[发明专利]基因聚类方法和基于该方法的宏基因组组装方法和装置

说明书

本发明公开了一种基因聚类方法和基于该方法的宏基因组组装方法和装置，所述基因聚类方法包括：根据每个基因序列或小基因簇在多个样品中的丰度谱，以及每个大基因簇在多个样品中的丰度谱，通过多元线性回归，计算每个大基因簇与每个基因序列或小基因簇的相关性；找到与每个大基因簇的相关性大于设定值的基因序列或小基因簇，并将所找到的基因序列或小基因簇合并至相关联的大基因簇中，组合成新的大基因簇。能够找到多个基因序列或小基因簇的多个源头大基因簇，弥补现有方法的不足，从而增加基因簇的大小，并且获得更好的基因组草图。

技术领域

本发明涉及基因序列信息分析技术领域，尤其涉及一种基因聚类方法和基于该方法的宏基因组组装方法和装置。

背景技术

宏基因组指来源于同一环境中所有微生物基因组的集合，如人肠道宏基因组表示人肠道中存在的所有微生物的基因组。快速发展的第二代DNA测序技术可以有效获取宏基因组数据，通过生物信息技术的进一步分析，解读微生物群落的组成以及解析微生物群落的功能。然而，由于宏基因组由多个基因组混合组成，从宏基因组中解析出单个基因组是研究的一个重点和难点。

目前，已有研究通过基因序列在多样品之间的丰度谱关联信息，将基因序列聚集成基因簇，进而对较大的基因簇进行独立的基因组组装，从而得到单个基因组草图(Nielsen H.B.等人,Nature Biotechnology,2014)。该技术具体步骤如下：(1)通过宏基因组组装、基因预测、基因序列去冗余获取多样品特有的非冗余基因序列集合；(2)将测序读长序列(Reads)比对到上一步获取的基因序列集合，计算每个基因在每个样品的丰度，得到基因在多样品中的丰度谱；(3)根据基因在多样品的丰度谱，计算基因与基因之间的相关系数，根据相关系数对基因进行聚类，将相关系数满足一定阈值的基因聚集成基因簇；(4)将测序Reads比对到较大的基因簇，获取单个基因簇特有的测序Reads，进行单独组装，获得单个基因组草图。

现有技术的关键假设是来源于同一DNA分子的基因序列，在多样品中的丰度谱表现出强的相关性。然而，有一些基因序列同时存在多个基因组，它们的丰度谱由多个基因组决定，并不与其中任何一个基因组有强相关性。现有技术无法将此类型的基因序列聚集到对应的基因簇，而且这些基因具有重要的生物功能，如持家基因和核糖体基因等，是基因组的重要组成。

发明内容

本发明提出一种基因聚类方法和基于该方法的宏基因组组装方法，本发明的基因聚类方法能够找到多个基因序列或小基因簇的多个源头大基因簇，弥补现有方法的不足，从而增加基因簇的大小，并且获得更好的基因组草图。

根据本发明的第一方面，本发明提供一种基因聚类方法，用于将多个基因序列或小基因簇聚类到多个大基因簇中，其中上述基因簇是指一组有相同来源的基因集合，上述小基因簇是指基因数量小于预设值的基因集合，上述大基因簇是指基因数量大于上述预设值的基因集合；上述方法包括：

根据每个上述基因序列或小基因簇在多个样品中的丰度谱，以及每个上述大基因簇在上述多个样品中的丰度谱，通过多元线性回归，计算每个上述大基因簇与每个上述基因序列或小基因簇的相关性；

找到与每个上述大基因簇的相关性大于设定值的基因序列或小基因簇，并将所找到的基因序列或小基因簇合并至相关联的大基因簇中，组合成新的大基因簇。

进一步地，上述方法中的多元线性回归依据如下方程式进行：

其中，E_ij表示基因序列或小基因簇j在样品i中的相对丰度，a_ik表示大基因簇k在样品i中的相对丰度，e_kj表示基因序列或小基因簇j与大基因簇k的相关性。

进一步地，上述方法还包括使用系数收缩技术计算出上述相关性e_kj。