अनुक्रम डेटा में偏见 का वर्णन और मापन

पृष्ठभूमि: डीएनए अनुक्रमण प्रौद्योगिकियाँ पढ़ाई के आदर्श समान वितरण से भटक जाती हैं। ये偏见 वैज्ञानिक और चिकित्सा अनुप्रयोगों को प्रभावित करती हैं। इस प्रकार, हमने偏见 का पता लगाने, वर्णन करने और मापन करने के लिए संगणकीय विधियाँ विकसित की हैं। परिणाम: हमने इन विधियों को इल्यूमिना, आयन टॉरेन्ट, पैसिफिक बायोसाइंस और संपूर्ण जीनोमिक्स अनुक्रमण प्लेटफार्मों पर लागू किया, मानव डेटा और विविध आधार संरचना वाले सूक्ष्म जीवों के सेट का उपयोग करते हुए। पिछले काम के अनुसार, पुस्तकालय निर्माण की शर्तें अनुक्रमण偏见 को महत्वपूर्ण रूप से प्रभावित करती हैं। पैसिफिक बायोसाइंस कवरेज स्तरों में सबसे कम偏见 है, इसके बाद इल्यूमिना है, हालांकि सभी तकनीकों में उच्च और निम्न-GC क्षेत्रों और लंबे होमोपॉलीमर अनुक्रमों में त्रुटि-दर偏见 दर्शाते हैं। निम्न कवरेज के प्रति संवेदनशील GC-समृद्ध क्षेत्र कई मानव प्रमोटर्स को शामिल करते हैं, इसलिए हम उन 1,000 का वर्गीकरण करते हैं जो अनुक्रमण के प्रति अत्यधिक प्रतिरोधी थे। हमारे परिणाम संकेत करते हैं कि यदि घटक प्रौद्योगिकियों में偏见 पूरक और समान परिमाण के हैं तो दो प्रौद्योगिकियों के डेटा को मिलाकर कवरेज偏见 को कम किया जा सकता है। एक अच्छी तरह से अध्ययन किए गए मानव नमूने के 120-गुणा कवरेज का प्रतिनिधित्व करने वाले इल्यूमिना डेटा का विश्लेषण करना दर्शाता है कि 0.20% ऑटोसोमल जीनोम ऐसा था जो जीनोम-व्यापी औसत से 10% से कम कवरेज पर था। ज्ञात偏见 मोटिफ के समान या नमूना-संदर्भ भिन्नताओं के कारण संभावित स्थानों को छोड़ने के बाद केवल 0.045% ऑटोसोमल जीनोम ही अपरिचित खराब कवरेज के साथ रह गया। निष्कर्ष: इस पेपर में प्रस्तुत परीक्षण अनुक्रमण偏见 का एक व्यापक दृश्य प्रदान करते हैं, जिसे प्रयोगशाला में सुधार करने और उत्पादन प्रक्रियाओं की निगरानी करने के लिए उपयोग किया जा सकता है। इन परीक्षणों द्वारा मार्गदर्शित विकास को बेहतर जीनोम असेम्बलियों और जैविक रूप से महत्वपूर्ण स्थलों का बेहतर कवरेज प्राप्त होना चाहिए।