SBS
边测序边合成
开创革新「智能」测序的先河
性能优势
| 芯片数目 | 单芯片流道数目 | 有效读数/芯片 | 支持读长 | 最大数据量 | Q30 | 测序时间 |
|---|---|---|---|---|---|---|
| 2 | 2 | 80~125M | SE50 | 12.5G | >85% | 10小时 |
| SE75 | 18.75G | 13小时 | ||||
| PE36 | 18G | 17小时 | ||||
| PE75 | 37.5G | 26小时 | ||||
| PE100 | 50G | 32小时 |
| Star Seq100平台单次运行可支持的推荐样本数 | ||||
|---|---|---|---|---|
| 应用类型 | 推 荐 读 长 | 数据量/样本 | 1FC/Run | 2FC/Run |
| NIPT | SE50 | ~5Mreads | 25个 | 50个 |
| NIPT Plus | ~10Mreads | 12个 | 25个 | |
| PGS | ~5Mreads | 25个 | 50个 | |
| tNGS | SE75 | ~0.5Mreads | 250个 | 500个 |
| mNGS | ~20Mreads | 6个 | 13个 | |
| 肿瘤早筛Oncology | PE36 | ~30Mreads | 4个 | 8个 |
| 肿瘤伴随诊断/FFPE | PE75 | ~2Gb | 9个 | 18个 |
| 肿瘤小panel | PE100 | ~1Gb | 25个 | 50个 |
| 肿瘤大panel | ~5Gb | 5个 | 10个 | |
| 细菌病毒WGS | ~1Gb | 25个 | 50个 | |
| StarSeq”100深度学习一阶生信处理流水线测试结果 | ||||||
|---|---|---|---|---|---|---|
| 实验ID | 测序目的 | 算法 | 通量(M) | Mapping Reads(M) | 平均Q30 base占比(% ) | 平均Q30 |
| 1 | 生化相关实验 | 传统算法 | 84.74 | 73.24 | 86.42% | 0.82 |
| 深度学习 | 123.05 | 119.92 | 97.46% | 0.85 | ||
| 2 | 仪器质量测试 | 传统算法 | 90.25 | 81.78 | 90.61% | 0.83 |
| 深度学习 | 128.26 | 124.9 | 97.38% | 0.85 | ||
| 3 | 客户环境测序 | 传统算法 | 83.87 | 77.2 | 92.04% | 0.82 |
| 深度学习 | 117.53 | 113.85 | 96.87% | 0.85 | ||
简便的操作流程
