[发明专利]对核酸序列进行聚类的方法、设备及存储介质

说明书

本发明涉及一种对多个核酸序列进行聚类的方法、设备以及计算机设备和计算机可读存储介质。所述方法基于所述多个核酸序列之间的距离，对所述多个核酸序列进行分类，以便获得初始簇集合，基于初始簇集合中所包含核酸序列的数目，确定优化起始簇；然后基于所述核酸序列的测序质量以及所述优化起始簇所包含所述核酸序列的数目，确定所述优化起始簇的归属序列数目以及归属概率，从而进一步确定错误簇，使得错误簇从所述初始簇集合中排除，以便获得经过优化的所述初始簇集合。在此基础上进一步提供了对核酸序列进行聚类的设备、计算机设备和计算机可读存储介质。采用本发明的方法和设备可以有效减少聚类分析的误差，从而应用到特定功能序列的分析中。

技术领域

本发明涉及基因测序领域，具体涉及一种对核酸序列进行聚类的方法、设备以及计算机设备和计算机可读存储介质。

背景技术

物种分析是微生物群落分析的重要方法。其在于利用一定的生化或分子标记，对微生物群落的组成和结构做出判断。16S rRNA是原核生物核糖体RNA的一个亚基，由于其序列具有很高的保守性，常用于作为物种鉴别的标记性基因。在物种分析过程中，考虑到一些物种的基因组/16S序列是未知的，在技术上学术界普遍采用聚类的手段进行分析，认为距离小于一定阈值的序列来自同一个分类单元(可以是门，纲，目，科，属，种或其他级别的分类单元)，这些通过聚类得到的分类单元称为可操作分类单元(operational taxonomyunit,简称OTU)。

利用16S rRNA进行物种分析，可以选择使用其全部序列或部分标志性序列进行。传统上，由于受技术手段的限制，用16S进行物种分析多局限在利用16S的一个或几个高变异的区域(hypervariable region，HVR)进行分析。由于部分序列并不能完全代表16S基因的整体序列信息，所获得的信息不全面，从而会影响物种分析的结果。

因此对特定序列的聚类分析方法还有待改进。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一，即针对核酸序列进行聚类分析的方法进行改进。本发明基于第三代测序技术的基础，提出了一种新的聚类方法，从而减少测序过程中出现的错误，应用于物种或者样品的特应性序列的聚类分析。可以对不同的核酸序列进行聚类分析，所述核酸序列可以是经过测序得到的新的序列，也可以是基因库中已有的核酸序列等等，通过聚类分析，可以应用在物种的归属和丰度分析中。例如，采用本发明提供的方法，可以利用全长16S rRNA进行物种分析，可以极大的降低错误分析的概率，减少偏差。

本发明的发明人在研究过程中发现：对于同一个样品，聚类产生和OTU的数量会随着测序量的增加而增加，而增加的部分中大多数为假阳性；而且当用于聚类的序列较长时，聚类的中心与样品物种的真实中心相差较大。这些情况主要是由于在聚类的过程中没有将测序错误考虑进去，从而使得物种分析的结果出现偏差。

而如果不将测序错误考虑进去，在对测序序列进行聚类分析归类的过程中，会降低结果的准确性。尤其是当测序量增大时，就会有大量假阳性样本的发生，而且当聚类序列较长时，聚类中心就会存在偏差。

为此，本发明的一个目的在于提出一种对核酸序列进行聚类的方法，用来解决聚类中心偏差，聚类分析错误的问题，尤其是用来解决当进行聚类分析的序列较长时，测序误差影响较大带来聚类偏差的问题。

根据本发明的一方面，本发明提供了一种用于对多个核酸序列进行聚类的方法。根据本发明的实施例，所述用于对多个核酸序列进行聚类的方法包括以下步骤：

(1)基于所述多个核酸序列之间的距离，对所述多个核酸序列进行分类，以便获得初始簇集合，所述初始簇集合由多个簇构成；

(2)基于所述初始簇集合中所述簇所包含核酸序列的数目，确定优化起始簇；

(3)基于所述核酸序列的测序质量以及所述优化起始簇所包含所述核酸序列的数目，确定所述优化起始簇的归属序列数目；