一种微生物基因数据库的构建方法及系统技术方案

本发明专利技术公开了一种微生物基因数据库的构建方法及系统，属于基因数据库构建技术领域。所述方法包括以下步骤：获取目标微生物基因组数据，对获取的基因组数据进行基因预测，获得包含序列和物种注释的基因注释文件；获得每种目标微生物的代表基因；将所述代表基因中的每个基因分别比对到核酸序列数据库，获得比对结果；过滤比对结果，获得基因注释物种信息，保留注释物种与来源物种相同的基因，进而构建所述微生物基因数据库。利用本发明专利技术的构建方法构建微生物基因数据库，可以根据目标微生物的变化对数据库进行更新，实时性更强，利用本发明专利技术构建的微生物数据库，仅包含目标微生物基因序列，对比时间更短。对比时间更短。对比时间更短。

【技术实现步骤摘要】
一种微生物基因数据库的构建方法及系统


[0001]本专利技术属于基因数据库构建
，具体地，涉及一种微生物基因数据库的构建方法及系统。

技术介绍

[0002]近年来，伴随着人体微生物组研究的不断深入，科学家发现了肠道微生物在人体的健康中发挥了很大的促进作用，目前的一些亚健康问题也是因为肠道微生态的平衡被打破导致的。益生菌作为对人体有益的一类微生物，可以很好地帮助恢复肠道微生态平衡，目前已经被普遍应用于膳食补充剂中。然而，由于益生菌种类繁多，不同国家均出台了相应的政策对可食用益生菌的种类进行规定。
[0003]传统的用于微生物的研究是通过对微生物进行培养，再进行生化表型的观察，这样要花费数十天的时间去完成。对于微生物的菌种进行鉴定，近年来发展起来的宏基因组学技术可以直接提取样本DNA进行全基因组测序，通过对这些DNA测序的结果进行分析和解读，已经可以做到对环境中微生物的群落结构、物种分类、系统进化、基因功能及代谢网络等进行研究。伴随着高通量测序技术的发展，目前已经可以做到在单次对至少几百个样本进行同时检测；同时，由于不需要进行培养，也就大大缩短了检测分析时间。
[0004]然而，基于宏基因组测序技术的微生物鉴定分析需要依赖于参考基因集，即通过将测序读长比对到参考基因集，以分析样品中的微生物的种类和基因含量。因此存在不同物种，不同地域的微生物参考基因集。对人类肠道的目标益生菌进行分析，也需要用到参考基因集，通常情况下有两种方法，使用整合基因集(IGC)或者宏基因组系统发育分析(MetaPhlAn)基因库。
[0005]整合基因集(IGC)发表于2014年，包含1267个肠道宏基因组，9879896个基因。IGC存在以下问题：(1)基因数目多，注释微生物种类多，比对时间也非常长，效率较低；(2)基因注释信息长时间未更新，准确性低；(3)公开的基因注释信息只到属水平，无法分析目标益生菌。
[0006]宏基因组系统发育分析(MetaPhlAn)是一种物种注释工具，可从二代测序数据中分析微生物群落的组成。虽然MetaPhlAn有一直更新，但也存在以下局限性：(1)使用序列比对标志基因，来获得相对丰度信息，相对于其他策略而言，假阳性较低，但读数利用率低；(2)物种检出较少，只能检出数据库内的物种；(3)物种注释只到种水平，需要使用配套的StrainPhlAn工具才能分析株水平结果。
[0007]因此，目前应用最为广泛的两种方法都不适合用于分析目标益生菌。但是传统的直接把益生菌的基因组构建成参考数据库，会有大量的重复信息，导致效率不高；另外，由于微生物基因组之间有很多共有片段，如果直接用全基因组作为参考基因组也会影响到检测结果的精度。

技术实现思路

[0008]为了解决上述技术问题中的至少一个，本专利技术采用的技术方案如下：
[0009]本专利技术第一方面提供一种微生物基因数据库的构建方法，包括以下步骤：
[0010]S1，获取目标微生物组合中每种目标微生物的基因组数据，其中，所述目标微生物组合包括N种目标微生物，N≥1；
[0011]S2，对步骤S1获取的基因组数据进行基因预测，获得基因注释文件；
[0012]S3，利用步骤S2获得的所述基因注释文件获得每种目标微生物的代表基因；
[0013]S4，将所述代表基因中的每个基因分别比对到核酸序列数据库，获得比对结果；
[0014]S5，对于每个基因的对比结果，获取该基因的注释物种，若所述注释物种与来源物种相同，则保留该基因；
[0015]S6，利用所有被保留的基因构成所述微生物基因数据库。
[0016]在本专利技术中，所述目标微生物可以是任一微生物，包括但不限于细菌、真菌、病毒，均适用于本专利技术的方法。在本专利技术的一些具体实施方案中，所述目标微生物为细菌，在本专利技术的一些更具体实施方案中，所述目标微生物为可用于食品的细菌。
[0017]在本专利技术的一些实施方案中，步骤S1中，所述获取目标微生物组合中每种目标微生物的基因组数据，可以获得存储于商业或非商业数据库中的基因组数据，也可以是利用高通量测序方法获得的基因组数据。在本专利技术的一些具体实施方案中，所述基因组数据从NCBI数据库下载而来。具体地，首先获得目标微生物的在NCBI中的物种名称和分类学编号；然后，根据物种名称，获取该物种在NCBI中的基因组。在本专利技术的另一种具体实施方案中，所述基因组数据为利用二代测序技术测序得到。
[0018]在本专利技术的一些优选实施方案中，还包括过滤掉组装成长序列片段(Scaffolds)数目≥100的基因组，使得获得的每种目标微生物的各基因组中的长序列片段数目均小于100。
[0019]在本专利技术的一些实施方案中，步骤S2中，可以使用任意能够实现基因预测功能的软件、程序或算法完成所述基因预测。在本专利技术的一些具体实施方案中，利用Prokka软件对基因组数据进行基因预测。
[0020]在本专利技术的一些实施方案中，步骤S3中，针对所述目标微生物组合中的目标微生物n，其中，所述目标微生物n表示目标微生物组合中第n种目标微生物，1≤n≤N，所述目标微生物n的基因组数目M，根据M的大小获得所述目标微生物n的代表基因：
[0021](1)若M＝1，则所述目标微生物n的基因组的所有基因为代表基因；
[0022](2)若M≥2，则所有基因组的共有基因为代表基因。
[0023]在本专利技术的一些实施方案中，进一步在，针对上述第(2)种情况，若M≥MA，则判断是否有基因组偏离总体，若有，则剔除偏离总体的基因组，再判断剩余基因组中是否有基因组偏离总体，若有，则再剔除偏离总体的基因组，直至剩余基因组中没有基因组偏离总体或者剩余基因组数目M<MA，则提取剩余基因组的共有基因，作为所有基因组修正的共有基因，并作为所述目标微生物n的代表基因，其中，MA≥3，例如MA＝3，4，5，6，7，8，9，10或更大。
[0024]在本专利技术的一些实施方案中，按如下标准判断基因组是否偏离总体：若剔除某个基因组后，剩余基因组的共有基因数目比未剔除前增加30％以上，例如30％、35％、40％、50％，则该基因组偏离总体。
[0025]在本专利技术的一些实施方案中，当剔除或未剔除偏离基因组的基因组数目M≥MB，其中，MB≥3，例如MB＝3，4，5，6，7，8，9，10或更大，则进一步根据以下步骤重新确定共有基因，即确定是否需要对共有基因进行修正：
[0026]S31，根据所述目标微生物n的M个基因组中各基因的来源基因组情况组成m种基因组合，其中，也就是说，对于一个基因，要么只来源于1个基因组，共有个组合；要么只来源于其中2个基因组，共有个组合；
……
；要么只来源于其中M
‑
1个基因组，共有个组合；要么来源于M个基因组，共有个组合，因此共有个组合。换一种说法，对于基因组合，每个基因组要么包含该基因组合里的基因，要么不包含来源于这个基因组合的基因，即每个基因组都有2种情况，则会有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种微生物基因数据库的构建方法，其特征在于，包括以下步骤：S1，获取目标微生物组合中每种目标微生物的基因组数据，其中，所述目标微生物组合包括N种目标微生物，N≥1；S2，对步骤S1获取的基因组数据进行基因预测，获得基因注释文件；S3，利用步骤S2获得的所述基因注释文件获得每种目标微生物的代表基因；S4，将所述代表基因中的每个基因分别比对到核酸序列数据库，获得比对结果；S5，对于每个基因的对比结果，获取该基因的注释物种，若所述注释物种与来源物种相同，则保留该基因；S6，利用所有被保留的基因构成所述微生物基因数据库。2.根据权利要求1所述的一种微生物基因数据库的构建方法，其特征在于，在步骤S4之前或步骤S5之后进一步包括对基因进行去冗余的步骤。3.根据权利要求1或2所述的一种微生物基因数据库的构建方法，其特征在于，步骤S3中，针对所述目标微生物组合中目标微生物n，其中，1≤n≤N，所述目标微生物n的基因组数目M，根据M的大小获得所述目标微生物n的代表基因：(1)若M＝1，则所述目标微生物n的基因组的所有基因为代表基因；(2)若M≥2，则所有基因组的共有基因为代表基因。4.根据权利要求3所述的一种微生物基因数据库构建方法，其特征在于，在第(2)种情况，若M≥MA，则判断是否有基因组偏离总体，若有，则剔除偏离总体的基因组，再判断剩余基因组中是否有基因组偏离总体，若有，则再剔除偏离总体的基因组，直至剩余基因组中没有基因组偏离总体或者剩余基因组数目M<MA，则提取剩余基因组的共有基因，作为所有基因组修正的共有基因，并作为所述目标微生物n的代表基因，其中，MA≥3。5.根据权利要求3所述的一种微生物基因数据库的构建方法，其特征在于，若M≥MB，进一步根据以下步骤重新确定共有基因：S31，根据所述目标微生物n的M个基因组中各基因的来源基因组情况组成m种基因组合，其中，S32，统计每种基因组合中的基因数目，并按从大到小顺序将所述基因数目进行排序并获得位于第S位的基因数目Q，S33，判断来源于M个基因组的基因组合的基因数目是否小于Q：
①
若来源于M个基因组的基因组合的基因数目不小于Q，则直接提取M个基因组的共有基因；
②
若来源于M个基因组的基因组合的基因数目小于Q，则：S331，选取基因数目最多的基因组合的来源基因组作为亚群，提取亚群的共有基因；S332，剔除S331中亚群中的基因组，若剩余的基因组数目<MB，则提取剩余基因组的共有基因；若剩余的基因组数目≥MB，则重复S31
‑
S33步骤再次提取共有基因；S34，将步骤S33得到的所有共有基因合并到一起，...

【专利技术属性】
技术研发人员：徐晓强，夏炎，王晓凯，谢海亮，
申请(专利权)人：夏炎，
类型：发明
国别省市：