多条件多样本RNA-Seq 数据的剪切异构体表达水平估计

张礼，马越，吴东洋

（1.南京林业大学 信息科学技术学院，江苏 南京 210016;2.江苏健康卫生职业学院 中西医结合学院，江苏 南京 210018）

选择性剪切事件是导致生物体多样性的重要原因之一。为了进一步揭示选择性剪切的内在机制，迫切需要计算剪切异构体的表达水平。与传统的基因芯片技术相比，高通量RNA 测序(RNA sequencing，RNA-Seq)技术具有高通量、高灵敏度、可重复性好等优势，已成为转录组学分析的一个标准技术手段[1-5]。

RNA-Seq 测序实验获得海量读段，将读段与参考注释序列进行匹配，之后便可估计剪切异构体的表达水平。但是在估计剪切异构体表达水平的过程中，面临着两个最大挑战，即读段的多源映射和数据偏差[6-7]。研究者提出了大量剪切异构体表达水平估计方法来解决上述的问题。rSeq方法把读段映射到外显子的过程当作一个泊松随机过程，其泊松分布的参数对应着基因所包含剪切异构体表达水平的线性加权[8]。但是rSeq 方法假设基因上读段分布是均匀的，这与真实数据分布特点不一致。在真实数据中，读段分布呈现明显的非均匀特征。读段的非均匀分布主要是由测序数据中的各种偏差造成的，比如GC 碱基序列偏差，5 端和3 端的位置偏差以及实验技术性偏差等。针对偏差所导致问题，NURD 方法考虑了全局和局部位置偏差所带来的影响[9]。POME 方法考虑了序列中碱基之间的关联性[10]。为了考虑更复杂的偏差，大量概率生成式模型被提出，其直接模拟读段的随机采样过程。……