геномами, например, с геномами млекопитающих. Такая схема позволяет собирать данные для 3,5 млрд. чтений Illumina, полученных для генома человека. Перенос алгоритма DBG -типа на вычислительный кластер связано с рядом сложностей. ABYSS разбивает процесс сборки на отдельные индивидуальные узлы, каждый из которых обрабатывается отдельно. При этом К-меры конвертируются в целые числа, не зависящие от направления цепи. Таким образом, получаемый конвертированный К-мер и его аналог с комплементарной цепью идентичны. В остальном применяемые в ABYSS вычислительные подходы основаны на методах EULER и VELVET
стадии пост-обработки ABYSS использует информацию о парно-концевых