一、barcode是做什么的
当今二代测序仪器中应用最为广泛的当属illumina公司的测序仪，以Hiseq-2000测序仪为例，其有2个流动槽（flowcell），每个flowcell有8条lane（通道），而单就其一条lane的测序数据量就可达44G。
然而对于目前的外显子组测序来说，测序区域大约64M，测序深度200X，总数据量也才13G，Hiseq-2000的一个lane就足以测定3个外显子组样品。以转录组来说，一个样品测序量不会超过4G，一个lane可以同时测定10个转录组样品。大体而言，外显子组测序、转录组测序、miRNA测序、lncRNA测序、ChIP测序等组数据，每个样品所需的数据量通常都比较少。
测序数据的单位
核酸序列数据是以“A、T、G、C”碱基顺序表示，而其数量的大小可以使用k、M、G等单位来表示，k代表103、M代表106、G代表109，例如，人全基因组大小为3G（或3Gb），也就是3X109b。 此外，计算机的存储单位也是使用k、M、G等单位来表示的，不过计算机的存储单位的换算为1024进位，不同于碱基序列的1000进位。考虑到一个字母在计算机内存储为1Byte，因此粗略使用时，测序数据量可以近似等于其占用计算机的大小。
二、为什么要有barcodes ？
由于测序仪器的测序能力远大于测试样本序列量，为避免仪器浪费，因此一个lane同时测定多个样品成为很自然的思路。然而为了区分多种样品的序列，就必须要给不同样品加上特定的“标签”，从而可以在后续数据分析时将不同样品数据分开，而这个“标签”就是barcode。
简言之，barcode就是测序中混合样品的”身份证“，用于区分不同样品。
三、测序原理
下图来自文献《Multiplexed Illumina sequencing libraries from picogram quantities of DNA》
二代测序中barcodes index的介绍
对于illumina的hiseq平台而言，测序前，我们需要建库。
-
建库的第一步即对mRNA片段化，
-
随后是片段大小筛选，一般RNA-seq取200bp，DNA-seq取500bp(重测序)，即为图中insert size，也常称为fragment size（修正，一般fragment size还包括引物序列长度），中文常称为插入片段大小
-
加正向接头，接头上(部分<3端>与正向引物完全相同的序列)，加反向接头
-
cot扩展，即PCR扩增
-
测序
四、如何选择好的barcode
barcode的选择有两个原则：碱基平衡和激光平衡。
碱基平衡
碱基平衡是指的需要兼顾barcode序列的平衡度与复杂度，平衡度是指的碱基的比例是均衡的（1:1是最均衡的），而复杂度是指的碱基的种类是多样的（四种碱基同时存在是最多样的）。
所以最好的barcode序列应该是同时有A、T、G、C四种碱基，且各碱基所占比例近似均为25%。
此处所说的碱基平衡是指的多个barcode之间的平衡，并非一个barcode内部的碱基平衡。举例来说，有12个转录组样品需要测定，那么就需要12个barcode（假定每个barcode长度为6位），根据碱基平衡原则，第一位barcode碱基应该尽量同时存在A、T、G、C四种碱基，且各碱基所占比例近似均为25%，也就是这12个barcode序列最佳情况应该是以A、T、G、C开头各3个。剩余5个碱基位的barcode以此类推。
激光平衡
在illumina测序仪中，A和C两种碱基共用一种激光，由波长660nm的红激光激发；G和T共用一种激光，由波长532 nm的绿激光激发。因此假使不能满足碱基平衡的情况下，可以退而求其次，尽量满足激光平衡。
简单来说，激光平衡就是尽量在使用的一组barcode中满足每个碱基位都是A+C=G+T。
既不满足碱基平衡，又不满足激光平衡的barcode将会有很大的数据分离隐患，或者无法分离开样品，或者无法识别某些测序片段。
五、barcode组合举例
Illumina推荐的12个barcode序列详列如下。
ATCACG
CGATGT
TTAGGC
TGACCA
ACAGTG
GCCAAT
CAGATC
ACTTGA
GATCAG
TAGCTT
GGCTAC
CTTGTA
以其中的第一个位置为例（纵列），A:G:C:T=3:3:3:3=1:1:1:1。实际上，该barcode组合每个位置的碱基比例都接近1:1（具体见下表），碱基平衡度接近完美。
位置 1st 2nd 3rd 4th 5th 6th
A 3 3 4 3 3 3
T 3 3 3 3 4 3
C 3 3 3 3 2 3
G 3 3 2 3 3 3
样本数少于4种，必然无法满足碱基平衡，怎么办
如果样本数少于4种，则barcode每一个位置的碱基最多只有3种，不可能做到碱基平衡，怎么办呢？这时一定要尽量保证激光平衡，切不可在同一barcode位放置同一种荧光碱基，甚至是同一种碱基。
当然Illumina也提供了这种情况的解决方案，他们推荐的low-level pooling的barcode组合有3种，序列如下：
2重组合
#6 GCCAAT
#12 CTTGTA
3重组合
#4 TGACCA
#6 GCCAAT
#12 CTTGTA
6重组合
#2 CGATGT
#4 TGACCA
#5 ACAGTG
#6 GCCAAT
#7 CAGATC
#12 CTTGTA
这3种barcode组合包含有一个共同的内核：6号barcode和12号barcode。6号和12号组合是百分百激光平衡的，其每一个位置（纵列，即GC、CT、CT、AG、AT和TA）都分别属于不同的激光。也就是说，只要barcode组合中包含6号和12号，就能满足最基本的de-multiplexing要求，不至于数据完全失误。
除了illumina推荐的12个barcode，还有康奈尔大学的96个针对ApekⅠ酶建库的barcode，华中农业大学的96个针对MseⅠ酶和SacⅠ酶的barcode，美国科罗拉多大学博尔德分校的丹尼尔还发表了设计barcode的软件。
网友评论