[发明专利]一种MHC补全数据库、其构建方法和应用

说明书

技术领域

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。

背景技术

主要组织相容性复合体(Major histocompatibility complex，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-wide association study，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。

发明内容

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。