一种MHC补全数据库、其构建方法和应用技术

本申请公开了一种MHC补全数据库及其构建方法和应用。本申请的MHC补全数据库包括合成在一起的genotype数据集、HLA分型的型别数据集、氨基酸改变信息数据集和HLA单体型数据集；该数据库的构建过程中首次采用LD和HWE进行变异结果的过滤，提高了数据准确性；采用简单易操作的方法获得一个数量最少的SNP区分数据集，然后在phasing分析得到MHC单体型信息，相比于用整个SNP数据集进行phasing，本申请的构建方法更节约时间、减少CPU和内存使用，并且得到的单体型信息更准确。本申请的MHC补全数据库，包含了MHC区域的多种数据集，能够有效的补全位点，为MHC区域的深入研究奠定了基础。

A complete MHC database, its construction method and Application

The invention discloses a complete MHC database construction method and application thereof. The application of MHC completion database includes the synthesis of the type genotype data together with the data set, HLA type set, amino acid change information data set and the HLA haplotype data sets; the construction process of the database for the first time by using LD and HWE variation results filtering, improve data accuracy; the method is simple and easy to operate. Get a minimum number of SNP between data sets, then analysis the MHC haplotype in phasing, compared with the SNP data set of phasing, construction of the method can save time and reduce CPU and memory usage, the haplotype information and get more accurate. MHC completion database of the application, including a variety of MHC data sets to complete the site area, effective, laid the foundation for further study of MHC region.

【技术实现步骤摘要】

本申请涉及基因数据库领域，特别是涉及一种MHC补全数据库，该数据库的构建方法和所构建的数据库的应用。
技术介绍
主要组织相容性复合体(Majorhistocompatibilitycomplex，简称MHC)是脊椎动物的高度多态性基因群。它早期源于解释器官移植中受体排斥供体组织细胞的现象。在进化过程中，MHC在物种之间和种群的个体之间都产生了明显差异。物种之间的差异主要是基因结构的不同，其遗传基础是等位基因的点突变，即核苷酸发生替换。产生MHC多态性的原因主要是环境中病原压力。许多研究已经证实了MHC与复杂疾病尤其是自免疫疾病密切相关，而且也探明了一些与这些疾病相关的MHC的型别，单倍型或MHC分子中的特定位点。但是由于MHC区域序列的高度多态性和强的连锁不平衡性，致使很多真正的致病位点仍没有很好地被鉴定出来。目前的疾病研究大多是基于genotyping芯片的全基因组关联分析(Genome-wideassociationstudy，简称GWAS)研究，没有对MHC区域进行全覆盖测序，所以容易漏掉一些关键的致病位点，这就需要我们对这些区域的位点进行补全。但是，MHC区域片段的高度重复性，容易造成比对结果的假阳性bais，影响MHC数据库的准确性。
技术实现思路
本申请的目的是提供一种高度准确的MHC补全数据库的构建方法，其构建的MHC补全数据库，以及该数据库的应用。为了实现上述目的，本申请采用了以下技术方案：本申请一方面公开了一种MHC补全数据库的构建方法，包括：(1)从人类基因组DNA样品中分离出MHC区域的片段，对分离的MHC片段进行测序，将测序结果与人类基因标准序列比对，采用变异检测软件对比对结果进行检测校正，获得DNA样品的变异基因型数据；(2)按以下条件对步骤(1)获得的DNA样品变异基因型数据进行筛选，a.在群体中测序深度≥x的位点，x≥6，b.在群体中数据的缺失率<0.05的位点，c.等位基因碱基型出现次数大于一次的位点，获取满足以上三个条件的位点，然后过滤掉以下条件的位点，d.在群体中连锁不平衡值LD＝0的位点，e.在群体中哈温平衡指标log(HWE)≥600的位点，剩下的位点组成genotype数据集；(3)采用分型软件对步骤(2)获得的genotype数据集进行分析，得到每个DNA样品的HLA分型的型别数据集；(4)统计每个HLA分型的SNP，将统计的各个分型的SNP与IMGT数据库中相应分型的SNP相比较，如果两者不同，则把统计的SNP翻译成氨基酸，从而得到每个分型对应的氨基酸改变信息数据集；(5)根据步骤(4)统计的每个HLA分型的SNP，比较各个HLA分型的SNP数据集，获得数量最少的，且能够区分各个HLA分型的SNP区分数据集，对SNP区分数据集进行phasing分析，获得每个分型的HLA单体型数据集；(6)将genotype数据集、HLA分型的型别数据集、氨基酸改变信息数据集和HLA单体型数据集合成为一个数据库，即MHC补全数据库。优选的，DNA样品包括采集自至少205个个体的样品，更优选的，采集自至少1066个个体的样品。需要说明的是，理论上讲样品数量越多，MHC区域的信息越全面，即MHC补全数据库所包含的信息越能全面的反应MHC区域的所有变异、分型、氨基酸改变等信息；但是，采集的样品越多，建库的成本越高，因此，本申请中采集205个样品即可保障所构建的MHC补全数据库对现实的MHC区域的信息覆盖率大于95％，可以满足使用需求，而采集1066个样品，其覆盖率可达到99％以上；可以理解，采集的样品少于205个时，覆盖率会相对减小，对于一些特殊用途的数据库，不需要太高的覆盖率，因此也可以使用少于205个样品进行建库，对此本申请不做具体限定。还需要说明的是，本申请的一种实现方式中，采集了8906个样品，其构建的MHC补全数据库，是目前世界上最全面的MHC区域的数据库，本申请中205个样品和1066个样品的覆盖率都是以8906个样品的数据库为全数据库计算的。优选的，步骤(1)中的变异检测软件为GATK、SAMTOOLS或SOAPSNP，优选的，变异检测软件为GATK。优选的，步骤(3)中的分型软件为SOAPHLA分型软件。优选的，步骤(6)中采用PLINK的merge命令把genotype数据集、HLA分型的型别数据集、氨基酸改变信息数据集和HLA单体型数据集合成为一个数据库。优选的，人类基因标准序列为hg18。本申请的另一面公开了一种MHC补全数据库，该数据库包括合成在一起的genotype数据集、HLA分型的型别数据集、氨基酸改变信息数据集和HLA单体型数据集；其中，genotype数据集包含所有MHC区域的单核苷酸多态性位点和插入删除多态性位点的信息；HLA分型的型别数据集包含所有MHC区域的个体型别信息；氨基酸改变信息数据集包含所有MHC区域的各个型别所对应的氨基酸的改变信息；HLA单体型数据集包含所有MHC区域的HLA单体型的信息。优选的，本申请的MHC补全数据库采用本申请的构建方法构建。需要说明的是，本申请的MHC补全数据库是对MHC区域的变异情况的补充，使得该区域的信息更为全面，以方便GWAS疾病位点的分析研究；本申请的数据库构建方法只是本申请研发的一套简单有效的建库方法，不排除其它建库方法也可以用于本申请的MHC补全数据库的构建。本申请的再一面还公开了本申请的MHC补全数据库的一种应用，具体包括，提供了一种采用本申请的MHC补全数据库计算建库所需的有效DNA样品数量的方法，包括以下步骤：(a)设定数据库中的全部数据集的数量为Ta；(b)从数据库的所有样品中随机抽取N个样品，N个样品包含的数据量为Na，N个样品对数据库全部数据集Ta的覆盖率Cov＝Na/Ta，其中N≥1；(c)逐步增加随机抽取样品的数量，即逐步增大N值，直至N个样品的覆盖率Cov大于或等于预设值，此时样品数量N即本申请的建库所需的有效DNA样品数量。优选的，预设值大于等于0.95。需要说明的是，本申请的建库所需的有效DNA样品数量是指构建本申请的MHC补全数据库所需要的有效DNA样品数量，本申请的MHC补全数据库作为一个更为全面的体现MHC区域信息的数据库，所使用的样品越多，自然越接近本申请的MHC补全数据库，但是考虑到建库成本问题，对本申请的MHC补全数据库覆盖率大于0.95的样品数量基本可...

【技术保护点】
一种MHC补全数据库的构建方法，包括：(1)从人类基因组DNA样品中分离出MHC区域的片段，对分离的MHC片段进行测序，将测序结果与人类基因标准序列比对，采用变异检测软件对比对结果进行检测校正，获得DNA样品的变异基因型数据；(2)按以下条件对步骤(1)获得的DNA样品变异基因型数据进行筛选，a.在群体中测序深度≥x的位点，x≥6，b.在群体中数据的缺失率<0.05的位点，c.等位基因碱基型出现次数大于一次的位点，获取满足以上三个条件的位点，然后过滤掉以下条件的位点，d.在群体中连锁不平衡值LD＝0的位点，e.在群体中哈温平衡指标log(HWE)≥600的位点，剩下的位点组成genotype数据集；(3)采用分型软件对步骤(2)获得的genotype数据集进行分析，得到每个DNA样品的HLA分型的型别数据集；(4)统计每个HLA分型的SNP，将统计的各个分型的SNP与IMGT数据库中相应分型的SNP相比较，如果两者不同，则把统计的SNP翻译成氨基酸，从而得到每个分型对应的氨基酸改变信息数据集；(5)根据步骤(4)统计的每个HLA分型的SNP，比较各个HLA分型的SNP数据集，获得数量最少的，且能够区分各个HLA分型的SNP区分数据集，对SNP区分数据集进行phasing分析，获得每个分型的HLA单体型数据集；(6)将所述genotype数据集、所述HLA分型的型别数据集、所述氨基酸改变信息数据集和所述HLA单体型数据集合成为一个数据库，即MHC补全数据库。...

【技术特征摘要】
1.一种MHC补全数据库的构建方法，包括：
(1)从人类基因组DNA样品中分离出MHC区域的片段，对分离的MHC
片段进行测序，将测序结果与人类基因标准序列比对，采用变异检测软件对比
对结果进行检测校正，获得DNA样品的变异基因型数据；
(2)按以下条件对步骤(1)获得的DNA样品变异基因型数据进行筛选，
a.在群体中测序深度≥x的位点，x≥6，
b.在群体中数据的缺失率<0.05的位点，
c.等位基因碱基型出现次数大于一次的位点，
获取满足以上三个条件的位点，然后过滤掉以下条件的位点，
d.在群体中连锁不平衡值LD＝0的位点，
e.在群体中哈温平衡指标log(HWE)≥600的位点，
剩下的位点组成genotype数据集；
(3)采用分型软件对步骤(2)获得的genotype数据集进行分析，得到每
个DNA样品的HLA分型的型别数据集；
(4)统计每个HLA分型的SNP，将统计的各个分型的SNP与IMGT数据
库中相应分型的SNP相比较，如果两者不同，则把统计的SNP翻译成氨基酸，
从而得到每个分型对应的氨基酸改变信息数据集；
(5)根据步骤(4)统计的每个HLA分型的SNP，比较各个HLA分型的
SNP数据集，获得数量最少的，且能够区分各个HLA分型的SNP区分数据集，
对SNP区分数据集进行phasing分析，获得每个分型的HLA单体型数据集；
(6)将所述genotype数据集、所述HLA分型的型别数据集、所述氨基酸
改变信息数据集和所述HLA单体型数据集合成为一个数据库，即MHC补全数
据库。
2.根据权利要求1所述的构建方法，其特征在于：所述DNA样品包括采集
自至少205个个体的样品，优选的采集自至少1066个个体的样品。
3.根据权利要求1所述的构建方法，其特征在于：所述步骤(1)中的变异
检测软件为GATK、SAMT...

【专利技术属性】
技术研发人员：刘小敏，曹红志，刘晓，张涛，
申请(专利权)人：深圳华大基因股份有限公司，
类型：发明
国别省市：广东;44